
RADAR VERİLERİNDEN DERİN ÖĞRENME İLE DRON,
ARAÇ VE İNSANLARIN GERÇEK ZAMANLI TESPİTİ VE

SINIFLANDIRILMASI

REAL-TIME DETECTION AND CLASSIFICATION OF
DRONES, VEHICLES AND HUMANS FROM RADAR DATA

USING DEEP LEARNING

AHMET GÜNEY ŞENOCAKLI

PROF. DR. SENİHA ESEN YÜKSEL ERDEM

Danışman

Hacettepe Üniversitesi

Lisansüstü Eğitim-Öğretim ve Sınav Yönetmeliğinin

Elektrik ve Elektronik Mühendisliği Anabilim Dalı için Öngördüğü

YÜKSEK LİSANS TEZİ olarak hazırlanmıştır.

Haziran 2025


ÖZET

RADAR VERİLERİNDEN DERİN ÖĞRENME İLE DRON, ARAÇ VE
İNSANLARIN GERÇEK ZAMANLI TESPİTİ VE

SINIFLANDIRILMASI

Ahmet Güney Şenocaklı

Yüksek Lisans, Elektrik ve Elektronik Mühendisliği
Danışman: Prof. Dr. Seniha Esen YÜKSEL ERDEM

Mayıs 2025, 113 sayfa

Bu tez, RAD-DAR menzil-Doppler veri kümesinden türetilen radar görüntülerini kullanarak

dron, araba ve insan hedeflerinin gerçek zamanlı tespitini ve sınıflandırılmasını

amaçlamaktadır. İlk aşamada, mekânsal özellikleri çıkarmak üzere temel bir CNN mimarisi

kurulmuş; ardından zamansal bağımlılıkları yakalamak için CNN-LSTM modeli tasarlanmış

ve dikkat mekanizması ile desteklenmiştir. Üçüncü aşamada, radar ısı haritalarına

uyarlanan YOLOv8 nesne tespit çerçevesi ile hem sınıflandırma hem de hassas konum

belirleme gerçekleştirilmiştir. Son olarak, Transformer tabanlı RT-DETR modeli eğitilerek

IoU-duyarlı sorgu seçimi ve verimli hibrit kodlayıcı yapıları sayesinde tüm sınıflarda

en yüksek doğruluk ve hatasız dron tespiti elde edilmiştir. Gürültü, düşük çözünürlük

ve sınıflar arası imza benzerliği gibi radar kaynaklı zorluklar; normalizasyon, sabit

renk ölçekli ısı haritaları ve derin öğrenmenin otomatik özellik çıkarımıyla bastırılmıştır.

Deneysel sonuçlar, %99’un üzerinde doğruluk ve kesinlik değerleriyle RT-DETR’in

genel olarak en başarılı yöntem olduğunu; YOLOv8’in yüksek hız ve konumlama

yetenekleriyle pratik uygulamalarda güçlü bir alternatif sunduğunu; CNN-LSTM’nin

zamansal örüntülerde üstünlük sergilediğini; basit CNN yaklaşımının ise kaynak kısıtlı

i


senaryolarda uygulanabilirliğini koruduğunu ortaya koymuştur. Böylece derin öğrenme ve

radar teknolojisinin birleşimiyle yüksek doğrulukta, gerçek zamanlı ve çok yönlü bir hedef

tespit sistemi geliştirilebileceği gösterilmiştir.

Anahtar Kelimeler: Radar Görüntüleme, Menzil-Doppler Analizi, Dron Tespiti, Evrişimli

Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM), YOLOv8, RT-DETR, Transformer,

Nesne Tespiti, Zamansal Modelleme, Gerçek Zamanlı İzleme

ii


ABSTRACT

REAL-TIME DETECTION AND CLASSIFICATION OF DRONES,
VEHICLES AND HUMANS FROM RADAR DATA USING DEEP

LEARNING

Ahmet Güney Şenocaklı

Master of Science, Department of Electrical and Electronics Engineering
Supervisor: Prof. Dr. Seniha Esen YÜKSEL ERDEM

Haziran 2025, 113 pages

This thesis targets the real-time detection and classification of drones, cars, and humans

in range–Doppler radar imagery derived from the RAD-DAR dataset. A four-stage

deep-learning pipeline is proposed. First, a baseline CNN automatically extracts spatial

features. Second, temporal dependencies are modelled with a CNN-LSTM architecture

enhanced by an attention mechanism. Third, the YOLOv8 object-detection framework is

adapted to radar heat-maps, enabling simultaneous classification and precise localisation.

Finally, a Transformer-based RT-DETR detector is trained; thanks to its IoU-aware query

selection and efficient hybrid encoder, it achieves the highest overall accuracy and flawless

drone recognition.

Radar-specific challenges such as noise, low resolution and inter-class signature overlap

are mitigated through normalisation, fixed colormap heat-maps and the automatic

feature-learning capability of deep networks. Experiments surpass 99% accuracy

and precision, showing that RT-DETR is the best-performing model, while YOLOv8

offers superior speed and bounding-box quality, CNN-LSTM excels in temporal

iii


pattern exploitation, and the lightweight CNN remains attractive for resource-constrained

deployments. Overall, the study demonstrates that combining radar sensing with modern

deep learning yields a highly accurate, real-time and versatile target-detection system.

Keywords: Radar Imaging, Range–Doppler Analysis, Drone Detection, Convolutional

Neural Networks (CNN), Long Short-Term Memory (LSTM), YOLOv8, RT-DETR,

Transformer, Object Detection, Temporal Modelling, Real-Time Surveillance

iv


TEŞEKKÜR

Bu tez, önemli zorluklar ve başarılar ile dolu bir yolculuğun doruk noktasını temsil

etmektedir. Bu süreç boyunca bana destek olan ve rehberlik eden herkese derin bir

minnettarlık duyuyorum.

Her şeyden önce, danışmanım Prof. Dr. Seniha Esen Yüksel Erdem’e, paha biçilmez

rehberliği, desteği ve bilgi paylaşımı için içten teşekkürlerimi sunmak isterim. Kendisinin

teşvik edici yaklaşımı ve yapıcı geri bildirimleri bu çalışmayı tamamlamamda çok önemli

rol oynamıştır.

Her zaman yanımda olan, sabırları, sevgileri ve desteğiyle en büyük motivasyon kaynağım

olan ailem ve kız arkadaşım; babam Şener Şenocaklı, annem Reyhan Şenocaklı’ya,

kardeşim Deniz Şenocaklı’ya ve sevgili kız arkadaşım Selen Akyol’a en derin şükranlarımı

sunuyorum. Bana olan inançları, en zorlu anlarda dayanma gücü verdi.

ASELSAN’daki ekip arkadaşlarıma da sürekli destekleri ve motivasyonları için teşekkür

etmek isterim. Katkıları ve rehberliği için Ayşegül Güleryüz’e, Yıldız Ebru Çetin Yıldırım’a,

Dr. Alaettin Zubaroğlu’na, Kerem Tütüncüoğlu’na, Mert Paşa Çukur’a, Okan Çalış’a,

Duygu Dil’e, Elif Gaye Aytekin’e, Orhun Oktar’a, Burak Yücel’e, Emir Un’a ve Hüseyin

Totan’a teşekkür ederim.

Ayrıca, bu yolculuk boyunca yanımda olan, desteğini ve dostluğunu esirgemeyen kıymetli

arkadaşlarıma da gönülden teşekkür ederim. Onur Parlak’a, Anıl Karaca’ya, Begüm

Yelekin’e, Elif Sadıkoğlu’na, Azra Defne Eroğlu’na, Batu Torun’a, Bora Baş’a, Ali Özer’e,

Boran Karaçalık’a teşekkür ediyorum.

Haziran 2025 Ahmet Güney Şenocaklı

v


İÇİNDEKİLER

Sayfa

ÖZET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i

ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii

TEŞEKKÜR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v

İÇİNDEKİLER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi

TABLOLAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix

ŞEKİLLER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . x

KISALTMALAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii

1. GİRİŞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1. Dron Tespitinin Önemi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2. Tezin Kapsamı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3. Katkılar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.4. Tezin Organizasyonu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2. TEMEL KAVRAMLAR ve VERİ KÜMESİ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1. Radar Görüntüleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1.1. Temel Kavramlar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1.2. Radar Görüntü Türleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1.3. Matematiksel Temsil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.1.4. Radar Görüntülerinin Yorumlanması . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2. Radar Görüntüsü Oluşturma ve Sinyal İşleme Adımları . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2.1. Sinyal İletimi (FMCW) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.2. Sinyalin Alınması ve Karıştırma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.2.3. Analog-Dijital Dönüşüm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2.4. Hızlı Zaman FFT ve Menzil Çıkartımı. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2.5. Yavaş Zaman FFT ve Hız Çıkartımı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

2.2.6. Işın Şekillendirme (Beamforming) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.2.7. Tek Darbe İşleme (Monopulse Processing) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.2.8. Menzil ve Hız Tahmini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

vi


2.2.9. Menzil-Doppler Haritasının Oluşturulması . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2.10. Hedef Tespiti ve CFAR Algoritmaları Kullanılarak Çıkarım . . . . . . . . . . . . . . . . 18

