Tez No	İndirme	Tez Künye	Durumu
619958		Görüntü tabanlı otomatik yol tespiti ve modellenmesi / Image based automatic road detection and modeling Yazar:FEVZİ Danışman: DOÇ. DR. UĞUR AVDAN Yer Bilgisi: ESKİŞEHİR TEKNİK ÜNİVERSİTESİ / LİSANSÜSTÜ EĞİTİM ENSTİTÜSÜ / UZAKTAN ALGILAMA VE COĞRAFİ BİLGİ SİSTEMLERİ ANABİLİM DALI Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Jeodezi ve Fotogrametri = Geodesy and Photogrammetry Anahtar Kelime:	Onaylandı Doktora Türkçe 2020 181 s.
Gelişen teknoloji ile birlikte bireyler artık sadece bilgi tüketen değil aynı zamanda bilgi üreten kullanıcılar haline gelmişlerdir. Bu durum özellikle açık kaynak birçok proje için temel bilgi kaynağını oluşturmaktadır. OpenStreetMap (OSM) ve OpenAerialMap (OAM) bu bakış açısıyla oluşturulmuş ve oldukça yaygın olan projelerdendir. OSM dünyaya ait özgür bir harita üretmek amacıyla ortaya çıkan bir projedir. OAM ise dünyaya ait yüksek çözünürlüklü uydu ve hava görüntülerini depolayan ve paylaşan bir platformdur. Diğer yandan özellikle 2000'li yıllardan sonra hızla gelişen ve fiyatları düşen bilgisayar teknolojileri ile birlikte makine öğrenmesi ve yapay sinir ağı alanlarında (YSA) önemli gelişmeler ve ilerlemeler kaydedilmiştir. Özellikle derin öğrenme ve evrişimsel sinir ağları ile birlikte görüntü işleme yöntemlerindeki klasik programlama mantığı tamamen değişmiştir. Makine öğrenmesinin ve derin sinir ağlarının başarısını etkileyen en önemli faktörlerden birisi sistemin eğitilmesi için girdi olarak kullanılacak yeterli miktarda verinin temin edilmesidir. Bu çalışma kapsamında OAM'den elde edilen uzaktan algılama görüntüleri ve OSM'den elde edilen vektörel bilgi kullanılarak denetimli sınıflandırma için bir veri seti oluşturulmuştur. Bu veri seti, anlamsal bölütleme tekniği kullanılarak yol ağlarının tespitini amaçlayan modeli eğitmek ve test etmek için kullanılmıştır. Çalışmada özelleştirilmiş tam evrişimsel ağ (TEA), SegNet ve PSPNet gibi farklı modeller kullanılmış ve sonuçlar karşılaştırmalı olarak verilmiştir. Değerlendirme sonuçlarına göre en başarılı sonuçlar TEA modeli ile elde edilmiştir. Bu modelin piksel doğruluğu 0.7102, kesinlik değeri 0.7826, hassasiyet değeri 0.7949 ve F1 skoru 0.7887 olarak hesaplanmıştır. Anahtar Sözcükler: Yol ağı tespiti, Evrişimli sinir ağları, Anlamsal bölütleme, Openstreetmap, Openaerialmap
With the developing technology, individuals have become users who are not only consuming but also producing information. This is particularly the main source of information for many open source projects. OpenStreetMap (OSM) and OpenAerialMap (OAM) are very common projects created with this perspective. OSM is a project that has emerged to produce a free world map. OAM is a platform for storing and sharing high resolution satellite and aerial imagery of the world. On the other hand, significant developments and progress have been made in machine learning and artificial neural network (ANN) areas, especially with the rapid developing and cheaper prices of computer technologies after the 2000s. The concept of classical programming, especially in deep learning and convolutional neural networks, has completely changed. One of the most important factors affecting the success of machine learning and deep neural networks is the provision of sufficient data to be used as input for training the system. In this study, a data set for supervised classification was created by using high resolution aerial images obtained from OAM and vector information obtained from OSM. This data set was used to train and test the model for the detection of road networks using semantic segmentation technique. Different models such as customized fully convolutional network (FCN), SegNet and PSPNet were used in the study and the results obtained are given comparatively. According to the evaluation results, the most successful results were obtained with the FCN. The pixel accuracy of this model is 0.7102, the recall value is 0.7826, the precision value is 0.7949 and the F1 score is 0.7887. Keywords: Road network detection, Convolutional neural networks, Semantic Segmentation, Openstreetmap, Openaerialmap