Çift Norm-UNET tabanlı anlamsal bölütleme mimarisinin iyileştirilmesi ve uzaktan algılama verileri ile kullanılması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: FENTY JAMES CONTEH

Danışman: İrem Ülkü

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Semantik segmentasyon, bilgisayarlı görme için kritik öneme sahiptir, çünkü piksel seviyesinde görüntü yorumlaması bilgisi sağlar. Bununla birlikte, semantik segmentasyon modelleri genellikle önemli miktarda etiketli veri gerektirir ki bu da pahalı ve zaman alıcı bir süreçtir. Sonuç olarak araştırmacılar halka açık veri setlerini veya özgürce oluşturulmuş etiketler ile sentetik görüntüleri kullanmayı tercih ederler. Bu araştırma, yüksek boyutluluk ve çeşitlilik nedeniyle karmaşık ve heterojen olan uzaktan algılama verilerine uygulamak için Çift Normalleştirilmiş UNET (Dual Normalization UNet) semantik segmentasyon mimarisinin geliştirilmesine odaklanmaktadır. Toplu ve grup normalizasyonu, düzenleme ve artık bağlantılar ekleyerek DualNorm-UNetV3 modelini iyileştirmekteyiz, böylelikle ağ normalizasyonu için genel görüntü seviyesinde özellikler ve bölgeye özel metrikler eşzamanlı olarak entegre edilmektedir. Daha spesifik olarak, bu yöntem yerel istatiksel verileri kullanarak normallaştırma katmanı içinde öğrenilmiş semantik maskelerden yararlanarak farklı sınıf bölgelerindeki aktivasayonları uyarlamalı olarak değiştirmektedir. Bu yaklaşım, sınırlı etiketli veriler ile bile daha yüksek segmentasyon doğruluğu elde etmektedir. Normalizasyon teknikleri, düzenleme ve artık bağlantıları kullanarak, çeşitli uzaktan algılama veri setleri boyunca alana özgü değişmeyen bilgi yakalamaktadır. Bu da karmaşık ve çeşitli dağılımlara sahip veri setlerinde iyileştirilmiş segmentasyon performansı ile sonuçlanmaktadır. Geleneksel yöntemlere kıyasla önemli gelişmeler gösteren önerilen DualNorm-UNetV3 modeli, çeşitli referans veri setleri üzerinde başarılı bir şekilde test edilmiştir. Sonuçlar, önerilen modelin uzaktan algılama görüntüsü segmentasyonundaki zorluklar için güçlü bir çözüm sunduğuna ve yaklaşımın çeşitli gerçek dünya uygulamaları için geniş kabul görme potansiyeline işaret etmektedir.