2.3. Radar Görüntüsü Oluşturmak İçin Alternatif Yöntemler . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.3.1. Darbe-Doppler Radarı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.3.2. Sentetik Açıklıklı Radar (SAR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.4. RAD-DAR Veri Kümesi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.4.1. Genel Bakış . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.4.2. Kayıt Ortamı ve Kurulum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.4.3. Dron Verilerinin Toplanması . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.4.4. Veri Kümesi İstatistikleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.4.5. RAD-DAR Veri Kümesinin Güçlü Yönleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.4.6. RAD-DAR Veri Kümesinin Sınırlamaları . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.5. YOLO ve RT–DETR İçin RAD–DAR Veri Kümesinden Görüntü Üretimi . . . . . . 26

2.5.1. RAD–DAR Veri Kümesinde Yüksek ve Düşük SNR Örnekleri . . . . . . . . . . . . . 27

3. İLGİLİ ÇALIŞMALAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.1. Dron Tespiti, Tarihsel Bağlam ve Gelişim Süreci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.2. Makine Öğrenmesi ile Dron Tespiti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3. Radar Görüntüleri ile Dron Tespiti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

4. YÖNTEMLER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

4.1. Evrişimli Sinir Ağı (CNN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.1.1. Veri Yükleme ve Ön İşleme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

4.1.2. CNN Modelinin Mimarisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

4.1.3. Model Performans Ölçütleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.2. CNN ile LSTM ve Dikkat Mekanizması (Attention Mechanism). . . . . . . . . . . . . . . . . 44

4.2.1. LSTM Katmanlarının Entegrasyonu ve Ayrıntılı Analizi . . . . . . . . . . . . . . . . . . . . 46

4.2.2. Pozisyon Yanlı Dikkat Katmanı . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.3. Radar Görüntüleri için YOLO Nesne Tespiti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.3.1. YOLO Algoritmasının Genel Özeti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

4.3.2. Uygulama Detayları. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4.3.3. Radar Görüntülerinde YOLO ile Dron Tespiti Entegrasyonu . . . . . . . . . . . . . . . . 54

vii


4.4. RT-DETR ile Radar Görüntülerinde Nesne Tespiti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.4.1. RT-DETR Mimarisi ve Temel Bileşenleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.4.2. RT-DETR Modelinin Uygulaması. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

5. DENEYSEL SONUÇLAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

5.1. CNN Sonuçları ve Performans Analizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

5.1.1. Uyumsuz Eşleştirme Örnekleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

5.2. CNN-LSTM-Attention Modeli Sonuçları ve Performans Analizi. . . . . . . . . . . . . . . . . 63

5.2.1. Dikkat Mekanizmasının Öğrendiği Bilgiler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

5.2.2. Uyumsuz Eşleştirme Örnekleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5.3. YOLOv8 Sonuçları ve Performans Analizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

5.3.1. Eğitim Metrikleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

5.3.2. Uyumsuz Eşleştirme Örnekleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

5.3.3. Test Sonuçları . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

5.4. RT–DETR Sonuçları ve Performans Analizi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

5.4.1. Eğitim Metrikleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

5.4.2. Test Sonuçları . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

6. SONUÇLAR VE KARŞILAŞTIRMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

6.1. Geliştirilen Yöntemlerin Karşılaştırması . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.1.1. Genel Karşılaştırma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.1.2. Gözlemler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

6.2. Yöntemlerimizin Diğer Çalışmalarla Karşılaştırılması . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

6.2.1. DopplerNet ile Performans Karşılaştırması . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

6.2.2. YOLO–RD ile Karşılaştırma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

6.2.3. Radar Zamanlama ve Range–Doppler Spektral Hedef Tespiti ile

Karşılaştırma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

6.2.4. Özet ve Genel Değerlendirme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

6.3. Sonuç ve Gelecek Çalışmalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

viii


TABLOLAR

Sayfa

Tablo 1.1 İHA Tespit Yöntemleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

Tablo 3.1 Literatürdeki Çalışmaların Veri Kümesi Özellikleri . . . . . . . . . . . . . . . . . . . . . 38

Tablo 5.1 Radar Veri Kümesi Üzerinde CNN Performans Ölçütleri . . . . . . . . . . . . . . . . 62

Tablo 5.2 Radar Veri Kümesi Üzerinde CNN–LSTM–Attention Performans

Ölçütleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

Tablo 5.3 Radar Görüntü Veri Kümesi Üzerinde YOLOv8 Performans Ölçütleri . 72

Tablo 5.4 Radar Görüntü Veri Kümesi Üzerinde RT–DETR Performans Ölçütleri 79

Tablo 6.1 Modellerin Radar Görüntülerindeki Nesne Sınıflandırma

Performanslarının Karşılaştırılması . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

Tablo 6.2 RT–DETR ve YOLO-RD Modellerinin RAD-DAR / Mini-RD

Kümelerindeki Ana Tespit Ölçütleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

ix


,
ŞEKİLLER

Sayfa

Şekil 1.1 Geleneksel Döner Kanatlı Dron - DJI Phantom 3 . . . . . . . . . . . . . . . . . . . . . . . 2

Şekil 1.2 Gatwick Havaalanı Olayında Yer Alan Şüpheli Döner Kanatlı Dron [1] 3

Şekil 2.1 FMCW Radar için Sinyal İşleme ve Görüntü Oluşturma Adımları. . . . . 12

Şekil 2.2 Hızlı Zaman ve Yavaş Zaman FFT Süreçlerinin Temsili . . . . . . . . . . . . . . . . 15

Şekil 2.3 Ortalama Hücre Sabit Yanlış Alarm Oranı (CA-CFAR) Algoritması

[2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

Şekil 2.4 RAD-DAR Veri Kümesi için Yerdeki Güzergahlar [3] . . . . . . . . . . . . . . . . . . 21

Şekil 2.5 RAD-DAR Veri Kümesi için Saha Testi Kurulumu [3] . . . . . . . . . . . . . . . . . 22

Şekil 2.6 Radar Veri Görselleştirmelerinin Karşılaştırması, Menzil–Doppler

Yoğunluk Desenlerindeki Farklılıklar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Şekil 3.1 Mikro-Doppler Veri Kümeleri: Farklı Dron Türleri ve Uçan

Kuşlara Ait Zaman-Frekans (T-F) Grafikleri, Menzil Profilleri ve

Menzil-Zaman Grafikleri [4]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

Şekil 4.1 .csv Formatında İşlenmemiş Araç Verisinin İlk 11x9 Örneği . . . . . . . . . . . 39

Şekil 4.2 CNN Modelinin Mimarisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Şekil 4.3 CNN Modelinin Ara Çıktı Boyutları . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

Şekil 4.4 CNN-LSTM-Dikkat Mimarisinin Blok Diyagramı. . . . . . . . . . . . . . . . . . . . . . 45

Şekil 4.5 CNN–LSTM–Dikkat Modeline Ait Ara Katman Boyutları . . . . . . . . . . . . . 46

Şekil 4.6 YOLOv8 Blok Diyagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

Şekil 4.7 RT-DETR Blok Diyagram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

Şekil 5.1 CNN Modeli İçin 50 Epok Boyunca Eğitim Kaybı ve Doğruluk Eğrisi 60

Şekil 5.2 CNN Modelinin Araçlar, Dronlar ve İnsanlar Sınıflarında

Sınıflandırma Performansını Gösteren Karmaşıklık Matrisi . . . . . . . . . . . . 61

Şekil 5.3 CNN Uyumsuz Eşleştirme Örnekleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

Şekil 5.4 CNN-LSTM-Attention Modeli İçin 40 Epok Boyunca Eğitim Kaybı

ve Doğruluk Eğrileri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

x


Şekil 5.5 CNN-LSTM-Attention modelinin Araçlar, Dronlar ve İnsanlar

Sınıflarında Sınıflandırma Performansını Gösteren Karmaşıklık Matrisi 65

Şekil 5.6 CNN-LSTM-Attention Modeli İçin Dikkat Ağırlıklarının

Görselleştirilmesi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

Şekil 5.7 CNN-LSTM-Attention Modeli Uyumsuz Eşleştirme Örnekleri . . . . . . . . 67

Şekil 5.8 YOLOv8 Modeli İçin Eğitim Kayıp metrikleri (Box Loss, Class Loss

ve DFL Loss) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

Şekil 5.9 YOLOv8 Modeli İçin mAP Metrikleri (mAP@50 ve mAP@50-95). . . 69

Şekil 5.10 YOLOv8 İçin Eğitim Sırasında Kesinlik ve Geri Çağırma Eğrileri . . . . 70

Şekil 5.11 YOLOv8 Uyumsuz Eşleştirme Örnekleri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

Şekil 5.12 YOLOv8 İçin F1-Güven Skoru Eğrisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

Şekil 5.13 YOLOv8 İçin Precision-Recall Eğrisi. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

Şekil 5.14 YOLOv8 için Karmaşıklık Matrisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

Şekil 5.15 RT–DETR İçin Epok Kayıp Eğrileri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Şekil 5.16 Epok Bazında Kesinlik ve Geri Çağırma Eğrileri . . . . . . . . . . . . . . . . . . . . . . . 76

