Derin öğrenme ile İHA görüntülerinden nesne tespitinin yapılması

Günümüzde insansız hava araçlarından alınan görüntüler askeri ve ticari alanlar başta olmak üzere tarım, güvenlik, keşif alanlarında ve daha birçok alanda yaygın olarak kullanılmaktadır. Son yıllarda, yapay zekâ teknolojilerinin gelişimi ile birlikte görüntülerdeki nesne tespiti, doğru ve hızlı bir şekilde yapılabilmektedir. İnsansız hava araçlarında en çok tespit edilen nesne türleri, hareket eden nesneler ve araç görüntüleridir. Araç tespiti, askeri operasyonlarda tespit edilen hedefin takip edilip koordinatlarının öğrenilmesinde, üstü açık bir otoparktaki araç yoğunluğunun belirlenip otoparka gelen araçların boş yerlere yönlendirilmesinde, bir kavşaktaki trafik yoğunluğunun hesaplanmasında yaygın olarak kullanılmaktadır. Son yıllarda, derin öğrenme mimarilerinin gelişimi ile birlikte bir derin öğrenme mimarisi olan evrişimsel sinir ağları kullanılarak fotoğraf ve video görüntüleri üzerinden nesne tespiti, hızlı ve doğru bir şekilde yapılabilmektedir. Google tarafından geliştirilen ve bir derin öğrenme kütüphanesi olan Tensorflow kütüphanesindeki Faster R-CNN, Mask R-CNN gibi popüler modeller ile nesne tespitinde başarılı sonuçların alınabildiği gösterilmiştir. Evrişimsel sinir ağları temelinde oluşturulan nesne tespitine yönelik modeller, belli bir eğitim sürecinden geçtikten sonra test aşamasında önce nesne tahmini yapar ve daha sonra belirlenmiş nesneyi bir çerçeve içine alarak nesneyi tespit eder. Bununla birlikte daha ileri düzeydeki modeller, tespit edilen nesneyi ayrıca renklendirerek görüntünün arka plan dokusundan ayrılmasını sağlar. Mask R-CNN, örnek bölütleme özelliği sayesinde, bir görüntüde bulunan tek bir kategoriye ait birden fazla görüntüyü farklı renkler ile renklendirerek diğer algoritmalardan ayrılmaktadır. Diğer yandan YOLO yapısı ise görüntüye tek bir sinir ağı uygulayarak nesne tespit etmedeki hızı ile ön plana çıkmaktadır. Bu çalışma ile araç tespiti, birer derin öğrenme modeli olan YOLO ve Mask R-CNN modeli ile yapılmış olup bahsi geçen çözümler örnek veriler üzerinde kıyaslama (benchmark) testlerine tabi tutularak en etkili çözümün ortaya konulması amaçlanmıştır. Modellerin eğitiminde görüntüler, insansız hava aracı kullanılarak farklı yükseklik ve lokasyonlardan alınmıştır.