Object height estimation on monoscopic satellite images using deep learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Jeodezi Ve Coğrafi Bilgi Teknolojileri Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: FURKAN GÜLTEKİN
Asıl Danışman (Eş Danışmanlı Tezler İçin): Mehmet Lütfi Süzen
Eş Danışman: Alper Koz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Geleneksel metodlar, uydu optik görüntülerden 3D bilgi çıkarmak için genellikle karmaşık algoritmaları içerir ve bu algoritmalar için önemli ölçüde insan denetimi, birçok dış parametre ve farklı açılarından çekilmiş birden fazla görüntü gerektirir. Bu çalışmanın amacı, manuel parametre ayarlama ve birden fazla görüntü edinme ihtiyacını ortadan kaldırmak ve monoskopik uydu görüntülerinden 3D nesne bilgisinin çıkarılmasını tamamen otomatikleştirmek için derin öğrenme algoritmalarını kullanmaktır. Bu kapsamda, uydu görüntülerinin yapısını göz önünde bulundurarak Birleştirilmiş Yükseklik Tahmini (Fused-HE) derin ağ modeli önerilmiştir. Model, çift kodlayıcı içeren bir yapıya sahiptir. Önerilen model, monoskopik uydu görüntü girdilerini, komşu piksellerde yerel özellik çıkarımı için konvolüsyonel kodlayıcısından ve görüntüdeki nesneler arasındaki ilişkileri kullanarak küresel özellik çıkarımı için görüntü transformatörleri kodlayıcısından geçirerek ayrı bir şekilde işler. İki kodlayıcıdan gelen farklı özellik çıktıları, özellik birleştirme bloklarında birleştirilir ve ardından birleştirilmiş özellikler, decoder bloklarına iletilir. Yükseklik başlığı, decoder blok çıkışlarını kullanarak tahmin edilen yükseklikleri oluşturur. Önerilen derin modele, modelin doğru piksele yükseklik değerleri atamasını sağlamak için segmentasyon başlığı eklenerek daha da iyileştirilmiştir ve bu modele Birleştirilmiş Segmentasyon Yükseklik Tahmini (FusedSeg-HE) adı verilmiştir. Literatürdeki modeller ile birleştirilmiş ağlar arasında yapılan kapsamlı değerlendirmeler, önerilen modellerin, yükseklik tahmini için hem yerel hem de küresel özellik çıkarımını başarıyla sağladığını, tahmin edilen ve yer gerçeği yükseklik değerleri arasındaki kök ortalama karesel hatasını yaklaşık %5-%13 oranında azalttığını ve delta eşik doğruluğu sonuçlarında %4-%9 oranında artış sağladığını göstermektedir.