Şekil 5.17 RT–DETR İçin Sınıf Bazlı Kesinlik–Geri Çağırma Eğrileri . . . . . . . . . . . . 77

Şekil 5.18 RT–DETR Modeli için F1–Güven Skoru Eğrisi . . . . . . . . . . . . . . . . . . . . . . . . 77

Şekil 5.19 RT–DETR Modeli Karmaşıklık Matrisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

Şekil 6.1 DopplerNet Modeline Ait Karmaşıklık Matrisi. . . . . . . . . . . . . . . . . . . . . . . . . . 83

Şekil 6.2 Çalışmamızdaki RT–DETR Modeline Ait Karmaşıklık Matrisi . . . . . . . . 84

xi


KISALTMALAR

AP : Average Precision

CNN : Convolutional Neural Network

FMCW : Frequency-Modulated Continuous-Wave (radar)

FPS : Frames Per Second

F1 : Harmonik ortalamalı F1 skoru (kesinlik–geri çağırma)

IoU : Intersection-over-Union

LSTM : Long Short-Term Memory

mAP : mean Average Precision

RAD-DAR : Range–Doppler Radar veri kümesi

RCS : Radar Cross-Section

RT-DETR : Real-Time DEtection TRansformer

SNR : Signal-to-Noise Ratio

YOLO : You Only Look Once

YOLOv8 : Sekizinci sürüm YOLO nesne dedektörü

IoU : Intersection-over-Union (Kesişim/Birleşim Oranı)

xii


1. GİRİŞ

Bu bölümde, yetkisiz İHA faaliyetlerinin yarattığı güvenlik riskleri vurgulanarak döner

kanatlı dron tespitinin neden kritik olduğu açıklanmıştır. Mevcut algılama teknolojilerinin

(optik, RF, akustik vb.) kısıtları özetlenmiş ve radar tabanlı yaklaşımların öne çıkma

gerekçesi tartışılmıştır. Ardından, radar menzil-Doppler verilerinin derin öğrenme

ile işlenmesine yönelik literatürdeki boşluk tanımlanmıştır ve bu tezde önerilen CNN

(Evrişimli Sinir Ağları), CNN-LSTM-Attention (Evrişimli Sinir Ağları-Uzun Kısa Süreli

Bellek-Dikkat), YOLOv8 (You Only Look Once) ile RT-DETR (Gerçek Zamanlı Algılama

Dönüştürücüsü) temelli bütüncül çerçevenin hedefleri sunulacaktır. Son olarak, çalışmanın

temel katkıları ve tezin kalan bölümlerinin organizasyonuna kısaca değinilecektir. Bu

kısımdan itibaren bahsi geçen dron, her zaman döner kanatlı dron olacaktır.

1.1. Dron Tespitinin Önemi

İnsansız hava araçlarının (İHA), yaygın olarak bilinen adıyla dronların (döner kanatlı dron),

hızla yaygınlaşması: Tarım, güvenlik, medya ve lojistik gibi çeşitli sektörleri dönüştürerek

yeni fırsatlar sunmuştur. Ancak, bu yaygın kullanım aynı zamanda önemli güvenlik

sorunlarını da beraberinde getirmiştir. Yetkisiz dron faaliyetleri, mahremiyet ihlallerinden

casusluğa, hava trafiğiyle etkileşimden kaçakçılığa kadar çeşitli tehditler oluşturmaktadır

[3, 5]. Bu ortaya çıkan tehditlere karşı, güvenilir dron tespit sistemleri kamu güvenliğini

sağlamak ve kritik altyapıları korumak için hayati hale gelmiştir. Bahsedilen drona örnek

olarak Şekil 1.1’de geleneksel bir dron olan DJI Phantom 3’e yer verilmiştir.

1


Şekil 1.1 Geleneksel Döner Kanatlı Dron - DJI Phantom 3

Dronlar, geleneksel güvenlik önlemlerini aşmak, yasaklı alanlara kaçak malzeme sokmak,

izinsiz gözetim yapmak ve hatta silah taşımak gibi çeşitli kötü niyetli amaçlarla

kullanılmaktadır [3]. Ayrıca, dronların ticari uçuşlarla ve havaalanı operasyonlarıyla

etkileşime girdiği olaylar, havacılık güvenliği konusunda ciddi endişelere yol açmıştır [6].

Bu tür olaylar, etkin dron tespit ve önleme stratejilerinin aciliyetini vurgulamaktadır.

Buna bir örnek verecek olursak, Gatwick Havalimanı’nda Aralık 2018’de yaşanan dron

olayından bahsedebiliriz [1]. Bu olay havacılık güvenliği açısından önemli bir örnek teşkil

etmektedir. Yetkisiz bir dronun hava sahasına girmesi nedeniyle 1000’den fazla uçuş iptal

edilmiş ve yaklaşık 140.000 yolcu mağdur olmuştur. Olay, dronların havaalanları ve kritik

altyapılar için oluşturabileceği riskleri gözler önüne sermiştir. Yetkililer, hava sahasını ihlal

eden dronu tespit etmekte zorlanmış ve geniş çaplı bir güvenlik operasyonu yürütülmüştür.

Şüpheli drona ait olduğu düşünülen bir görüntü, olay sırasında çekilen video kaydından

alınmış olup, dronun kesin kimliği ve operatörüne dair kesin bir sonuca ulaşılamamıştır.

Şekil 1.2’de şüpheli drona ait görsele yer verilmiştir.

2


Bu olay, döner kanatlı dron tespit sistemlerinin yetersizliğini göstererek radar tabanlı tespit

yaklaşımlarının geliştirilmesine yönelik çalışmaları hızlandırmıştır.

Şekil 1.2 Gatwick Havaalanı Olayında Yer Alan Şüpheli Döner Kanatlı Dron [1]

Dron tespiti ve sınıflandırılması için çeşitli algılama cihazları kullanılmakta olup her biri

kendine özgü avantajlar ve sınırlamalara sahiptir (bkz. Tablo 1.1). Kızılötesi kameralar

uzun menzilli tespit için etkilidir ve olumsuz hava koşullarından daha az etkilenir, ancak

düşük doğruluğa sahiptir. RF alıcıları dronların varlığını tespit edebilir ve operatörün yerini

belirleyebilir, ancak otonom uçuşları tanımlamakta yetersiz kalmaktadır. Radar sistemleri,

uzun menzilli algılama yetenekleri ve hava koşullarına karşı dayanıklılıkları sayesinde öne

çıkmaktadır, ancak, maliyetli olup RF lisansları konusunda düzenleyici kısıtlamalara tabidir.

Optik kameralar yüksek çözünürlükte kimlik belirleme sağlarken düşük maliyetlidir, ancak

hava koşullarına oldukça duyarlıdır ve sınırlı algılama menziline sahiptir. Son olarak, akustik

sensörler mini boyutlu ve RF tabanlı sensörlerle uyumlu olsa da, son derece düşük algılama

menzili ve karmaşık sinyal işleme gereksinimleri nedeniyle kullanım alanları sınırlıdır.

3


Algılama Özelliği Algılama Cihazı Avantajlar Dezavantajlar Algılama Menzili

Isı Kızılötesi kamera

• Hava koşullarından daha
az etkilenir

• Uzun menzil

• Düşük doğruluk

1 – 15 km

RF Sinyali RF alıcısı

• Engelsiz tespit

• Dron operatörünü tespit
edebilir

• Otonom uçuşları tespit
edemez

3 – 50 km

Fiziksel Nesne Radar

• Hava koşullarından daha
az etkilenir

• Uzun menzil

• Yüksek maliyet

• RF lisansları üzerindeki
düzenleyici kısıtlamalar

• Engellere karşı
savunmasız

1 – 20 km

Görünürlük Optik kamera

• Düşük maliyet

• Mini boyutlu

• Yüksek çözünürlüklü
tanımlama

• Hava koşullarından
oldukça etkilenir

• Sınırlı menzil ve
engellere karşı
savunmasız

0.5 – 3 km

Akustik Sinyal Akustik alıcı

• RF tabanlı sensörlerle
uyumlu

• Mini boyutlu

• Son derece düşük
algılama menzili

• Düşük doğruluk ve
yüksek sinyal işleme
karmaşıklığı

< 0.2 km

Tablo 1.1 İHA Tespit Yöntemleri

Radar sistemleri, uzun menzil ve farklı çevresel koşullarda nesneleri algılama yetenekleri

nedeniyle dron tespiti için önde gelen bir çözüm haline gelmiştir. Ancak, dronları kuşlar

gibi diğer küçük nesnelerden ayırmak önemli bir zorluk oluşturmaktadır. Geleneksel radar

sistemleri, tespit edilen nesnelerin yalnızca konumunu rapor etmekte, ancak küçük dronların

doğru sınıflandırılması için yeterli bilgi sağlayamamaktadır [7]. Bu sınırlama, radar tabanlı

dron tespit sistemlerinde derin öğrenmenin, özellikle menzil-Doppler görüntülerini analiz

edip benzersiz Doppler imzalarını tanımlayan CNN entegrasyonunu teşvik etmiştir [8].

CNN’ler yardımıyla menzil-Doppler verileri üzerinde yapılan analizler, dron tespit

4


doğruluğunu önemli ölçüde artırmış, yanlış pozitifleri azaltmış ve gerçek zamanlı

performansı geliştirmiştir. Bu gelişmeler, hedef türü ve konumu gibi üst düzey yorumların

yapılmasını sağlamış ve güvenlik ile hava sahası izleme uygulamaları için kritik hale

gelmiştir. Gelecekte radar, optik ve akustik sensörleri entegre eden çok modlu sistemlerin

tespit performansını ve dayanıklılığını daha da artması beklenmektedir [5].

1.2. Tezin Kapsamı

İnsansız hava araçlarının, yaygın adıyla döner kanatlı dronların, gözetim, tarım ve

lojistik gibi sektörlerde hızla benimsenmesi, yetkisiz uçuşların doğurduğu kamu güvenliği

ve mahremiyet risklerini de beraberinde getirmiştir [3, 5]. Küçük gövde boyutu,

değişken hız–yön profili ve karmaşık çalışma ortamları radar ve optik tabanlı klasik tespit

yaklaşımlarının başarı oranını düşürmektedir [7]. Bu zorluklar, derin öğrenme yöntemlerinin

radar verisiyle bütünleştirilmesini öneren araştırmaları hızlandırmıştır [9, 10].

Bu tez, gerçek menzil–Doppler kayıtlarını içeren RAD–DAR veri kümesi üzerinde döner

kanatlı dron, araç ve insan hedeflerinin radar görüntülerinden yüksek doğrulukla tespitini

amaçlayan uçtan-uca bir derin öğrenme çerçevesi geliştirmektedir. Öncelikle, gürültü

azaltma, yeniden ölçekleme ve sabit renk haritası ile ısı haritası oluşturma adımları

uygulanarak radar güç matrisleri YOLO-uyumlu görüntülere dönüştürülmüştür [3, 11].

Ardından dört mimari tasarlanıp eğitilmiştir:

1. CNN – Mekânsal özellikleri doğrudan menzil–Doppler matrisinden çıkaran hafif bir

temel ağ.

2. CNN–LSTM–Attention – Radar imzalarındaki zamansal dinamiği LSTM katmanları

ve konum yanlı dikkat ile modelleyerek sıralı iyileşme sağlayan hibrit yapı.

3. YOLOv8 – Dönüştürülmüş ısı haritalarında gerçek zamanlı bağlama kutusu tahmini

ve sınıflandırma yapabilen evrimleşmiş YOLO çerçevesi.

5


4. RT–DETR – IoU (Birlik Üzerinden Kesişim)-duyarlı sorgu seçimi ve verimli hibrit

kodlayıcı içeren Transformer tabanlı, uçtan-uca DETR yaklaşımının radar alanına ilk

kez uyarlanmış sürümü [8].

Tüm modeller; doğruluk, kesinlik, geri çağırma, F1 skoru ve mAP@50 gibi standart

ölçütlerle karşılaştırılmıştır. Deneysel sonuçlar, dron sınıfında RT–DETR modelinin %100

kesinlik ve %100 geri çağırma ile kusursuz tespit gerçekleştirdiğini, YOLOv8’in ise %100

kesinlik ve %99.33 geri çağırma ile onu çok yakından izlediğini göstermektedir. CNN

tabanlı yöntemler, daha düşük hesaplama maliyeti karşılığında yaklaşık %93−94 aralığında

F1 doğruluğu sunarken; CNN–LSTM–Attention modeli bu doğruluğu %95.08 seviyesine

taşıyarak iyileştirme sağlamıştır. Transformer mimarisi kullanan RT–DETR’in, özellikle

düşük radar kesit alanına sahip küçük hedeflerde gösterdiği sağlam tespit yeteneği, hava

sahası güvenliği ve kritik altyapı koruması gibi uygulama alanlarında önemli bir ilerleme

olarak öne çıkmaktadır [12].

Bu çalışma, radar tabanlı dron tespitinde derin öğrenmenin pratik üstünlüğünü nicel olarak

gösterirken, hafifleştirilmiş Transformer tasarımları, çoklu sensör füzyonu ve senaryo

çeşitliliği yüksek geniş veri kümeleri gibi gelecek araştırma yönlerine de sağlam bir temel

sağlamaktadır.

1.3. Katkılar

Bu tez, radar tabanlı dron tespitine yönelik literatürdeki eksik alanları doldurmak amacıyla

hem zamansal–mekânsal modellemeyi hem de gerçek-zamanlı Transformer tabanlı tespiti

içeren bütüncül bir çerçeve sunmaktadır. Başlıca katkılar aşağıda özetlenmiştir:

• Zamansal Bağımlılıkların İlk Kez RAD-DAR’da İncelenmesi: RAD-DAR

veri kümesinde ardışık menzil–Doppler kareleri kullanılarak LSTM ve konumsal

önyargılı dikkat katmanlarıyla (position-biased attention mechanism) zenginleştirilmiş

bir CNN-LSTM mimarisi tasarlanmış, böylece %95 üzeri doğrulukla zamansal

korelasyonların sınıflandırma performansını nasıl yükselttiği gösterilmiştir.

6


• YOLOv8’in Radar Görüntülerine Uyarlanması: Isı-haritası temelli görselleştirme

ve sabit renk ölçeği standardizasyonu ile YOLOv8 modeli ilk kez RAD–DAR veri

kümesine başarıyla entegre edilmiştir. Güncel deneylerde model, %99.01 kesinlik,

%97.56 geri çağırma ve %98.27 F1 skoru elde ederek hem sınıflandırma hem de

konumlandırma görevlerinde güçlü bir performans sergilemiş, tek-aşamalı mimarisi

sayesinde gerçek-zamanlı (>30 FPS) radar hedef tespiti gerçekleştirebilmiştir.

• RT-DETR’in Radara Taşınması: Bu çalışma, Real-Time Detection Transformer

(RT-DETR) modelini radar verisi üzerinde uygulayan ilk çalışmadır. Verimli hibrit

kodlayıcı ve IoU-duyarlı sorgu mekanizması sayesinde, dron sınıfında %100 F1 skoru

elde edilmiş; genel olarak ise %99.05 F1 skoru yakalanarak mevcut Transformer

tabanlı radar yaklaşımlarının hem doğruluk hem de işlevsellik bakımından önüne

geçilmiştir.

• Açık ve Tekrarlanabilir Karşılaştırmalı Referans: CNN, CNN-LSTM, YOLOv8

ve RT-DETR mimarilerinin ayrıntılı eğitim/test betikleri, veri hazırlama kodları ve

etiket setleriyle birlikte Kaggle ortamında paylaşılmıştır. Böylece RAD-DAR üzerine

gelecek araştırmalar için sağlam bir kıyas hattı ve yeniden üretilebilir bir referans

noktası sunulmuştur.

Bu katkılar, radar sinyal işlemedeki klasik yaklaşımlar ile modern derin öğrenme

metodolojilerini birleştirerek dayanıklı, hassas ve gerçek-zamanlı dron tespit sistemleri

geliştirilmesine yönelik önemli bir adım oluşturmaktadır.

1.4. Tezin Organizasyonu

Tezin organizasyonu şu şekildedir:

Bölüm 1, tezin motivasyonunu, katkılarını ve kapsamını sunmaktadır.

Bölüm 2, radar görü”ntüleme prensipleri, RAD-DAR veri kümesi açıklaması ve sinyal

işleme teknikleri ile ilgili kapsamlı bir arka plan sunmaktadır. Matematiksel temsiller ve

görüntü oluşturma adımları detaylandırılmaktadır.

7


Bölüm 3, ilgili çalışmaları detaylıca incelemekte, radar tabanlı dron tespiti için mevcut

yöntemlere ve nesne sınıflandırmasında derin öğrenme modellerinin entegrasyonuna

odaklanmaktadır.

Bölüm 4, önerilen metodolojileri tanıtmakta, CNN, dikkat mekanizmalı CNN-LSTM,

YOLOv8 ve RT-DETR mimarilerini RAD-DAR veri kümesi üzerindeki veri ön işleme ve

eğitim stratejileriyle birlikte açıklamaktadır.

Bölüm 5, önerilen modellerin deneysel sonuçlarını ve performans analizlerini sunmaktadır.

Doğruluk, kesinlik, geri çağırma ve F1 skoru gibi değerlendirme metrikleri ve karşılaştırmalı

analizler yapılmaktadır.

Bölüm 6, tezin bulgularını özetleyerek, önceki çalışmalarla karşılaştırmalı sonuçları ve

gelecekteki araştırma yönlerini tartışmaktadır.

2. TEMEL KAVRAMLAR ve VERİ KÜMESİ

Bu bölüm, radar tabanlı derin öğrenme yaklaşımımızı kavramsal ve teknik açıdan

temellendirmek için gerekli arka planı sunar. Önce radar menzil-Doppler görüntülerinin

fiziksel prensipleri, matematiksel temsili ve sinyal işleme adımları ayrıntılandırılır; ardından

RAD-DAR veri kümesinin kayıt düzeni, güçlü yönleri ve kısıtları tartışılır. Son olarak, bu

ham verilerin YOLOv8 ile RT–DETR modellerine uygun ısı-haritası biçimine dönüştürülme

süreci ve bu modellerin değerlendirme metrikleri ele alınır.

