Tez No	İndirme	Tez Künye	Durumu
786063		Bir örnekle öğrenme yaklaşımı kullanılarak çatı tipi sınıflandırması / Roof type classification using one-shot learning approach Yazar:NAİM ÖLÇER Danışman: DOÇ. DR. EMRE SÜMER Yer Bilgisi: Başkent Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji = Science and Technology ; Mühendislik Bilimleri = Engineering Sciences Dizin:	Onaylandı Doktora Türkçe 2023 67 s.
Son zamanlarda, Evrişimsel Sinir Ağları tabanlı metotlar uzaydan çekilmiş görüntüler üzerinde çatı tipi sınıflandırması yapmak için sıkça kullanılmaktadır. Bu metotlar ile yapılan sınıflandırma işlemlerinde en önemli sorun ilgili metotların çok fazla sayıda eğitim verisine ihtiyaç duymasıdır. İnsanların bir nesneyi tanıması için genelde bir veya birkaç örnek yeterlidir. Bir örnekle öğrenme yaklaşımı da aynı insan beyni gibi yalnızca bir veya birkaç eğitim örneğinden nesne kategorileri hakkında bilgi edinmeyi amaçlamaktadır. Bu metot, çok büyük miktarda veri kullanmak yerine her bir sınıf için yalnızca birkaç adet örnek kullanılarak öğrenme sağlayan bir yaklaşımdır. Bu çalışmada, Siyam Sinir Ağları modelini temel alan bir örnekle öğrenme yaklaşımı kullanılarak eğitim için az sayıda örnek ile çatı tipi sınıflandırması yapılmıştır. Eğitim için kullanılan resimler çatı verisi bulma zorluğu nedeniyle yapay olarak üretilmiştir. Test için de gerçek çatı resimlerinden oluşan iki farklı veri kümesi kullanılmıştır. Test ve eğitim veri kümeleri Teras (Flat), Beşik (Gable) ve Kırma (Hip) olmak üzere 3 farklı çatı tipinden oluşmaktadır. Yapay olarak üretilen resimlerle eğitilen Siyam Sinir Ağı modelinin ilk veri kümesine ait çatı resimleri ile test edilmesi sonucunda ortalama %66'lık bir sınıflandırma başarımı sağlanırken ikinci veri kümesi ile bu oran %85 olarak hesaplanmıştır. Aynı veriler Evrişimsel Sinir Ağları ve Destek Vektör Makineleri ile de test edilmiş, en yüksek başarımın Siyam Sinir Ağı modeli ile elde edildiği görülmüştür.
Recently, Convolutional Neural Network-based methods have been used frequently for roof-type classification on images taken from space. The most important problem with classification processes using these methods is that they require a large amount of training data. Usually, one or a few samples are enough for a human to recognise an object. Like the human brain, the One-Shot Learning approach aims to learn object categories with just one or a few training examples per class, rather than using huge amounts of data. In this study, roof-type classification was carried out with a few training examples using the one-time learning approach and the so-called Siamese Neural Network method. The images used for training were artificially produced due to the difficulty of finding roof data. Two different data sets consisting of real roof pictures were used for the test. The test and training data set consisted of three different roof types: Flat, Gable and Hip. Finally, the Siamese Neural Network model, which was trained with artificially produced pictures, achieved an average classification performance of 66% as a result of testing with real roof pictures. With the other data set prepared, a classification success of 85% was achieved. The same data were also tested with Convolutional Neural Networks and Support Vector Machines, and it was found that the highest success was achieved with the Siamese Neural Network model.