Tez No	İndirme	Tez Künye	Durumu
807122		Terrain classification by using hyperspectral and LiDAR data / Hiperspektral ve LiDAR verisi ile arazi sınıflandırması Yazar:ALİ GÖKALP PEKER Danışman: PROF. DR. YASEMİN YARDIMCI ÇETİN ; DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Enformatik Enstitüsü / Bilişim Sistemleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji = Science and Technology ; Yönetim Bilişim Sistemleri = Management Information Systems Dizin:	Onaylandı Doktora İngilizce 2023 109 s.
Çoklu sensör verilerinin etkili bir şekilde modellenmesi, uzaktan algılamada son teknolojinin geliştirilmesine yönelik önemli bir araştırma yönüdür. Bu tezde, makine öğrenimi tabanlı sınıflandırma işlem hatlarından başlayarak bu konuyu ele alıyor, hiperspektral ve LiDAR verileri için sensör tabanlı model özelleşmesine ihtiyaç duymayan derin öğrenme tabanlı bir arazi sınıflandırma çerçevesi, uzamsal ve spektral örüntüler için yeni bir bileşen öneriyoruz. Bu çerçeve, mevcut sınıflandırma yöntemlerinden daha iyi performans gösterebilen modellere olanak sağlamaktadır. Derin öğrenme modelleri gölgelerle kaplı bölgelerde hala önemli zorluklarla karşılaşmaktadır. Bu sorunu ele almak için bu tez, çekişmeli üretici ağlara ve geçişli örneklem dönüşümlerini ve ikilemlerdeki ilişkili örneklerle birleştiren yeni bir kayıp fonksiyonuna dayanan bir veri üretim yaklaşımı önermektedir. Bu yeni kayıp fonksiyonu, bina veya bulut gölgeleri altındaki bölgeler için sentetik örneklerin oluşturulmasını sağlayarak modellerin bu tür bölgeleri tanıma performansını artırmaktadır. Nitel ve nicel değerlendirmeler, önerilen metodolojilerin çoklu sensör verilerini birleştirebilen modeller oluşturmak için kullanılabileceğini ve gölgeli bölgeler altında sınıflandırma sonuçlarını iyileştirdiğini göstermektedir.
Effective modeling of multiple sensor data is an important research direction towards improving the state-of-the-art in remote sensing. In this thesis, we address this issue starting from machine learning-based classification pipelines and propose a deep learning-based terrain classification framework for hyperspectral and LiDAR data that does not require sensor-based model specialization with a new building block for detecting spatial and spectral patterns. This framework enables models that can outperform existing classification methods. Deep learning models still encounter significant difficulties in regions covered with shadows. To address this issue, this study proposes a data augmentation approach based on generative adversarial networks (GANs) and a novel loss function that combines the transitive style transformations and unpaired matchings with correlated samples. This novel loss function leads generation of synthetic samples for regions masked by building or cloud shadows, thereby boosting the performance of deep networks in recognizing such regions. Qualitative and quantitative evaluations show that the proposed methodologies can be used to build models that can fuse multi-sensor data and improve classification results under shadowed regions.