8.5 GHz FMCW radarı kullanarak araç, insan ve dron üzerinden oluşturulan menzil doppler haritalarının uzamsal boyutlarda sınıflandırılması

Bu tezde, menzil doppler haritalarına bağlı olarak insan, dron ve araç özelinde nesne sınıflandırma teknikleri araştırılmıştır. Kullanılan makine öğrenmesi ve derin öğrenme modelleri mimarileri, ardışık menzil doppler görüntülerinin uzamsal ve zamansal özellikleri dikkate alınarak belirlenir. Kamuya açık olan RDRD veri seti, önerilen model mimarisini eğitmek ve değerlendirmek için kullanılmıştır. Veri seti, bir 8.5 GHz frekans modüleli sürekli dalga radarı kullanılarak toplanmış; insan, araç ve dron gibi farklı hedef türlerine ait menzil doppler görüntülerini içermektedir. Belirli bir yol boyunca seyahat eden araç, dron ve insan için belirli sinyal işleme adımlarından geçirilerek elde edilen bu görüntüler, her sınıf için ardışık şekilde bir araya getirilerek bir görüntü yığını oluşturulmuştur. Söz konusu veri seti içindeki görüntülerin işlenmesi için, makine öğrenme ve derin öğrenme yöntemlerini içeren birkaç görüntü sınıflandırma tekniği vardır. Bu kapsamda, makine öğrenmesi tabanlı Rastgele Orman (RF) ve Aşırı Gradyan Artırmalı Öğrenme (XGB) algoritmalarının yanı sıra, derin öğrenmeye dayalı 2 Boyutlu Evrişimli Sinir Ağı (2D CNN) ve Görsel Dönüştürücü (ViT) mimarileri de karşılaştırmalı olarak değerlendirilmiştir. Bu mimariler özelinde, bahsedilen üç ayrı hedef için RF mimarisi test veri setinde %91,45, XGB yöntemi %92,54, özelleştirilmiş 2D CNN modeli %94,34 ve ViT mimarisi test veri seti üzerinde %93,19 oranında sınıflandırma doğruluğu sağlamıştır.