Derin öğrenme ile farklı veri kaynaklarından elde edilen görüntülerden bina tespiti

Uzaktan algılama teknolojilerindeki hızlı gelişmeler ve yüksek çözünürlüklü uydu görüntüleri ile hava araçlarının yaygınlaşması, kentsel alanlarda bina tespiti gibi uygulamaları daha etkin hale getirmiştir. Derin öğrenme yöntemleri, bu süreçte geleneksel yöntemlere kıyasla daha hızlı, hassas ve ölçeklenebilir çözümler sunarak şehir planlaması, afet yönetimi ve çevresel analizler gibi alanlarda kritik bir rol üstlenmiştir. Bu tez çalışmasında, nesne tespiti problemleri için yaygın olarak kullanılan YOLO (Sadece Bir Kez Bak) algoritmasının iki farklı sürümü olan YOLOv8m ve YOLOv11m ile Mask-RCNN (Bölge Tabanlı Evrişimsel Sinir Ağının Maskelenmesi) algoritmaları, iki farklı veri kaynağından (Harita Genel Müdürlüğü ortofotosu ve WorldView03 uydu görüntüsü) elde edilen görüntüler üzerinde bina tespiti çalışması için test edilmiştir. YOLO algoritmaları Google Colab ortamında, Mask-RCNN algoritması ise ArcGIS Pro uygulamasında değerlendirilmiştir. Sonuç olarak, YOLO ve Mask-RCNN algoritmalarının bina tespiti alanındaki potansiyeli ortaya konulmuş ve bu çalışmanın, uzaktan algılama teknolojileri ile yapay zeka tabanlı çözümlerin entegrasyonuna katkı sunması hedeflenmiştir.