3 boyutlu nokta bulutlarının sınıflandırılması için derin öğrenme yaklaşımı geliştirilmesi

3B nokta bulutu sınıflandırması, nokta bulutu işlemenin temel adımıdır ve sınıflandırma sonuçlarına bağlı olarak sonraki işlemlerin gerçekleştirildiği bir temel görevi görür. Son yıllarda 3B nokta bulutu verilerinin hacminin artmasıyla, 3B nokta bulutu sınıflandırmasında otomasyon ihtiyacı önemli ölçüde artmıştır. Otomasyon, hataların azaltılması, ek maliyetlerin ortadan kaldırılması ve daha sağlam işlem süreçlerinin sağlanması için gereklidir. Sonuç olarak, 3B nokta bulutu sınıflandırmasının otomatikleştirilmesi hem bir gereklilik hem de aktif bir araştırma alanı haline gelmiştir. Son on yılda, makine öğrenimi yaklaşımları neredeyse her bilim ve mühendislik alanında popülerlik kazanmıştır. Benzer şekilde, 3B nokta bulutu işlemleri de makine öğrenimi yöntemlerini benimsemiştir. Son yıllarda, 3B nokta bulutu sınıflandırması üzerine yapılan çalışmalar büyük ölçüde makine öğrenimi modellerine odaklanmıştır. Bu modeller arasında, makine öğreniminin bir alt dalı olan yapay sinir ağları, özellikle derin öğrenme modelleri, öne çıkmıştır. Bu tezde, öncelikle son teknoloji ürünü bir makine öğrenimi sınıflandırıcısı kullanılarak 3B nokta bulutu sınıflandırması gerçekleştirilmiştir. Ardından, manuel olarak çıkarılan özellik setleri derin öğrenme modellerine entegre edilmiş ve bu özellikleri doğrudan modele beslemek yerine işlemek için ek bir sinir ağı katmanı tasarlanmıştır. Son olarak, daha fazla bağlamsal bilgiyi yakalamak ve sonuçları daha da iyileştirmek için bir global özellik toplama modülü önerilmiştir. Bu üç yöntem, ISPRS3D, Paris-Rue-Cassette, Paris-Rue-Madame, H3D ve Toronto3D gibi birkaç 3B nokta bulutu veri seti üzerinde eğitilmiş ve test edilmiştir. Bu veri setleri, halka açık ve daha önceki çalışmalarda karşılaştırma veri seti olarak kullanılmıştır. Veri setleri, farklı özelliklere sahiptir; bunlardan üçü mobil haritalama sistemleri kullanılarak, biri hava tabanlı lazer tarayıcı kullanılarak, diğeri ise insansız hava aracı tabanlı lazer sistemi ile toplanmıştır. Veri setleri, nokta yoğunlukları ve sınıf sayıları açısından farklılık göstermektedir. Önerilen modellerden elde edilen sonuçlara göre, tüm yöntemler %80'in üzerinde genel doğruluğa ulaşmıştır. Özellikle, makine öğrenimi modeli, derin öğrenme tabanlı yöntemlerle bile rekabet edebilecek derecede umut verici sonuçlar vermiştir. Derin öğrenme yöntemleri sınıflandırma metriklerini iyileştirmiş olmasına rağmen, tatmin edici sonuçlar yalnızca büyük ölçekli veri setlerinde elde edilmiştir. Daha fazla iyileştirme ile her iki derin öğrenme modelinin de önemli ilerlemeler kaydetme potansiyeline sahip olduğu, güncel literatürde belirtilmektedir.