Derin öğrenme uygulamaları için oyun motorları ile sentetik veri üretme

Bu tezde drone tespiti derin öğrenme modellerinin eğitiminde kullanmak üzere etiketli sentetik veri üretmeyi amaçlayan bir yöntem sunuyoruz. Modern derin öğrenme metodları obje tespiti problemlerin oldukça başarılı performans sağlamakta ve gün geçtikçe gelişen derin öğrenme mimarileri sayesinde bu performans daha da artmaktadır. Bu gelişimin önündeki en büyük engel ise derin öğrenme yöntemlerinin başarılı olabilmesi için yüksek miktarda etiketli veriye olan ihtiyacıdır. Erişime açık veri setleri genellikle yeterli miktarda veri içermemekte, hatalı etiketlere ve yanlış eğilimlere sahip olmaktadır. Veri setleri geleneksel olarak insanlar tarafından manuel olarak yapılmaktadır. İnsan eliyle yapılan bu işlem oldukça zaman alıcı ve insan hatasına açık olmaktadır.Bu yüzden alan spesifik veri setlerini bulmak oldukça zor olmakla birlikte bazı problemlere ait veri setlerine ulaşmak neredeyse imkansızdır. Veri sıkıntısının olduğu alanlardan biri de drone tespitidir. Gelişen drone teknolojisi ve azalan donanım amliyetlerinden dolayı dronelar gün geçtikçe yaygınlaşmaktadır. Popüler olarak kullanılan bu cihazlar güvenlik ve gizlilik problemlerine yol açmakta bu yüzden bu objelerin tespiti büyük önem kazanmaktadır. Dronelar yapısı gereği her ortamda bulunabileceğinden dolayı küçük veya düşük görünürülükteki droneları tespit edecek bir model eğitmek için tüm şartları kapsayan, yüksek veri miktarına ve çeşidine sahip bir veri setine ihtiyaç duyulmaktadır. Bu çalışmada drone tespitindeki bu veri sıkıntısını çözmek için oyun motorlarıyla sentetik veri üretebilecek bir yöntem sunulmaktadır. Oluşturulan yöntem iki boyutlu arkaplanlar ve üç boyutlu drone modellerini kullanarak randomize bir şekilde eğitime hazır, etiketli görüntüler oluşturabilmektedir. Bu tez kapsamında oluşturulan sentetik verileri optimize etmek için bir ablasyon çalışması yapılmış, gerçek veri performansı ile karşılaştırmak için ise bir takım eğitimler gerçekleştirilmiştir. Geliştirilen yöntem hızlı bir şekilde foto realistik etiketli sentetik görüntüler üretebilmekte olup, bu veri setleri ile eğitilen modeller gerçek veri ile eğitilen modellere yakın performans sergilemekte, gerçek veri ile birlikte kullanıldığında ise gerçek modelin performansını arttırmaktadır.