Uzaktan algılanmış görüntülerde mask R-CNN kullanımı

Çeşitli uzaktan algılama uyduları sayesinde günümüzde çok yüksek miktarda veri elde edilmektedir. Çok yüksek uzamsal çözünürlüklü uzaktan algılanmış verilerin yanında Sentinel gibi ücretsiz verilere erişmekte mümkün olmaktadır. Bu kadar büyük hacimli ve karmaşık yer yüzü detaylarına sahip uzaktan algılanmış görüntülerinin sınıflandırılması geleneksel yöntemlerle oldukça zordur. Mask R-CNN gibi hızlı derin öğrenme modelleri bir kere yüksek miktarda eğitim verisiyle eğitilerek farklı bölgelere ait görüntülerin saniyeler içerisinde sınıflandırılmasına imkân sağlayabilmektedir. Bu çalışmada en yeni evrişimli sinir ağı modellerinden biri olan Mask R-CNN kullanılarak Sentinel-2 ve Worldview-3 uydu görüntüleri üzerinde sınıflandırma çalışmaları yapılmıştır. Veri seti oluşturmak için toplamda 1515 görüntü, 18811 adet etiket oluşturulmuştur. Oluşturulan veri setleri üzerinde iki farklı senaryo gerçekleştirilmiştir. Bu senaryolardan ilkinde Sentinel-2 uydu görüntüleri kullanılarak bölge tespiti yapılmıştır. Sentinel-2 uydu görüntüsünde yapılaşma alanları tespit edilirken ResNet101 ve ResNet50 ağ mimarileri kullanılmıştır. Bu oluşturulan modellerden sırasıyla %81, %79 doğruluk elde edilmiştir. Sentinel-2 uydu görüntüsü üzerinden arazi örtüsü sınıflandırması amacıyla beş sınıf etiketli veri seti oluşturulmuş ve bunun sonucunda %74 doğruluk elde edilmiştir. İkinci senaryoda ise Worldview-3 uydu görüntüleri kullanılarak bina tespiti yapılmıştır ve %83 doğruluk elde edilmiştir. Elde edilen sonuçlar Mask R CNN ile uydu görüntülerinin sınıflandırılmasında başarı ile kullanılabileceğini göstermektedir. Bu yöntemin uydu görüntülerinde kullanımı anlık sınıflandırmaya imkân sağladığından önem taşımaktadır.