Sualtı objelerinin sınıflandırılmasında yeni bir yaklaşım olarak matematiksel dönüşüm ve derin öğrenme yöntemlerinin uygulanması

Sound Navigation and Ranging (Sonar), ses dalgalarını kullanarak nesnelere ait boyut, uzaklık, yön ve diğer bilgilerin tespit edilmesi için kullanılan bir sistemdir. Denizaltı petrol aramalarında, deniz tabanı haritalamalarında, balık sürülerinin takibinde, batıkların ve enkazların tespitlerinde ve en önemlisi mayınların, mayınlara şekil ve yapı olarak çok benzeyen kayalar gibi diğer nesnelerin tespitlerinde yaygın olarak kullanılmaktadır. Sonar sinyallerinin tanımlanması ve sınıflandırılması için kullanılması gereken öznitelik çıkarımı, en uygun algoritmaların seçimi ve bu algoritmaların hiperparametre optimizasyonu çalışmaları üzerinde uzun yıllardan beri çalışılan bilimsel problemler olarak karşımıza çıkmaktadır. Bu çalışmada, klasik makine öğrenimi algoritmaları ve öznitelik çıkarma süreçleri yerine, yenilikçi bir yaklaşımla Gramian Açısal Alan (GAA, GATA, GAFA), Markov Geçiş Alanı (MGA) ve Tekrarlanma Grafiği (TG) olmak üzere üç farklı matematiksel dönüşüm yönteminin kullanılması ile tek boyutlu sonar verisinin görüntü formatında temsili önerilmiştir. Verinin görüntü formatında temsil edilmesi sayesinde klasik makine öğrenme algoritmaları yerine Evrişimli Sinir Ağı (ESA) Algoritmaları kullanılmasına imkân sağlanmıştır. Önerilen yenilikçi yöntem kapsamında, matematiksel dönüşümler kullanılarak elde edilen iki boyutlu görüntülerin oluşturduğu yeni veri seti ile başarım artırma teknikleri ve farklı evrişimli sinir ağı mimarileri kullanılarak oluşturulan dört farklı modelin başarımı test edilmiştir. Başarım artırımı için verilerde; Tekil Değer Ayrışımı (TDA) ile veriye ait en dikkat çekici özelliklerin bulunması ve Görüntü Birleştirme yöntemleri ile üç farklı dönüşüm yönteminden elde edilen görüntülerin tek bir görüntünün üç kanalına (KYM) verilmesi ile daha fazla özelliğe sahip yeni verilerin elde edilmesi sağlanmıştır. Üretilen modellerin performans sonuçları, literatürde incelenen aynı veri seti ile yapılan diğer çalışmalar ve bu çalışmada verinin temsilinin değiştirilmesinden önce çalışılan klasik algoritmalar ile elde edilen sonuçlar bilinen metrikler kullanılarak karşılaştırılmıştır. Bu sonuçlar ışığında, önerilen yenilikçi yaklaşımın, literatürde incelenen aynı veri seti ile yapılmış çalışmalar arasında tespit edilen en iyi sonuçları verdiği belirlenmiştir.