2.1. Radar Görüntüleri

Radar görüntüleri, radar sistemleri tarafından yakalanan verileri görselleştirmek için önemli

bir yöntemdir. Bu görüntüler genellikle iki boyutlu (2D) veya üç boyutlu (3D) matrisler

olarak gösterilir ve her bir eleman belirli bir mesafe (menzil) ve göreli hız (Doppler frekansı)

ile ilişkilidir. Bu görüntülerdeki renk veya yoğunluk, çevredeki belirli bir noktadan alınan

radar sinyalinin gücünü gösterir [7].

8


2.1.1. Temel Kavramlar

• Radar Prensibi: Radar sistemleri, elektromanyetik dalgalar yayarak bu dalgaların

nesnelere çarpıp radara geri dönmesi ilkesine dayanır. Bu geri dönen sinyallerin analiz

edilmesiyle nesnenin menzili, hızı ve konumu hakkında bilgi edinilir [7].

• Menzil Ölçümü: Hedefe olan mesafe, radar darbesinin gönderilmesi ile yankısının

alınması arasındaki zaman gecikmesi (∆t) ölçülerek hesaplanır. Sürekli dalga (CW)

radarında, menzil bilgisi frekans modülasyonu ile kodlanır [13].

• Hız Ölçümü: Alınan sinyaldeki frekans kaymasını ifade eden Doppler etkisi, hedefin

göreli hızını hesaplamak için kullanılır [14].

2.1.2. Radar Görüntü Türleri

• Menzil Profilleri: Alınan sinyalin çeşitli mesafeler üzerindeki gücünü gösteren tek

boyutlu grafiklerdir ve tespit edilen nesnelerin basit bir görünümünü sağlar [7].

• Menzil-Doppler Haritaları: Bu iki boyutlu görüntüler, menzil ve hız bilgilerini

birlikte gösterir ve her hücre belirli bir menzil ve hızdaki sinyal yoğunluğunu temsil

eder [13].

• Sentetik Açıklıklı Radar (SAR) Görüntüleri: Yüksek çözünürlüklü bu iki boyutlu

görüntüler, radar platformunun hareketi sırasında toplanan verilerin işlenmesiyle

oluşturulur ve sahnenin ayrıntılı bir analizini sağlar [15].

2.1.3. Matematiksel Temsil

• Alınan Sinyal: Radar tarafından alınan sinyal s(t), hem menzil hem de hız bilgilerini

içerir:

s(t) = Aej(2πfct+ϕ(t)+ϕD)

9


Burada:

– s(t): Radardan alınan kompleks zaman-alanı sinyali,

– t: Sinyalin gözlemlendiği zaman değişkeni,

– A: Alınan sinyalin genliği,

– fc: Taşıyıcı frekans,

– ϕ(t): Menzile bağlı faz değişimi,

– ϕD = 2πfDt: Doppler kaymasına bağlı faz değişimidir.

Bu denklem, radar sistemlerinin mesafe ve hız ölçümleri için faz ve frekans

değişikliklerini nasıl kullandığını göstermektedir [7], [13].

• Sinyal Gücü: Hedeften R mesafesinde alınan sinyal gücü P aşağıdaki denklemle ifade

edilir:

P =
PtGtGrλ

2σ

(4π)3R4L

Burada:

– Pt: Gönderilen güç,

– Gt ve Gr: Gönderici ve alıcı anten kazançları,

– λ: Radar sinyalinin dalga boyu,

– σ: Hedefin radar kesit alanı,

– L: Sistem kayıplarını ifade eder.

Bu denklem, gönderilen güç, mesafe ve diğer faktörlerin alınan sinyal gücünü nasıl

etkilediğini göstermektedir [7].

10


2.1.4. Radar Görüntülerinin Yorumlanması

• Yoğunluk: Bir radar görüntüsündeki yoğunluk, nesnelerden yansıyan gücün miktarını

gösterir. Daha yüksek yoğunluk, genellikle daha büyük veya daha yansıtıcı hedefleri

ifade eder [7].

• Menzil Ekseni: Bu eksen, radardan algılanan nesnelere olan mesafeyi gösterir. Bu

eksendeki her hücre, belirli bir mesafe aralığına karşılık gelir [13].

• Doppler Ekseni: Doppler ekseni, algılanan nesnelerin göreli hızını gösterir. Pozitif ve

negatif kaymalar, nesnelerin radara doğru mu yoksa radardan uzağa mı hareket ettiğini

gösterir [14].

2.2. Radar Görüntüsü Oluşturma ve Sinyal İşleme Adımları

Frekans Modülasyonlu Sürekli Dalga (FMCW) radarlar kullanılarak radar görüntüsü

oluşturma işlemi, sinyal üretiminden gelişmiş işlem tekniklerine kadar uzanan bir dizi iyi

tanımlanmış adımdan oluşur. RAD-DAR veri kümesi gibi veri kümeleri için bu yöntem,

doğru hedef tespiti sağlamak açısından önemlidir [16]. İşlem, düşükten yükseğe doğru

frekans taraması yapan bir frekans modüleli sinyalin üretilmesi ve iletilmesiyle başlar. Sinyal

bir hedefe çarptığında, hedefin menzil ve hızına ilişkin bilgileri taşıyan bir yansıma sinyali

geri döner.

Şekil 2.1, bu işlemi ayrıntılı olarak göstermekte ve radar sinyal işleme sırasında kullanılan

anahtar adımları vurgulamaktadır. Bu adımlar, sonraki bölümlerde detaylandırıldığı gibi hızlı

zaman ve yavaş zaman Fourier dönüşümleri, Doppler ve tek darbe işleme, menzil-Doppler

haritası oluşturma ve nihayetinde nesne algılama görevleri için uygun hale getirilen verilerin

işlenmesini kapsamaktadır.

11


Şekil 2.1 FMCW Radar için Sinyal İşleme ve Görüntü Oluşturma Adımları

2.2.1. Sinyal İletimi (FMCW)

Gönderilen sinyalin matematiksel ifadesi şu şekildedir:

stx(t) = Atx cos
(
2πfct+ πµt2

)
Burada:

• t: Sinyalin gözlemlendiği zaman değişkeni,

• Atx: Sinyalin genliği,

• fc: Başlangıç frekansı,

• µ = ∆f
Tm

: Chirp oranı, frekansın zamanla ne kadar hızlı değiştiğini gösterir.

Bu yaklaşım, hem mesafe hem de hız ölçümlerinin hassas bir şekilde yapılmasına olanak

tanır [17].

2.2.2. Sinyalin Alınması ve Karıştırma

Gönderilen FMCW sinyali bir hedeften yansıdığında, mesafeye bağlı olarak hafif bir

gecikmeyle (τ = 2R
c

) radara geri döner. Alınan sinyal şu şekilde ifade edilir:

srx(t) = Arx cos
(
2πfc(t− τ) + πµ(t− τ)2

)
12


Yararlı bilgileri çıkarmak için, bu sinyal gönderilen sinyalle karıştırılır ve ara frekans (IF)

sinyali elde edilir:

sIF(t) = stx(t) · srx(t)

Bu işlemin sonucunda oluşan vuruş frekansı (fb), hedefin menzili ile doğrudan ilişkilidir:

fb = µτ =
2µR

c

Burada:

• fb: Gönderilen ve alınan sinyaller arasındaki frekans farkını temsil eden vuruş frekansı,

• µ: Chirp oranı,

• τ : Sinyalin hedefe gidip dönmesi için geçen süre,

• R: Hedefin menzili,

• c: Işığın boşluktaki hızı.

Bu işlem, radarın hedefin mesafesini belirlemesine olanak tanır [16].

2.2.3. Analog-Dijital Dönüşüm

Analog ara frekans (IF) sinyali, Analog-Dijital Dönüşüm (ADC) sırasında dijital formata

dönüştürülür. Bu adım, sürekli analog sinyalin dijital bir temsil haline getirilmesini

sağlayarak, Fourier dönüşümleri, Doppler işleme ve menzil-Doppler haritası oluşturma gibi

dijital sinyal işleme operasyonlarının temelini oluşturur [13].

13


2.2.4. Hızlı Zaman FFT ve Menzil Çıkartımı

Radar sinyal işleme, örneklenmiş ara frekans (IF) sinyalinin Hızlı Zamanlı Hızlı Fourier

Dönüşümü (FFT)’ne tabi tutulmasıyla başlar. Bu işlem, her bir chirp için sinyali zaman

alanından frekans alanına dönüştürür. Hızlı Zaman FFT çıktısı, frekans spektrumu üretir

ve her frekans hücresi belirli bir menzil ile ilişkilidir. Menzil, R, aşağıdaki denklemle

hesaplanır:

R =
fbc

2µ
(1)

Burada:

• fb: FFT çıktısından çıkarılan vuruş frekansı,

• c: Işığın boşluktaki hızı,

• µ: Chirp oranı (µ = ∆f
Tm

) olup, ∆f frekans süpürmesini ve Tm chirp süresini ifade eder.

