SATNET: UYDU GÖRÜNTÜLERİNDEN NESNE TESPİTİ İÇİN YENİ BİR DERİN ÖĞRENME MODELİ

Abstract

Bilgisayarlı görü sistemlerinde yüksek başarımlar sunan derin öğrenme mimarileri son zamanlarda oldukça yaygın kullanılmaktadır. Derin öğrenme modellerinin başarımı bilgisayarlı görü alanında yeni çalışmaların da önünü açmaktadır. Uzaktan algılama ile elde edilen yüksek çözünürlüklü uydu görüntülerinden nesne tespit etmek işlem, hesaplama yükü ve bellek açısından oldukça zorlu bir süreçtir. Bu tez çalışmasında yüksek çözünürlüklü uydu görüntülerindeki nesnelerin tespitinin yapılabilmesi için yeni bir derin öğrenme modeli (SatNet) geliştirilmiştir. Bu modelin, tekli ve çoklu nesne tespit uygulaması ile diğer modellerden daha başarılı sonuçlar elde ettiği görülmüştür. SatNet derin öğrenme modeli parametre sayısı, bellek alanı, işlem yükü ve çalışma zamanı açısından diğer modellere oranla daha az olması nedeniyle umut vadeden ve çalışmalarda tercih edilebilir bir model olarak görülmektedir. Bu tezde, SatNet modeli ile birlikte 11 derin öğrenme modeli AlexNet, VGG16, VGG19, GoogleNet, SequezeeNet, ResNet18, ResNet50, ResNet101, Inceptionresnetv2, Inceptionv3, DenseNet201 ve SatNet kullanılarak tekli ve çoklu nesne tespiti yapılmıştır. Tekli nesne tespiti için veri seti GoogleEarth aracılığı ile elde edilen uydu görüntülerinden oluşmaktadır. Oluşturulan veri seti ile 12 derin öğrenme modeli eğitilmiştir. En iyi sonuç %87,5 ile Inceptionv3 olurken en iyi ikinci sonuç %86,6 ile geliştirilen SatNet modeli olmuştur. Çoklu nesne tespiti için ise DOTA veri setinde yer alan 14 sınıftan oluşan nesneler ile ilgili tespit uygulaması yapılmıştır. Yapılan test sürecinde elde edilen sonuçlara göre 14 sınıfta yer alan nesnelerin 8'inde en iyi sonuç SatNet ile elde edilirken en iyi ikinci sonucu ise VGG16 ile 4 sınıfta en yüksek başarım elde edilmiştir. Ortalama başarım oranı en yüksek model olarak, geliştirilen SatNet ön plana çıkmaktadır.Deep learning architectures, which offer high performance in computer vision systems, have been widely used recently. The success of deep learning models also paves the way for new studies in the field of computer vision. Detecting objects from high resolution satellite images obtained by remote sensing is a very challenging process in terms of processing, computational load and memory.In this thesis, a new deep learning model (SatNet) has been developed to detect objects in high resolution satellite images. It has been observed that this model achieves more successful results than other models in single and multiple object detection applications. The SatNet deep learning model is seen as a promising and preferable model in studies because it is less than other models in terms of the number of parameters, memory space, processing load and runtime. In this thesis, single and multiple object detection was performed using the SatNet model and 11 deep learning models AlexNet, VGG16, VGG19, GoogleNet, SequezeeNet, ResNet18, ResNet50, ResNet101, Inceptionresnetv2, Inceptionv3, DenseNet201 and SatNet. The dataset for single object detection consists of satellite images obtained via GoogleEarth. 12 deep learning models were trained with the created data set. The best result was Inceptionv3 with 87.5%, while the second best result was the developed SatNet model with 86.6%. For multi-object detection, a detection application was made for objects consisting of 14 classes in the DOTA data set.According to the results obtained during the test process, the best result was obtained with SatNet in 8 of the 14 class objects, while the second best result was obtained with VGG16 in 4 classes. The developed SatNet stands out as the model with the highest average performance.