Tez No	İndirme	Tez Künye	Durumu
705854		Uydu görüntüleri / hava fotoğrafları kullanarak arazi sınıflandırma çalışması / Study about land cover/use classification by using satellite and aerial images Yazar:ÖZLEM ŞEN Danışman: DOÇ. DR. HACER YALIM KELEŞ Yer Bilgisi: Ankara Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Arazi sınıflandırması = Land classification ; Derin öğrenme = Deep learning	Onaylandı Doktora Türkçe 2021 127 s.
Derin ağlar ve görüntü işleme teknikleri kullanarak, arazi örtüsü ve arazinin kullanım şeklinin sınıflandırılmasına ilişkin yürütülen bu çalışma kapsamında, iki hipotez sunulmuş ve deneyler yapılmıştır. İlk hipotez, evrişimsel ağların sınıflandırma başarımı ile model karmaşıklığı arasındaki bağlantıya ilişkindir. Tez kapsamında derin ağlar ile model eğitimi yapılmıştır. Model başarımları literatürdeki örneklerle karşılaştırılmıştır. Model başarımına ilişkin genelleştirme kapasitelerinin farklı veri kümeleri kullanarak ölçülmesi gerekliliğine dair bir öneri sunulmuştur İkinci hipotez ise, hiyerarşik bir sınıflandırma yapısının modellerin sınıflandırma başarısına etkisine ilişkindir. Hiyerarşik bir sınıflandırma sistemi kurulmuş ve deneylerle test edilmiştir. İlk grup deneylerde; derin evrişimsel ağlarda, modelin evrişimsel katman sayısını çoğaltmak ya da birden fazla model kullanmak yoluyla hesaplama karmaşıklığını artırmak gibi işlemlerin sınıflandırma başarımına etkisi araştırılmıştır. Bu hipotez kapsamında eğitilen model ile literatürdeki diğer çalışmalara yakın bir sonuç elde edilmiştir. Buna ilave olarak geliştirilen modelin genelleştirme yetenekleri farklı veri kümelerinden örnekler test verisi olarak kullanılarak değerlendirilmiştir. Bu yöntemle değerlendirmenin gerekliliği kapsamlı deneysel değerlendirmelerle gösterilmiştir. İkinci grup deneylerde ise hiyerarşik yapının sınıflandırma performansına yapacağı katkı incelenmiştir. Bu bağlamda, hiyerarşik yapıdaki katmanlardan kaynaklanan koşullu olasılık ve biriken hata oranları irdelenmiş, sonuçlar deneysel çalışmalarla desteklenmiştir. Her bir hiyerarşik aşamanın sınıflandırılması esnasında oluşan hataların birikmesi sebebiyle, bu yapının performansta kayda değer bir iyileştirme getirmediği tespit edilmiştir. Bununla birlikte, farklı hiyerarşik katmanlardaki modeller ayrı/bağımsız olarak değerlendirildiğinde model performanslarında kayda değer artışlar gözlemlenmektedir.
In the scope of this study, which is about land cover and land use classification by using deep neural networks and image processing techniques, two hypotheses are conducted and tested experimentally. The first hypothesis concerns the correlation between the classification performance of convolutional neural networks and model complexity. In this context, relatively simpler deep models are trained, and accuracy results of these models are compared with the similar studies in the literature. In this scope, we suggested using different datasets in regard to evaluate the generalization capabilities of the trained models. The second hypothesis is based on the effect of the hierarchical classification structure on the model performances. A hierarchical classification system is established and tested with extensive experiments. In the first group of experiments, the effect of operations such as increasing the number of convolutional layers or increasing the computational complexity by using more than one model on the classification performance is tested. The results of the model trained in the scope of the first hypothesis is close to the state-of-the-art models. In addition, the generalization capabilities of the trained model are evaluated using images of other datasets as test set. We showed the essence of such evaluation with extensive empirical evaluations. In the second group of experiments, the contribution of using a hierarchical structure to classification accuracy is examined. In this context, the conditional probability, and accumulated errors between the two cascaded layers are examined and obtained results are supported with empirical results. We observed that this structure does not bring a significant improvement in performance due to the accumulation of errors between cascaded hierarchical stages. However, the performances of the models in different semantic layers are higher when they are used separately.