Uzaktan algılama görüntülerinde derin öğrenme temelli yaklaşımlar kullanarak nesne tespiti

Uzaktan algılama görüntülerinde nesne tespiti konusu özellikle yeryüzeyine dair alakalı gözlemlerde birçok alanda kendine yer bulmaktadır. Zengin detaya sahip uydu ve hava görüntülerinin elde edilmesiyle beraber insan yapımı birçok nesnenin algılanıp ayırt edilebilmesi mümkün hale gelmiştir. Bununla beraber, değişken nesne ölçekleri ve görünümleri, ayrıca görüntülemeye dair bir takım etkenler bu görevi zorlu bir hale getirmektedir. Öte yandan, derin öğrenme alanında gerçekleşen ilerlemeler ve bunların uzaktan algılama alanına uyarlanması nesne algılama görevinde önemli iyileştirmeler sağlamıştır. Özellikle, konvolüsyonel sinir ağlarının kullanıldığı bölge-tabanlı nesne tespit araçları doğal görüntülerdeki tespit görevlerinde insan başarımını geride bırakmıştır. Bu yapıdaki bir model olan Mask R-CNN verilen görüntüdeki hedef nesneleri maskeleriyle beraber çıkarma kabiliyetindeki en güncel tespit sistemlerinden biridir. Bu tezde, tespit hedefi olarak gemi örneği ele alınarak uydu görüntülerinde yer alan bu sınıftaki nesnelerin tespiti için Mask R-CNN modelinin kullanımı önerilmiştir. Modelin farklı ölçeklerde de yüksek doğrulukta çalışabilmesi için özellik haritalarının yüksek semantik değere sahip üst katmanlarıyla mekansal çözünürlüğü fazla olan alt katmanlarının kaynaştırıldığı özellik piramit ağının kullanımı önerilmiştir. Ayrıca, üretilen yanlış alarmları azaltmak adına modelin negatif örneklemle eğitimi veya kayıp hesabında odak kayıp fonksiyonunun kullanımı önerilmiştir. Bu çalışma kapsamında sunulan öneriler, oluşturulan veri setleri üzerinde değerlendirilmiş ve doğruluk, kesinlik ve F1 skorları açısından gemi tespiti konusundaki en iyi performansı göstermiştir.