A theoretical comparison of ResNet and DenseNet architectures on the subject of shoreline extraction

Basit Öğe Kaydı
dc.authorid0000-0002-3852-0840
dc.contributor.advisorÇavdaroğlu, Gülsüm Çiğdemen_US
dc.contributor.authorEcevit, Mert İlhanen_US
dc.contributor.otherIşık Üniversitesi, Fen Bilimleri Enstitüsü, Enformasyon Teknolojileri Yüksek Lisans Programıen_US
dc.date.accessioned2020-11-26T08:26:45Z
dc.date.available2020-11-26T08:26:45Z
dc.date.issued2020-09-23
dc.departmentIşık Üniversitesi, Fen Bilimleri Enstitüsü, Enformasyon Teknolojileri Yüksek Lisans Programıen_US
dc.descriptionText in English ; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 79-82)en_US
dc.descriptionxii, 82 leavesen_US
dc.description.abstractToday's Deep Learning technologies provides numerous approaches on the subject of convolutional networks. These approaches serve researchers to train datasets and generate wanted results from these datasets. Each CNN architecture has its own strong points and weak sides. Because of this situation a comparison between these architectures is a valuable asset. Image processing is a method that is frequently used to process remotely sensed data in remote sensing studies.. Between current architectures, RESNET and DENSENET architectures are chosen to be used by Dr. Çavdaroğlu for her project on TÜBİTAK. The result of this comparison will be used in that project in order to apply most ecient architecture. This thesis is written to draw outlines of RESNET and DENSENET and create a foresight for further projects which can be supported by this thesis. In order to achieve an accurate image recognition process in remote sensing domain, a preliminary research is requisite. As a research thesis this work serves the purpose of learning manner of works, performance indicators of RESNET and DENSENET convolutional networks. The result of this research will create a baseline for an academical project. At the other hand, comparison of these two convolutional network approaches provides information to decide which approach is more suitable for remote sensing projects depending upon the subject of the project. For future works on Remote Sensing this thesis work will serve a guideline and reason for preference. The presented thesis work has been developed as the technical feasibility of the 3501 TÜBITAK Project named "Uydu Görüntülerinden Kıyı Sınırlarının Derin Öğrenme Yöntemleri ile Otomatik Çıkarımı", applied by Dr. G. Çiğdem Çavdaroğlu, and the thesis results will be applied within the scope of the Project after the project acceptance.en_US
dc.description.abstractGünümüzün Derin Öğrenme teknolojileri, evrişimsel ağlar konusunda bir çok yaklaşım sunmaktadır. Sunulan bu yaklaşımlar, veri kümelerini eğitmek ve bu veri kümelerinden istenen sonuçları üretmek için araştırmacılara hizmet eder. Her CNN mimarisinin kendine özgü güçlü noktaları ve zayıf yanları vardır. Bu durum nedeniyle, bu mimariler arasındaki bir karşılaştırma değerli bir varlıktır. Görüntü işleme, uzaktan algılama çalışmalarında, uzaktan algılanmış verinin işlenmesi amacıyla yaygın olarak kullanılan bir yöntemdir. Mevcut mimariler arasında RESNET ve DENSENET mimarileri Dr. Gülsüm Çiğdem Çavdaroğlu tarafından TÜBİTAK üzerindeki projesi için kullanılmak üzere seçilmiştir. Karşılaştırmanın sonucu o projede en verimli mimariyi uygulamak için kullanılacaktır. Bu tez, RESNET ve DENSENET'in ana hatlarını çizmek ve bu tez tarafından desteklenebilecek diğer projeler için bir öngörü oluşturmak için yazılmıştır. Uzaktan algılama alanında doğru bir görüntü tanıma süreci elde etmek için bir ön araştırma gereklidir. Araştırma tezi olarak bu çalışma, RESNET ve DENSENET evrişim ağlarının performans göstergelerini, çalışma biçimini öğrenme amacına hizmet eder. Araştırmanın sonucu akademik bir proje için bir temel oluşturacaktır. Diğer yandan, bu evrişimsel ağ yaklaşımlarının karşılaştırılması, projenin konusuna bağlı olarak hangi yaklaşımın uzaktan algılama projeleri için daha uygun olduğuna karar vermek için bilgi sağlar. Uzaktan Algılama üzerine gelecekteki çalışmalar için bu tez çalışması bir rehberlik ve tercih sebebi sağlayacaktır. Sunulan tez çalışması, Dr. Gülsüm Çiğdem Çavdaroğlu tarafından başvurulan "Uydu Görüntülerinden Kıyı Sınırlarının Derin Öğrenme Yöntemleri ile Otomatik Çıkarımı" isimli 3501 Tübitak Projesi'nin teknik fizibilitesi olarak geliştirilmiştir ve tez sonuçları proje kabulü sonrasında proje kapsamında uygulanacaktır.en_US
dc.description.tableofcontentsRemote Sensingen_US
dc.description.tableofcontentsLiterature Domainen_US
dc.description.tableofcontentsGeneral Information About Shoreline Extractionen_US
dc.description.tableofcontentsDefinitions on Shorelineen_US
dc.description.tableofcontentsThe Importance of Shoreline Detectionen_US