Hızlı Zaman FFT, radar sinyalinin çeşitli mesafelerdeki yoğunluğunu gösteren tek boyutlu

bir menzil profili sağlar.

Şekil 2.2, Hızlı Zaman ve Yavaş Zaman FFT süreçlerini temsil etmektedir. Hızlı Zaman

FFT, tek bir chirp içindeki sinyali analiz ederek menzil profili çıkarırken, Yavaş Zaman FFT,

Doppler kaymalarını çıkarmak için bu verileri birden fazla chirp boyunca işler ve algılanan

nesnelerin hızını belirler.

2.2.5. Yavaş Zaman FFT ve Hız Çıkartımı

Menzil bilgisi elde edildikten sonra, birden fazla chirp üzerinde Yavaş Zamanlı Hızlı

Fourier Dönüşümü (FFT) uygulanır. Yavaş Zaman FFT, zaman içindeki faz ve frekans

14


Şekil 2.2 Hızlı Zaman ve Yavaş Zaman FFT Süreçlerinin Temsili

değişikliklerini analiz ederek Doppler frekansı kaymalarını (fD) tespit eder ve hedefin göreli

hızını belirler. Radyal hız v, şu denklemle hesaplanır:

v =
fDλ

2
(2)

Burada:

• fD: Yavaş Zaman FFT çıktısından elde edilen Doppler frekans kayması,

• λ: Radar sinyalinin dalga boyudur.

Hızlı Zaman FFT (menzil) ve Yavaş Zaman FFT (hız) çıktılarının birleşimi, menzil-Doppler

haritasını oluşturarak, yansıyan sinyalin yoğunluğunu hem menzil hem de hız fonksiyonu

olarak gösteren iki boyutlu bir temsil sağlar.

2.2.6. Işın Şekillendirme (Beamforming)

Işın şekillendirme, radarın belirli yönlere odaklanma yeteneğini artıran gelişmiş bir sinyal

işleme tekniğidir. Bu işlem, bir anten dizisinden alınan sinyallerin fazını ve genliğini

ayarlayarak radar ışınının istenen hedefe yönlendirilmesini sağlar. Her bir anten elemanına

uygulanan faz kayması şu şekilde ifade edilir:

ϕn = −2π

λ
n∆x sin θ (3)

15


Burada:

• ϕn: n-inci anten elemanına uygulanan faz kayması,

• λ: Radar sinyalinin dalga boyu,

• n: Anten dizisindeki eleman indeksini temsil eder,

• ∆x: Anten elemanları arasındaki mesafe,

• θ: Işının yönlendirilmek istendiği açı.

Işın şekillendirme, radarın uzaysal çözünürlüğünü ve doğruluğunu artırarak iletilen ve alınan

enerjinin hedefin yönüne odaklanmasını sağlar ve diğer yönlerden gelen parazitleri en aza

indirir.

2.2.7. Tek Darbe İşleme (Monopulse Processing)

Hedefin açısının daha doğru ölçülmesi için tek darbe işleme (monopulse processing)

kullanılır. Bu yöntem, toplam ve fark kanallarından gelen sinyalleri karşılaştırarak açısal

tahmini iyileştirir [18]. Tek darbe hata oranı şu şekilde tanımlanır:

e(θ) =
∆(θ)

Σ(θ)

Burada:

• e(θ): Hedefin merkezinden sapmayı gösteren tek darbe hata oranı,

• ∆(θ): Fark sinyali, iki anten setinden alınan sinyallerin farkı ile hesaplanır,

• Σ(θ): Tüm anten elemanlarından alınan sinyallerin toplamını ifade eder.

Bu hesaplama, toplam ve fark sinyallerinin göreceli güçlerini değerlendirerek hedefin kesin

yönünü belirlemeye yardımcı olur.

16


2.2.8. Menzil ve Hız Tahmini

Radar sistemlerinde menzil ve hız, hedeflerin tespit edilmesi ve izlenmesi için kullanılan iki

temel parametredir:

• Menzil (Range): Menzil, radar ile hedef arasındaki mesafeyi ifade eder. Bu mesafe,

gönderilen ve alınan radar darbeleri arasındaki zaman gecikmesi ölçülerek hesaplanır.

Menzil R, şu denklemle hesaplanabilir:

R =
c · t
2

Burada c ışık hızı, t ise radar sinyalinin hedefe gidip dönmesi için geçen süreyi temsil

eder.

• Hız (Velocity): Hız, hedefin radara göre hareket hızını ifade eder. Bu hız, alınan

sinyaldeki Doppler frekans kayması gözlemlenerek ölçülür. Pozitif Doppler kayması

hedefin radara doğru hareket ettiğini, negatif kayma ise uzaklaştığını gösterir. Hız v şu

denklemle hesaplanabilir:

v =
∆f · λ

2

Burada ∆f Doppler kayması, λ ise radar sinyalinin dalga boyudur.

2.2.9. Menzil-Doppler Haritasının Oluşturulması

Radar, menzil ve Doppler frekansı verilerini topladıktan sonra, iki boyutlu bir

menzil-Doppler haritası oluşturulur. Menzil-Doppler haritası, farklı menzil ve Doppler

frekanslarındaki yansıyan sinyal yoğunluğunu gösterir ve çevrenin kapsamlı bir görünümünü

sağlar [7].

Bu haritanın her noktası, belirli bir menzil ve Doppler frekansına (hedefin göreli hızına bağlı)

karşılık gelir ve yoğunluk, yansıyan sinyalin gücünü temsil eder. Bu harita, birden fazla

17


hedefin hem mesafesini hem de radyal hızını aynı anda görselleştirmeyi sağlar ve doğru

hedef tespiti ve izleme için gereklidir.

2.2.10. Hedef Tespiti ve CFAR Algoritmaları Kullanılarak Çıkarım

Potansiyel hedefleri belirlemek için radar, Sabit Yanlış Alarm Oranı (CFAR) algoritması

uygular. Bu adaptif teknik, çevredeki gürültü seviyesine bağlı olarak tespit eşiğini

ayarlayarak hedef tespitinin güvenilirliğini artırır [19]. CFAR algoritmaları, farklı gürültü

ve karmaşık senaryolara uyum sağlamak için radar sinyal işleme alanında çok önemlidir.

En yaygın kullanılan CFAR türleri arasında Ortalama Hücre CFAR (CA-CFAR), Sıralama

İstatistiği CFAR (OS-CFAR) ve En Büyük CFAR (GO-CFAR) bulunur. Bu yöntemler

sayesinde, düşük SNR değerlerine sahip zorlu sahnelerde bile yanlış alarm olasılığı kabul

edilebilir sınırlar içinde tutulabilir.

Ortalama Hücre CFAR (CA-CFAR):

CA-CFAR dedektörü, çevredeki gürültü seviyesine dayalı olarak adaptif bir eşik oluşturup

sinyal gücünü karşılaştırarak radar tespitlerini gerçekleştirir. Bu işlem, her tespiti bir radar

noktasına dönüştürerek, menzil, hız, azimut, sinyal gücü ve zaman gibi bilgileri içeren bir

hedef listesi oluşturur. CFAR algoritması Şekil 2.3’te gösterilmektedir.

İlk tespitler yapıldıktan sonra veriler, hedeflerin bulunma olasılığının yüksek olduğu alanlara

odaklanmak için menzil-Doppler matrislerini kırpılarak rafine edilir. Bu matrisler, araçlar,

dronlar veya insanlar gibi belirli hedef türleriyle ilişkili daha küçük alt matrislere bölünür.

Bu tezde kullanılan RAD-DAR veri kümesi benzer bir yapıyı takip eder. Veri kümesi, bu

hedef kategorilerini ve mesafe-Doppler uzayındaki ayırt edici özelliklerini 400 ms aralıklarla

kaydedilen verilerle düzenlemektedir. Bu yapı, fiziksel boyut, radar kesit alanı (RCS)

ve insanlarda uzuv hareketi gibi hareketlerden kaynaklanan benzersiz Doppler desenleri

gibi özelliklere dayalı hedef sınıflandırma görevlerini desteklemektedir [3]. Böylece,

sınıflandırma ağlarına yalnızca bilgi bakımından zengin bölgeler sunularak hem eğitim

süresinin kısaltılması hem de modelin genel doğruluğunun artırılması sağlanmaktadır.

18


Şekil 2.3 Ortalama Hücre Sabit Yanlış Alarm Oranı (CA-CFAR) Algoritması [2]

Derin Öğrenme Kullanılarak Radar Tespitindeki Gelişmeler:

Son yıllarda CNN’ler, geleneksel CFAR yöntemlerine ek veya alternatif olarak radar

hedef tespiti görevlerinde uygulanmıştır. Bu derin öğrenme tabanlı yöntemler, özellikle

geleneksel CFAR tekniklerinin zorlandığı karmaşık ortamlarda potansiyel göstermektedir.

Örneğin, Yavuz ve Kalfa [2], CNN modellerinin zorlu koşullar altında tespit doğruluğunu

artırabileceğini göstermiştir. Bu çalışmalar, derin öğrenmenin radar tabanlı tespit

görevlerinde güçlü bir araç olabileceğini, uyum kabiliyeti ve dayanıklılığı artırarak klasik

CFAR yaklaşımlarına üstünlük sağladığını ortaya koymaktadır.

2.3. Radar Görüntüsü Oluşturmak İçin Alternatif Yöntemler

Bu alt bölümde, menzil-Doppler ısı haritalarına alternatif olarak kullanılan başlıca radar

görüntüleme yaklaşımlarına değinilecektir. Darbe-Doppler radarı ve SAR gibi tekniklerin

temelleri ve nasıl çalıştıkları özetlenecektir.

19


2.3.1. Darbe-Doppler Radarı

Darbe-Doppler radar, kısa elektromanyetik dalga darbeleri göndererek ve geri dönen

yankıları analiz ederek mesafe ve hız ölçümü yapar. Bu radar tipi, sürekli dalga (CW)

radarlara benzer şekilde Doppler kaymalarını ölçer ancak farklı bir işlem yöntemi kullanır

[7], [13].

2.3.2. Sentetik Açıklıklı Radar (SAR)

Sentetik Açıklıklı Radar (SAR), hedef bölgenin detaylı görüntülerini oluşturmak için radar

platformunun hareketini kullanır. Farklı açılardan veri toplayarak büyük bir anten açıklığı

sentezler ve yüksek çözünürlüklü görüntüler üretir. Bu yöntem, arazi haritalama ve sabit

nesne gözlemi için yaygın olarak kullanılmaktadır [15], [20].

2.4. RAD-DAR Veri Kümesi

2.4.1. Genel Bakış

RAD-DAR veri kümesi, dronlar, insanlar ve araçları sınıflandırmak için güvenilir

etiketli veriler toplamak amacıyla gerçekleştirilen kontrollü bir deneme kampanyasıyla

oluşturulmuştur [3]. Bu veri kümesi, Kaggle platformunda CC BY 4.0 lisansı altında herkese

açıktır ve radar tabanlı algoritmaların test edilmesi ve değerlendirilmesi için serbestçe

kullanılabilir.

RAD-DAR veri kümesi, her biri radar hücrelerindeki güç değerlerini (dBm cinsinden) içeren

11 × 61 matrislerden oluşan binlerce CSV dosyasını içermektedir. Veriler, kök dizin hedef

sınıfını (örneğin, dron, araç veya insan) belirten ve alt dizinler deney verilerini içeren bir

dizin yapısına sahiptir. Yazarların bilgisine göre, bu veri kümesi gerçek bir saha ortamında

kaydedilen gerçek verilere dayalı ilk kamuya açık menzil-Doppler radar veri kümesidir [3].

20


2.4.2. Kayıt Ortamı ve Kurulum

Şekil 2.4 RAD-DAR Veri Kümesi için Yerdeki Güzergahlar [3]

Kayıt alanı, İspanya’nın Riocabado, Avila kasabasında, maksimum 5 km’ye kadar açık

görüş hattına sahip bir çiftliktir. Şekil 2.5’de gösterilen radar sistemi kurulumu, çeşitli

koşullarda gerçekleştirilen etkinlikleri kaydederek veri çeşitliliğini sağlamıştır.

Veri kümesinin çeşitliliğini artırmak için çeşitli kayıt egzersizleri gerçekleştirilmiş, her hedef

farklı mesafe, hız ve yönelimlerde kaydedilmiştir. Kayıt için en uygun yolları belirlemek

amacıyla bir görünürlük haritası oluşturulmuştur. Bu çalışma sonucunda iki ana güzergah

belirlenmiştir:

• Güzergah A: Şekil 2.4’te mavi renkle belirtilen bu güzergah, 2.7 km uzunluğunda

olup radardan maksimum 2.5 km uzaklığa ulaşır. Hedefler başlangıçta doğrusal olarak

hareket eder, ardından radyal olarak ilerleyerek farklı yönelimlere sahip olur.

• Güzergah B: Şekil 2.4’te kırmızı renkle belirtilen bu güzergah, 1.7 km uzunluğunda

olup maksimum 1.5 km uzaklığa ulaşır. Bu güzergahın eğimi, kaydedilen verilere

çeşitli hedef yönelimleri ekleyerek veri çeşitliliğini artırır.

21


Şekil 2.5 RAD-DAR Veri Kümesi için Saha Testi Kurulumu [3]

Her güzergah farklı hızlarda tekrarlanarak, farklı Doppler hücrelerine yayılan güç

ölçümlerinin elde edilmesi sağlanmıştır.

2.4.3. Dron Verilerinin Toplanması

Dron verilerinin toplanması, DJI Phantom 3 adlı ticari mikro-dron kullanılarak

gerçekleştirilen çeşitli uçuş egzersizlerini içermektedir. Tüm uçuşlar, yakınlardaki köyden

22


uzak durmak amacıyla radarın doğusunda gerçekleştirilmiştir. Üç farklı uçuş modeli

kaydedilmiştir:

1. Radyal Uçuşlar: Maksimum 3.1 km mesafeye kadar uzanan radyal uçuşlar

gerçekleştirilmiştir.

2. Dairesel Uçuşlar: 800 m mesafede merkezlenmiş ve 200 m yarıçapa sahip dairesel

uçuşlar kaydedilmiştir.

3. Serbest Uçuşlar: Hız ve irtifa manuel olarak ayarlanarak farklı yönelim ve hızlarla

serbest uçuşlar gerçekleştirilmiştir.

2.4.4. Veri Kümesi İstatistikleri

Son RAD-DAR veri kümesi, üç sınıfta toplam 17.485 örnek içermekte olup dengeli bir

dağılıma sahiptir:

• Dronlar: 5.065 örnek (% 28,97)

• İnsanlar: 6.700 örnek (% 38,32)

• Araçlar: 5.720 örnek (% 32,71)

Bu dengeli veri kümesi, sinir ağlarının ve diğer sınıflandırma algoritmalarının eğitimi ve testi

için uygundur.

2.4.5. RAD-DAR Veri Kümesinin Güçlü Yönleri

RAD-DAR veri kümesinin güçlü yönlerini vurgulamak, bir modelin neden ve hangi

koşullarda iyi performans gösterdiğini anlamak için önemlidir. Veri kümesinin

çeşitliliği, kontrollü ortamı, dengeli sınıf dağılımı ve detaylı kayıt düzeni gibi faktörler,

23


makine öğrenimi modellerinin sağlamlık ve genelleme yeteneklerine doğrudan katkıda

bulunmaktadır.

RAD-DAR veri kümesinin en önemli avantajlarından biri, çeşitli gerçek dünya senaryolarını

içermesidir. Veri kümesi, farklı mesafelerde, hızlarda ve yönelimlerde kaydedilen dron,

insan ve araç radar kayıtlarını içermektedir. Bu çeşitlilik, veri kümesi üzerinde eğitilen

makine öğrenimi modellerinin daha geniş bir sınıflandırma zorlukları kümesini ele almasına

olanak tanır ve modellerin daha önce görülmemiş verilere karşı genelleme yeteneğini artırır.

Gerçek dünya karmaşıklıklarını simüle ederek veri kümesi, farklı ortamlarda etkili bir şekilde

çalışabilen radar tabanlı algılama sistemlerinin geliştirilmesi için sağlam bir temel sağlar.

Veri kümesinin bir diğer önemli avantajı, verilerin kaydedildiği kontrollü ve gerçekçi

ortamdır. Veri, İspanya’nın Riocabado, Avila kasabasındaki bir çiftlikte dikkatlice yönetilen

koşullarda kaydedilmiştir. Bu ortam, maksimum 5 km’ye kadar açık görüş hattı sağlayarak

veri kalitesini artırmış ve parazitleri en aza indirmiştir. Gerçekçi fakat kontrollü bir

ortam, verilerin pratik uygulamalara uygunluğunu korurken, kontrolsüz değişkenlerden

kaynaklanan potansiyel tutarsızlıkları önler. Bu nitelikler, RAD-DAR veri kümesini radar

tabanlı nesne algılama algoritmalarının kıyaslanması ve geliştirilmesi için ideal bir seçim

haline getirmektedir.

RAD-DAR veri kümesinin kamuya açık olması, değerini daha da artırmaktadır. Veri

kümesi, Kaggle platformunda CC BY 4.0 lisansı altında yayınlanmış olup, araştırmacılar

ve geliştiricilerin veriye serbestçe erişmesini, veriyi değiştirmesini ve paylaşmasını

sağlamaktadır. Bu düzeyde açıklık, araştırma topluluğu arasında işbirliğini teşvik etmekte,

sonuçların tekrarlanabilirliğini artırmakta ve radar tabanlı sınıflandırma tekniklerinin

kıyaslanmasını kolaylaştırmaktadır.

Ek olarak, veri kümesinin dengeli sınıf dağılımı da dikkat çekici bir avantajdır. Veri kümesi,

üç hedef sınıf arasında dengeli bir şekilde dağıtılmış toplam 17.485 örnek içermektedir.

Dengeli veri kümesi, makine öğrenimi modellerinin adil bir şekilde eğitilmesini sağlar ve

belirli sınıflara yönelik yanlılığı azaltır, böylece algoritmaların genelleme yeteneğini artırır.

