Terrain classification by using hyperspectral and LiDAR data

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Enformatik Enstitüsü, Bilişim Sistemleri Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: İngilizce

Öğrenci: ALİ GÖKALP PEKER

Asıl Danışman (Eş Danışmanlı Tezler İçin): Yasemin Yardımcı Çetin

Eş Danışman: Ramazan Gökberk Cinbiş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Çoklu sensör verilerinin etkili bir şekilde modellenmesi, uzaktan algılamada son teknolojinin geliştirilmesine yönelik önemli bir araştırma yönüdür. Bu tezde, makine öğrenimi tabanlı sınıflandırma işlem hatlarından başlayarak bu konuyu ele alıyor, hiperspektral ve LiDAR verileri için sensör tabanlı model özelleşmesine ihtiyaç duymayan derin öğrenme tabanlı bir arazi sınıflandırma çerçevesi, uzamsal ve spektral örüntüler için yeni bir bileşen öneriyoruz. Bu çerçeve, mevcut sınıflandırma yöntemlerinden daha iyi performans gösterebilen modellere olanak sağlamaktadır. Derin öğrenme modelleri gölgelerle kaplı bölgelerde hala önemli zorluklarla karşılaşmaktadır. Bu sorunu ele almak için bu tez, çekişmeli üretici ağlara ve geçişli örneklem dönüşümlerini ve ikilemlerdeki ilişkili örneklerle birleştiren yeni bir kayıp fonksiyonuna dayanan bir veri üretim yaklaşımı önermektedir. Bu yeni kayıp fonksiyonu, bina veya bulut gölgeleri altındaki bölgeler için sentetik örneklerin oluşturulmasını sağlayarak modellerin bu tür bölgeleri tanıma performansını artırmaktadır. Nitel ve nicel değerlendirmeler, önerilen metodolojilerin çoklu sensör verilerini birleştirebilen modeller oluşturmak için kullanılabileceğini ve gölgeli bölgeler altında sınıflandırma sonuçlarını iyileştirdiğini göstermektedir.