Uydu görüntülerinde derin öğrenme ile süper çözünürlük
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: Gamze DANIŞMAN
Danışman: Hasan Şakir Bilge
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Yüksek çözünürlüklü görüntü, uzaktan nesne algılama kapsamında ihtiyaç haline gelmiştir. Yüksek çözünürlüklü görüntü çeşitli uygulamalarda kritik olabilecek daha fazla ayrıntıyı içermektedir. Çoğu uydu aynı sahneye ait yüksek çözünürlüklü pankromatik ve daha düşük çözünürlüklü multispektral görüntü sunabilmektedir. Araştırmacılar multispektral görüntülerin çözünürlüğünün arttırılması sürecinde, pankromatik görüntünün içerdiği bilgilerden yararlanarak çeşitli geleneksel pankeskinleştirme yöntemi sunmuşlardır. Fakat bu teknikler önemli ölçüde spektral ve uzamsal bozulmadan mustariptir. Bu dezavantajların üstesinden gelebilmek adına günümüzün trendi olan derin öğrenme mimarilerine bu problemin araştırılması sunulmuştur. Bu kapsamda birçok derin öğrenme tabanlı pankeskinleştirme yöntemi tasarlanmıştır. Gerçekleştirdiğimiz çalışmada hem geleneksel hem de derin öğrenme tabanlı pankeskinleştirme yöntemlerini uygulayarak en iyi sonucu elde eden modeli araştırılmıştır. Uygulamış olduğumuz bu yöntemlerden en iyi sonucu elde ettiğimiz modelin çıktı performansını artırmak adına süper çözünürlük için tasarlanmış artık yoğun ağ katmanını derin öğrenme modeline kazandırılmıştır. Bu yaklaşımımız ile Landsat 8 veri setinde 33,291’den 33,521 PSNR skoruna, WorldView-3 veri setinde 33,534’den 33,544 PSNR skoruna ulaşılmıştır. Sunulan yöntemlerde ağ çıkışının doğruluk sonuçlarına ek olarak modelle ilişkili hesaplama süresinin de önemli bir parametre olduğu fark edilmiştir. Bu kapsamda daha hızlı hesaplama süresi maliyeti sunan FPGA ortamında derin öğrenme tabanlı pankeskinleştirme yöntemlerini sunabilmek adına Xilinx Kria KV260 geliştirme kartı kullanılmıştır. Derin öğrenme tabanlı pankeskinleştirme yöntemlerini FPGA ortamına taşırken Vitis AI aracından faydalanılmıştır. Sonuçlar, hesaplama süresi maliyeti açısından, FPGA'nın CPU ve GPU ortamlarına kıyasla üstün işleme yeteneğini doğrulamaktadır. Önerilen model ile FPGA ortamında Landsat-8 veri setinde 33,331 PSNR skoruna, WorlView-3 veri setinde 31,051 PSNR skoruna ulaşılmıştır. Bu derin öğrenme modeli ile CPU ortamında 0,693 saniyede ve GPU ortamında 0,117 saniyede çıktı elde edilirken, FPGA ortamında 5,601 W güç tüketimine sahip donanım ile 0,053 saniye de model çıktısı elde edilmiştir.
Anahtar Kelimeler : Uzaktan algılama görüntüsü, pankeskinleştirme, süper çözünürlük,
derin öğrenme, FPGA