Citation Number
2
Views
15
Downloands
4
İnsan beynindeki öğrenme ve analiz mekanizmasını taklit ederek geniş bir veri kümesinden özellikleri otomatik olarak öğrenmeye çalışan derin öğrenme algoritmaları, yüksek hesaplama gerektiren problemleri çözmede bazen insanlardan daha başarılı olabilmektedir. Derin öğrenme tabanlı yöntemlerin çeşitli alanlarda başarı ile kullanımı bu yöntemlerin uzaktan algılama alanında da kullanımını arttırmaktadır. Bu çalışmada, yüksek mekânsal çözünürlüğe sahip uydu görüntülerinden derin öğrenme ile otomatik bina tespitinin yapılması amaçlanmıştır. Bina tespiti için, ilk olarak yüksek mekânsal çözünürlüklü Worldview-2 uydu görüntüsüne görüntü kaynaştırma işlemi yapılarak mekânsal olarak detayların daha belirgin olduğu kaynaştırılmış bir görüntü elde edilmiştir. Daha sonra çalışma bölgesine ait kaynaştırılmış görüntü bina detaylarının yoğun olduğu bölgeleri içerecek şekilde parçalara ayrılmıştır. Bu görüntü parçalarındaki bina nesneleri etiketlenerek test ve eğitim veri seti oluşturulmuştur. Oluşturulan veri seti ile Faster R-CNN modeli üzerinde ince ayar yapılarak model eğitimi %94 F1 skor ve %88 doğruluk değenlerinde gerçekleştirilmiştir. Sonuç olarak Faster R-CNN modeli ile (genel kullanımının dışında) küçük nesne boyutlu uzaktan algılanmış görüntülerden bina tespiti ortalama %88.6 doğrulukta gerçekleştirilmiştir.
Deep learning algorithms, which try to automatically learn features from a large data set to mimic the learning and analysis mechanism in the human brain, have sometimes started to be more successful than humans in solving problems that require high computation. The successful use of deep learning-based methods in various fields also increases its use in remote sensing. This study, it is aimed to make automatic building detection by deep learning from satellite images with high spatial resolution. First, a fused image with more spatial details was obtained by fusing the image to the high spatial resolution Worldview-2 satellite image. Then, the fused image of the study area was divided into parts, including the areas where building details are concentrated. The test and training data set was created by labeling the building objects in these image fragments. Finally, the Faster R-CNN model was trained with the prepared data set, enabling building detection from high spatial resolution satellite images. Building detection was performed with an average accuracy of 88.6% from high-resolution satellite image fragments containing fragments from different regions.
Field : Fen Bilimleri ve Matematik; Mimarlık, Planlama ve Tasarım; Mühendislik; Ziraat, Orman ve Su Ürünleri
Journal Type : Uluslararası
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
