3B road modelling from satellite images guided by polygonal path chains
Poligonal yol zincirlerinden yararlanarak uydu görüntüleri ile 3B yol modelleme
- Tez No: 904850
- Danışmanlar: DOÇ. DR. MUHAMMED ABDULLAH BÜLBÜL, PROF. DR. MUHAMMED FATİH DEMİRCİ, PROF. DR. GAZİ ERKAN BOSTANCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Etiketleme, Makine öğrenmesi, Labelling, Machine learning
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Uydu görüntülerinden yolların belirlenmesi konusundaki araştırmalar veri yoğunluklu makine öğrenimi yöntemlerindeki gelişmelerle birlikte hız kazanmıştır. Bu duruma erişilebilir veri miktarının artması da katkıda bulunmuştur. Öğrenmeye dayalı yaklaşımlarda karşılaşılan önemli bir zorluk, sistemleri eğitmek için gerekli etiketli verilere ulaşmaktır. Bu çalışmada, istenen herhangi bir konumun uydu görüntüleri üzerinden yolları hızlı bir şekilde etiketlemek için bir yöntem öneriyoruz. Yöntemimiz, OpenStreetMap'ten elde edilen 2B yol bilgisini kullanmaktadır. OpenStreetMap coğrafi olarak konumlandırılmış bilgiler içeren ve insanların katkısıyla oluşturulmuş çevrimiçi bir ortamdır ve burada yollar, kesin şekilleri ya da boyutları olmaksızın kabaca çizgi segmentleri olarak tanımlanmıştır. Bu kaba bilgileri kullanarak, kullanıcıların sunulan uydu görüntüleri üzerinden yol sınırlarını kolayca etiketledikleri basit bir etkileşimli kullanıcı arayüzü öneriyoruz. Sunulan yaklaşım ile farklı yol özelliklerine sahip bölgeler hızlı bir şekilde etiketlenebilir. Etiketledikten sonra makine öğrenmesi algoritmalarına dahil edilip ardından yol belirleme testleri yapılabilir. Bu durum tüm çevrelere uygun tek bir sistem eğitmek yerine daha etkili olabilecek şekilde farklı bölgelere özelleşmiş, ayrı makine öğrenimi sistemlerinin eğitilmesine de olanak tanımaktadır. Elde edilen sonuçlar ile yolların tekrar 3 boyutlu olarak modellenerek iyileştirmek olanak sağlamaktadır. Etiketleme aracımız ile şehirler etiketlenip makine öğrenimine dahil edildikten sonra elde edilen sonuçlarla testler yapılmıştır. Farklı şehirlerin uydu görüntüleri ile yapılan bu testlerin sonuçları alındı. Şehirler kendi veri setleriyle test edildiğinde yol bulmada daha başarılı sonuçlar elde edilmiştir. Üç şehir dikkate alındı ve hepsi önce karma eğitim aldı. Ardından şehirler ikili eğitimleri gerçekleştirildi. Üçüncü şehit ince ayarlandı ve bu eğitim sonuçları üzerinde transfer öğrenmesi yapıldı. Ayrıca eğitim setleri yarıya indirildi ve ince ayar yapıldı. Seçilen şehirlerden Roma'da transfer öğrenme başarı oranı düşük iken, Etlik ve Berkeley şehirlerinde başarı oranı yüksektir ve iterasyon arttıkça bu başarı artmaktadır. Karma testlerde başarısı şehirlerin kendileriyle yapılan testlere göre düşük. onlarla eğitilen ve test edilen sonuçlara göre transfer öğrenme de iyi değil. Ama İkili eğitimler ile yapılan ince ayarda başarı oranı arttı görüldü.
Özet (Çeviri)
Determination of roads from satellite images has gained more research interest after recent advances in data-heavy machine learning methods, which are also accelerated by the increasing amount of available data. A major challenge of learning-based approaches is obtaining labeled data to train systems. In this study, we propose a method to quickly label roads via satellite images of any desired location. Our method leverages 2D road information from OpenStreetMap, an online community-provided resource of geolocation information. In this environment, paths are roughly defined as line segments without their exact shapes and sizes. In systems where roads are given only as line segments, as in OpenStreetMap, we propose a system to obtain real road widths and make 3D modeling accordingly. Using this rough information, we propose a simple interactive user interface where users can easily label road boundaries on presented satellite images. Using our approach, it is possible to quickly label regions with different road characteristics. After labeling, it can be fed into machine learning algorithms and then road determination tests can be performed. Such an approach allows training separate machine learning systems for different regions of the world; this would be advantageous over training a single system to identify all types of paths. With the results obtained, it is possible to model the roads in 3D again to improve them. With our labeling tool, after cities were labeled and included in machine learning, tests were conducted with the results obtained. The results of these tests, which were made with satellite images of different cities, were obtained. When cities were tested with their own data sets, more successful results were obtained in finding roads. Three cities were considered and all were co-educated first. Afterwards, cities dual trainings were held. The third martyr was fine-tuned and transfer learning was performed on these training results. In addition, the training sets were cut in half and fine-tuned. While the success rate of transfer learning is low in Rome from the selected cities, the success rate is high in the cities of Etlik and Berkeley, and this success increases as the iteration increases. In mixed tests, its success is low compared to the tests made with the cities themselves. transfer learning is also not good according to the results trained and tested with them. The success rate of fine-tuning has increased with dual training labels.
Benzer Tezler
- Simülasyon modellerinin doğruluğu üzerine bir araştırma
A research about the accuracy of simulation models
CANAN YEMENİCİOĞLU
Yüksek Lisans
Türkçe
2016
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞİNASİ KAYA
- Deep learning based road segmentation from multi-source and multi-scale data
Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi
OZAN ÖZTÜRK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- Uzaktan algılama ve CBS yöntemleri ile Akgöl (Burdur) sedimanlarının hidromanyezit içeriğinin haritalanması
Mapping the hydromagnesite content of Akgöl (Burdur) sediments using remote sensing and GIS techniques
ABDURRAHMAN CİHAN BAYRAKTAROĞLU
Doktora
Türkçe
2025
Jeoloji MühendisliğiPamukkale ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. HULUSİ KARGI
- Improving the performance of remote sensing-based water budget components across mid- and small- scale basins
Küçük ve orta ölçekli havzalarda uzaktan algılama tabanlı su bütçesi değişkenlerinin iyileştirilmesi
GÖKHAN KAYAN
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ESRA ERTEN
PROF. DR. UMUT TÜRKER
- Görüntü işlemede derin öğrenme tabanlı süper çözünürlük uygulamaları
Deep learning based super resolution applications in image processing
AHENK VURAL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU