Uzaktan algılanan görüntülerde bina yoğunluğu kestirimi için derin öğrenme

Basit Öğe Kaydı
dc.authorid0000-0002-6842-1528
dc.contributor.authorSüberk, Nilay Tuğçeen_US
dc.contributor.authorAteş, Hasan Fehmien_US
dc.date.accessioned2020-03-24T13:45:02Z
dc.date.available2020-03-24T13:45:02Z
dc.date.issued2019-09
dc.departmentIşık Üniversitesi, Fen Bilimleri Enstitüsüen_US
dc.description.abstractBu 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 ayar verilerek eğitilmiştir. Kestirilen değerler yerleşim bölgelerinde bina yoğunluk haritası oluşturmak için kullanılmıştır. Her iki mimarinin karşılaştırmalı benzetim sonuçları, güdümlü eğitim için binaları gösteren detaylı haritalara ihtiyaç duyulmadan hassas yoğunluk kestirimi yapılabileceğini göstermektedir.en_US
dc.description.abstractThis 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.en_US
dc.description.sponsorshipIEEEen_US
dc.description.sponsorshipIEEE Turkey Secten_US
dc.description.versionPublisher's Versionen_US
dc.identifier.citationSuberk, N. T. & Ateş, H. F. (2019). Deep learning for building density estimation in remotely sensed imagery. Paper presented at the 423-428. doi:10.1109/UBMK.2019.8907133en_US
dc.identifier.doi10.1109/UBMK.2019.8907133
dc.identifier.endpage428
dc.identifier.isbn9781728139647
dc.identifier.isbn9781728139630
dc.identifier.isbn9781728139654
dc.identifier.scopus2-s2.0-85076199572
dc.identifier.scopusqualityN/A
dc.identifier.startpage423
dc.identifier.urihttps://hdl.handle.net/11729/2295
dc.identifier.urihttp://dx.doi.org/10.1109/UBMK.2019.8907133
dc.identifier.wosWOS:000609879900080
dc.identifier.wosqualityN/A
dc.indekslendigikaynakWeb of Scienceen_US
dc.indekslendigikaynakScopusen_US
dc.indekslendigikaynakConference Proceedings Citation Index – Science (CPCI-S)en_US
dc.institutionauthorSüberk, Nilay Tuğçeen_US
dc.language.isotren_US
dc.peerreviewedYesen_US
dc.publicationstatusPublisheden_US
dc.publisherInstitute of Electrical and Electronics Engineers Inc.en_US
dc.relation.ispartof2019 4th International Conference on Computer Science and Engineering (UBMK)en_US
dc.relation.publicationcategoryKonferans Öğesi - Uluslararası - İdari Personel ve Öğrencien_US
dc.rightsinfo:eu-repo/semantics/closedAccessen_US
dc.subjectBina yoğunluk kestirimien_US
dc.subjectDerin öğrenmeen_US
dc.subjectUzaktan algılamaen_US
dc.subjectAccurate density estimationen_US
dc.subjectAdditional trainingen_US
dc.subjectBuilding density estimationen_US
dc.subjectBuilding heat mapsen_US
dc.subjectBuilding locationsen_US
dc.subjectBuilding densitiesen_US
dc.subjectBuildingsen_US
dc.subjectCNNen_US
dc.subjectComparative simulationen_US
dc.subjectComparative simulation resultsen_US
dc.subjectConvolutionen_US
dc.subjectConvolutional networken_US
dc.subjectConvolutional neural netsen_US
dc.subjectConvolutional neural networken_US
dc.subjectDeep architecturesen_US
dc.subjectDeep learningen_US
dc.subjectDeep learning approachesen_US
dc.subjectDeep learning methodsen_US
dc.subjectDensity estimationen_US
dc.subjectGeophysical image processingen_US
dc.subjectLearning (artificial intelligence)en_US
dc.subjectLearning approachen_US
dc.subjectNetwork architectureen_US
dc.subjectNeural networksen_US
dc.subjectOptical imagesen_US
dc.subjectPoint-wise estimationen_US
dc.subjectPre-trained VGG-16en_US
dc.subjectRemote sensingen_US
dc.subjectRemote sensing optical imageryen_US
dc.subjectRemotely sensed imageryen_US
dc.subjectSupervised trainingen_US
dc.subjectSupervised trainingsen_US
dc.subjectTime 8.0 sen_US
dc.titleUzaktan algılanan görüntülerde bina yoğunluğu kestirimi için derin öğrenmeen_US
dc.title.alternativeDeep learning for building density estimation in remotely sensed imageryen_US
dc.typeConference Objecten_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
2295.pdf
Boyut:
921.57 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Publisher's Version
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

Öğrenci Yayınları Bildiri Koleksiyonu
Scopus İndeksli Yayınlar Koleksiyonu
WoS İndeksli Yayınlar Koleksiyonu