LEE- Bilişim Uygulamaları-Yüksek Lisans
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 2 / 2
-
ÖgeReduced dimensional features for object recognition(Institute of Informatics, 2018-07-27)Object recognition is one of the substantial problems of computer vision area. Traditional solutions consist of feature based object recognition techniques. Hence, there are many studies which are proposed feature detection and description methods. Object recognition can be performed with high accuracy thanks to these robust features. However, these features suffer from their high dimensional structure, in other words "curse of dimensionality". Hence, dimensionality reduction of the feature vectors is quite studied and methods that reduce computational load are proposed, in the literature. In this thesis, dimensionality reduction of visual features using autoencoders is proposed. And, the effect of dimensionality reduction of visual features are investigated on object recognition task. For this purpose, three well-known feature vectors are selected which are Histogram of Oriented Gradients (HOG), Scale Invariant Feature Transform (SIFT) and Speeded-Up Robust Features (SURF). To conduct experiments, three subsets of Caltech-256 dataset images are designed and HOG, SIFT and SURF feature vectors are obtained from these subsets. Dimensionality of these feature vectors are reduced to half using autoencoders. Then, object recognition is tested with original and reduced dimensional vectors with three different distance measures. Autoencoders which are unsupervised neural network algorithms, are selected for dimensionality reduction of feature vectors since autoencoders can capture nonlinear relationship in data, provide trained model for new inputs and do not need labels. Also, Principal Component Analysis (PCA) is used for dimensionality reduction of these feature vectors for comparison, since PCA is commonly used for dimensionality reduction of these vectors in the literature. Moreover, experiments using the proposed method and PCA, are repeated on images with noise and results are reported. The results show that object recognition accuracies are improved owing to dimensionality reduction. This shows that unnecessary features and noise are eliminated by dimensionality reduction. In addition to this, dimensionality reduction provides memory and time efficiency.
-
ÖgeUydu görüntüleri ve yardımcı veri entegrasyonu ile ilçe bazında yerleşim alanlarının zamansal analizi: Esenyurt ilçesi örneği(Lisansüstü Eğitim Enstitüsü, 2023)İstanbul, ülke tarihi boyunca en fazla nüfusun yaşadığı il olma özelliğini taşımaktadır. Önceleri ilçe merkezlerinde yaşayan halk, nüfus yoğunluğunun artmasıyla kent çeperlerine doğru yayılmaya başlamıştır. Bu durumun sonucu olarak yeni yerleşim alanları ve idari yapılar ortaya çıkmıştır. Esenyurt ilçesi, çeperde yaşanan kentleşme sürecinin en açık örneklerindendir. 16. yüzyıldan 19. yüzyıla kadar çiftlik yerleşkesi konumunda olan Esenyurt, Büyükçekmece'ye bağlandıktan sonra kentleşme süreci başlamıştır. 1972 yılında Büyük İstanbul Nazım İmar Planı'na dahil olmasıyla kentleşme hızı artmaya başlamıştır. 1987 yılında ise 6 mahalleye ayrılarak idari bir birim olarak belde belediyesi kurulmuştur. 2000'li yılların başında hem nüfus hem de yapılaşma süreci hızlanarak 2008 yılında günümüz ilçe sınırlarına ulaşmıştır. Esenyurt, ulusal ve uluslararası birçok farklı kültürün bir arada yaşadığı bir bölge haline gelmiştir. Bu durum kentsel alanların değişmesine farklılaşmasına neden olmuştur. İlçe sınırlarındaki sanayi alanlarının artışı ve ulaşım olanaklarının gelişmesi nüfusun kısa zamanda çok fazla artmasına sebep olmuştur. Bahsi geçen nedenlerle doğal, sosyal, ekonomik ve yapılaşmış çevrelerde birçok problem yaşanmaya ve yapılan planlama çalışmaları yetersiz kalmaya başlamıştır. Plan yapım çalışmalarına başlanmadan çalışma alanının yeterli düzeyde analiz edilmesi büyük önem taşımaktadır. Esenyurt ilçesinin kısa zamanda gösterdiği yoğun değişim ve dönüşümün tespiti gelecek plan çalışmalarında ve ilçeye ilişkin yapılacak diğer çalışmalarda önemlidir. Kentsel genişlemenin izlenmesi için geçirimsiz yüzeylerin belirlenmesi, arazi kaynaklarının sürdürülebilir yönetimi ve çevrenin korunması için önemlidir. Uzaktan algılama, kentsel arazi kullanımı/arazi örtüsü (AK/AÖ) haritalaması için önemli bir veri kaynağı sağlamakta ve bu veriler farklı amaçlarla kullanılmak üzere çeşitli tekniklerle analiz edilmektedir. Amaç gerekli bilgiyi hızlı ve kolay bir şekilde elde etmek ise, spektral indekslerin kullanılması en uygun çözüm olarak ortaya çıkmaktadır. Bu amaçla dünya yüzeyindeki farklı arazi örtü türlerinin ayırt edilerek arazi kullanım haritalarının oluşturulabilmesi için birçok indeks oluşturulmuştur. Çalışmanın temel amacı, kentleşme problemlerini en üst düzeyde yaşayan İstanbul'un en kalabalık ilçesi olan Esenyurt'un zamansal AK/AÖ değişimini uzaktan algılama uydu görüntüleri ile belirlemektir. Bu amaç doğrultusunda Google Earth Engine (GEE) platformunda Landsat 5 TM, Landsat 8 OLI ve Sentinel 2 MSI görüntüleri kullanılmış, sınıflandırma ve indeks uygulamaları yapılmıştır. İlçenin görsel olarak değişimini incelemek ve yapılacak sınıflandırmada kullanmak amacıyla Landsat uydu görüntüsü arşivi incelenmiştir. En eski tarihli uydu görüntüsü Landsat MSS 1972 yılına ait olup, 1985 ile 1990 yıllarına ait görüntülerle karşılaştırılarak kentleşme süreci görsel olarak incelenmiş ve doğal çevrede başlayan azalmalar tespit edilmiştir. Geçmiş tarihlere ait uydu görüntülerinin sınıflandırma sonuçlarının doğrulukları doğruluk analizi ile belirlenmekte ve bu amaçla haritalar ya da yüksek çözünürlüklü veriler kullanılmaktadır. Landsat arşivinde 1972 den beri görüntü olmasına rağmen doğruluk analizinde kullanılabilecek en eski referans veri 2003 yılına ait olup 1/1000 ölçekli halihazır haritadır. Google Earth Pro da ilçeye ait yüksek çözünürlüklü görüntüler 2004 yılından itibaren mevcuttur.