dc.description.tableofcontentsRemote Sensing and Shoreline Extractionen_US
dc.description.tableofcontentsShoreline Satellite Image Data Specificationsen_US
dc.description.tableofcontentsLANDSAT-8en_US
dc.description.tableofcontentsSENTINEL 2-Aen_US
dc.description.tableofcontentsConvolutional Neural Networken_US
dc.description.tableofcontentsCNN Layersen_US
dc.description.tableofcontentsInput Layeren_US
dc.description.tableofcontentsConvolution Layeren_US
dc.description.tableofcontentsRectified Linear Units Layer (ReLu)en_US
dc.description.tableofcontentsPooling Layeren_US
dc.description.tableofcontentsFully Connected Layeren_US
dc.description.tableofcontentsDropout Layeren_US
dc.description.tableofcontentsClassification Layeren_US
dc.description.tableofcontentsArchitectural innovations in CNNen_US
dc.description.tableofcontentsCNN Architectures - State-of-the-arten_US
dc.description.tableofcontentsLeNeten_US
dc.description.tableofcontentsLeNet Architectureen_US
dc.description.tableofcontentsAlexNeten_US
dc.description.tableofcontentsAlexNet Architectureen_US
dc.description.tableofcontentsVGGNeten_US
dc.description.tableofcontentsVGGNet Architectureen_US
dc.description.tableofcontentsGoogLeNeten_US
dc.description.tableofcontentsGoogLeNet Architectureen_US
dc.description.tableofcontentsResidual Network (ResNet)en_US
dc.description.tableofcontentsResNet Architectureen_US
dc.description.tableofcontentsDensely Connected Network (DenseNet)en_US
dc.description.tableofcontentsDenseNet Architectueen_US
dc.description.tableofcontentsExamination of a Previous Researchen_US
dc.description.tableofcontentsList of Compared DenseNet and ResNet Modelsen_US
dc.description.tableofcontentsPerformance Indicesen_US
dc.description.tableofcontentsComparisonen_US
dc.description.tableofcontentsModel Complexity VS Accuracy Rate VS Computational Complexityen_US
dc.description.tableofcontentsLearning Power vs Accuracy Rateen_US
dc.description.tableofcontentsInference Timeen_US
dc.description.tableofcontentsInference Time vs Accuracy-Rateen_US
dc.description.tableofcontentsUsage of Memoryen_US
dc.description.tableofcontentsModel Complexity vs Memory Usageen_US
dc.description.tableofcontentsBest Model According to Given Constraintsen_US
dc.description.tableofcontentsHardware and Environmenten_US
dc.description.tableofcontentsSetting Environment Upen_US
dc.description.tableofcontentsCompatibilityen_US
dc.description.tableofcontentsInstallationen_US
dc.description.tableofcontentsDataseten_US
dc.description.tableofcontentsDataset Preparationen_US
dc.description.tableofcontentsModel Creationen_US
dc.description.tableofcontentsTraining the Modelen_US
dc.description.tableofcontentsGPU Memory Utilization vs Parameter Counten_US
dc.description.tableofcontentsTraining Timeen_US
dc.description.tableofcontentsAccuracy Rateen_US
dc.description.tableofcontentsLoss Rateen_US
dc.description.tableofcontentsAccuracy on Testing Dataseten_US
dc.description.tableofcontentsOverall Comparisonen_US
dc.identifier.citationEcevit, M. İ. (2020). A theoretical comparison of ResNet and DenseNet architectures on the subject of shoreline extraction. İstanbul: Işık Üniversitesi Fen Bilimleri Esntitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/2960
dc.institutionauthorEcevit, Mert İlhanen_US
dc.institutionauthorid0000-0002-3852-0840
dc.language.isoenen_US
dc.publisherIşık Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectConvolutional neural networken_US
dc.subjectDeep learningen_US
dc.subjectTraining algoii-i rithmsen_US
dc.subjectResneten_US
dc.subjectDenseneten_US
dc.subjectCnn architecturesen_US
dc.subjectComparisonen_US
dc.subjectRemote sensingen_US
dc.subjectShoreline extractionen_US
dc.subjectLANDSAT-8en_US
dc.subjectSENTINEL 2-Aen_US
dc.subjectEvrişimsel ağlaren_US
dc.subjectDerin öğrenmeen_US
dc.subjectAlgoritma eğitimien_US
dc.subjectCnn mimarilerien_US
dc.subjectKarşılaştırmaen_US
dc.subjectUzaktan algılamaen_US
dc.subjectKıyı çizgisi çıkarımıen_US
dc.subject.lccG70.2 .E24 2020
dc.subject.lcshConvolutional neural network.en_US
dc.subject.lcshRemote sensing.en_US
dc.subject.lcshDeep learning.en_US
dc.subject.lcshCnn architectures.en_US
dc.subject.lcshShoreline extraction.en_US
dc.subject.lcshLANDSAT-8.en_US
dc.subject.lcshSENTINEL 2-A.en_US
dc.titleA theoretical comparison of ResNet and DenseNet architectures on the subject of shoreline extractionen_US
dc.title.alternativeResNet ve DenseNet mimarilerinin kıyı çıkarımı konusunda teorik karşılaştırmasıen_US
dc.typeMaster Thesisen_US
dspace.entity.typePublication

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
10360466.pdf
Boyut:
9.25 MB
Biçim:
Adobe Portable Document Format
Açıklama:
MasterThesis
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu