Uzaktan algılanan görüntülerde bina yoğunluğu kestirimi için derin öğrenme
| dc.authorid | 0000-0002-6842-1528 | |
| dc.contributor.author | Süberk, Nilay Tuğçe | |
| dc.contributor.author | Ateş, Hasan Fehmi | |
| dc.date.accessioned | 2020-03-06T08:06:06Z | |
| dc.date.available | 2020-03-06T08:06:06Z | |
| dc.date.issued | 2019 | |
| dc.department | İstanbul Medipol Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Bilgisayar Mühendisliği Bölümü | |
| dc.description.abstract | Bu bildiri, derin öğrenme yöntemleri uygulayarak uzaktan algılamalı optik görüntülerde bina yoğunluğunun noktasal olarak kestirilmesi ile ilgilidir. Bu çalışma kapsamında, evrişimsel sinir ağına (ESA) dayalı derin öğrenme yöntemlerine başvurulmuştur. Önceden eğitilmiş, VGG-16 ve FCN-8s derin mimarileri bu probleme uyarlanmış ve ince ayara verilerek eğitilmiştir. Kestirilen değerler yerleşim bölgelerinde bina yoğunluk haritası oluşturmak için kullanılmıştır. Her iki mimarinin karşılaştırılması benzetim sonuçları, güdümlü eğitim için binaları gösteren detaylı haritalara ihtiyaç duyulmadan hassas yoğunluk kestirimi yapılabileceği göstermektedir. | |
| dc.description.abstract | This paper is about point-wise estimation of building density from remote sensing optical imagery using deep learning methods. Convolutional neural network (CNN) based deep learning approaches are used for this work. Pre-trained VGG-16 and FCN-8s deep architectures are adapted to the problem and fine-tuned with additional training. Estimated values are used to generate building heat maps in urban areas. Comparative simulation results of the two architectures reveal that accurate density estimation is possible without the need for detailed maps of building locations during supervised training. | |
| dc.identifier.citation | Süberk, N. T. ve Ateş, H. F. (2019). Uzaktan algılanan görüntülerde bina yoğunluğu kestirimi için derin öğrenme. 4th International Conference on Computer Science and Engineering içinde (423-428. ss.). Samsun, Turkey: IEEE. http://doi.org/10.1109/UBMK.2019.8907133 | |
| dc.identifier.doi | 10.1109/UBMK.2019.8907133 | |
| dc.identifier.isbn | 9781728139647 | |
| dc.identifier.scopusquality | N/A | |
| dc.identifier.uri | http://doi.org/10.1109/UBMK.2019.8907133 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12511/5007 | |
| dc.identifier.wosquality | N/A | |
| dc.indekslendigikaynak | Web of Science | |
| dc.indekslendigikaynak | Scopus | |
| dc.language.iso | tr | |
| dc.publisher | Institute of Electrical and Electronics Engineers Inc. | |
| dc.relation.ispartof | 4th International Conference on Computer Science and Engineering | en_US |
| dc.relation.publicationcategory | Konferans Öğesi - Uluslararası - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/embargoedAccess | |
| dc.subject | Uzaktan Algılama | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Bina Yoğunluk Kestirimi | |
| dc.subject | Building Density Estimation | |
| dc.subject | Deep Learning | |
| dc.subject | Remote Sensing | |
| dc.title | Uzaktan algılanan görüntülerde bina yoğunluğu kestirimi için derin öğrenme | |
| dc.title.alternative | Deep learning for building density estimation in remotely sensed imagery | |
| dc.type | Conference Object |