24


2.4.6. RAD-DAR Veri Kümesinin Sınırlamaları

Her ne kadar RAD-DAR veri Kümesi radar tabanlı nesne sınıflandırma araştırmalarında

önemli bir kaynak sağlasa da, bazı sınırlamaları genel kullanılabilirliği ve genelleme

yeteneğini etkileyebilir. Bu sınırlamalardan biri, veri kümesinin kapsamının sınırlı olmasıdır.

Veri kümesi yalnızca üç hedef sınıfa (dronlar, insanlar ve araçlar) odaklanmaktadır. Bu

sınıflar radar tabanlı uygulamalar açısından önemli olsa da, bisikletler, hayvanlar veya

büyük araçlar gibi ek hedef türlerinin olmaması, veri kümesinin daha kapsamlı sınıflandırma

görevleri için kullanımını kısıtlayabilir. Daha fazla sınıfın eklenmesi, veri kümesinin çok

yönlülüğünü ve daha geniş uygulamalara olan uygunluğunu artıracaktır.

Bir diğer önemli sınırlama, veri kümesinin sabit matris boyutudur. Her örnek, radar

hücrelerinde güç değerlerini içeren 11×61 boyutunda bir matris olarak yapılandırılmıştır. Bu

yapı, tutarlı işlemeyi kolaylaştırırken, aynı zamanda veri kümesi üzerinde eğitilen modellerin

esnekliğini de sınırlayabilir. Farklı boyut veya konfigürasyonlara sahip veri kümelerine

genelleme yapmakta zorlanabilirler.

Son olarak, tüm veriler tek bir kayıt alanında (Riocabado, Avila, İspanya) kaydedildiği

için çevresel çeşitlilik eksikliği göze çarpmaktadır. Farklı hava ve arazi koşullarının veri

kümesinde temsil edilmemesi, radar verilerinin gerçek dünyadaki karmaşıklıklarını tam

olarak yansıtmayabilir.

Bu durum, RAD-DAR veri kümesi üzerinde eğitilen modellerin, çok yollu yansımaların

meydana geldiği kentsel alanlar veya yoğun bitki örtüsüne sahip bölgeler gibi farklı

ortamlarda sınırlı performans göstermesine neden olabilir. Farklı kayıt ortamlarının dahil

edilmesi, veri kümesinin değerini büyük ölçüde artıracak ve eğitilen modellerin genelleme

ve dayanıklılık yeteneklerini iyileştirecektir.

Özetle, RAD-DAR veri kümesi, radar tabanlı nesne sınıflandırma araştırmalarında değerli

bir temel sağlamakla birlikte, sınıf kapsamının sınırlı olması, sabit matris boyutu, tek

kayıt konumu ve çevresel çeşitlilik eksikliği gibi bazı sınırlamaları bulunmaktadır. Bu

25


sınırlamaların ele alınması, veri kümesinin genellenebilirliğini artıracak ve daha geniş radar

araştırma ve gerçek dünya uygulamaları için uygun hale getirecektir.

2.5. YOLO ve RT–DETR İçin RAD–DAR Veri Kümesinden Görüntü

Üretimi

Hem YOLOv8 hem de RT–DETR, giriş olarak RGB kanallı görüntüler beklediğinden,

RAD–DAR’daki ham güç matrislerinin ısı haritası biçimine dönüştürülmesi gerekmiştir. Bu

bölüm, 11× 61 ölçülerindeki menzil–Doppler güç tablolarının renk-kodlu görsellere çevrilip

bağlama kutularıyla etiketlenerek iki dedektörün eğitiminde nasıl kullanıldığını özetler:

• Matristen Görsele Dönüşüm : Her radar örneği, menzile karşılık satır, Doppler

frekansına karşılık sütun içeren bir güç matrisi olarak başlar. Bu değerler, pikselleri

temsil eden uint8 aralığa ölçeklenip sahte renkli bir görüntü oluşturmaktadır.

• Renk Haritası Seçimi : Yoğunluk farklarını vurgulamak için jet paleti kullanılmıştır

(mavi → düşük, kırmızı → yüksek).

– −140 dBm dolayındaki zayıf yansımalar mavi-yeşil tonlara,

– −70 dBm’e yaklaşan güçlü yansımalar sarı-kırmızı tonlara

dönüştürülerek hem YOLOv8 hem de RT–DETR’in küçük güç farklarını görsel

desenler olarak öğrenmesi sağlanmıştır.

• Sabit Ölçekli Normalizasyon : Tüm matrisler, −140–−70 dBm bandına min–max

yöntemiyle normalize edilerek renk yoğunluklarının veri kümesi genelinde tutarlı

kalması sağlanmıştır. Böylece her piksel rengi, hem YOLOv8’de hem de RT–DETR’de

aynı fiziksel gücü temsil eder ve ağların genelleme kabiliyeti artar.

• Etiketleme ve Dizin Yapısı : Üretilen her ısı haritası, dron, araç, insan ve

background sınıflarını içerecek şekilde LabelImg aracıyla bağlama kutuları

(xmin, ymin, xmax, ymax) eklenerek etiketlenmiştir. Aynı data.yaml dosya yapısı

26


hem ultralytics.YOLO çağrısında hem de ultralytics.RTDETR çağrısında

kullanılmıştır; böylece iki model de radar çıkışlarını standart görüntü dosyaları gibi

okunmuş ortak anotasyon biçimiyle eğitilebilmiştir.

Bu ön-işleme hattı, radar menzil–Doppler uzayını görsel sinyallere haritalayarak YOLOv8’in

tek-geçişli evrişimsel dedektör mimarisiyle ve RT–DETR’in sorgu-tabanlı Transformer

mimarisiyle uyumlu bir arayüz oluşturmuştur. Sonuçta her iki model de, ham güç değerleri

yerine renk desenlerini öğrenerek %99’a varan doğru tespit performansına ulaşmıştır.

2.5.1. RAD–DAR Veri Kümesinde Yüksek ve Düşük SNR Örnekleri

Isı–haritası üretim süreci, RAD–DAR veri kümesindeki yüksek SNR/SCR (signal–to–noise

/ signal–to–clutter ratio) kareleri ile düşük SNR/SCR karelerini yan yana incelemeye imkân

tanır (Şekil 2.6). Kırmızı–sarı tonlarda yoğunlaşan hedef piksel kümelerinin mavi–yeşil

arka plan gürültüsünden keskin spektral kontrastla ayrıldığı kareler “yüksek SNR/SCR”,

hedef–zemin kontrastının renk skalasında bastırıldığı ve kontur belirsizliğinin ortaya çıktığı

kareler ise “düşük SNR/SCR” kategorisine atanmıştır. Gözlem tamamen nitel spektral

kontrast analiziyle gerçekleştirilmiştir. Yüksek ve düşük SNR/SCR senaryolarındaki ayrım,

hem YOLOv8 hem de RT–DETR’nin güçlü ve zayıf yönlerini somut olarak ortaya koyar:

• Yüksek SNR/SCR kareleri hedef imzasının zemin yansımalarına göre baskın,

yoğunluk gradyanlarının net olduğu durumlardır. Her iki dedektörde de ≥ 99%

doğruluğa katkı sağlamıştır.

• Düşük SNR/SCR kareleri speckle gürültüsünün yüksek, hedef enerjisinin zayıf ya da

zeminle çakıştığı durumlardır. RT–DETR’de geri-çağırma kaybına, YOLOv8’de ise

sınırlı sayıda araç → arkaplan ve araç → dron hatasına yol açmıştır.

Araç–dron spektral çakışması. Düşük SNR durumlarında, seyrek yansıma üreten yavaş

ya da durağan araçlar büyük radar kesit alanına (RCS) rağmen enerjiyi geniş alana yayarak

27


dron benzeri bir menzil–Doppler örüntüsü oluşturmuştur. Bu durum her iki modelde de araç

→ dron / arkaplan karışmasının başlıca nedenidir.

İnsan–araç örtüşmesi. Benzer biçimde, statik duruşlu veya metal aksesuarlı yayalar

RCS’yi artırarak kompakt ve güçlü bir enerji çakışması üretmiş, araç benzeri görünüm

sergilemiştir. Bu çakışma, düşük SNR karelerinde insan → araç hatalarını tetiklemiştir.

Özetle, yüksek SNR/SCR kareleri, modelleri besleyen kritik “temiz” örnekleri sağlarken;

düşük SNR/SCR kareleri hâlen iyileştirilmesi gereken zorlayıcı radar senaryolarını temsil

etmektedir.

28


Şekil 2.6 Radar Veri Görselleştirmelerinin Karşılaştırması, Menzil–Doppler Yoğunluk
Desenlerindeki Farklılıklar

29


3. İLGİLİ ÇALIŞMALAR

Bu bölüm, radar tabanlı dron tespitine dair literatürdeki gelişimi kronolojik olarak

inceleyerek alanın evrimini ortaya koymaktadır. Önce küçük İHA’ların algılanmasında

yaşanan erken dönem zorluklar ve mikro-Doppler temelli klasik yaklaşımlar

özetlenmektedir; ardından makine öğrenmesi ile derin öğrenmenin radar verilerine

entegrasyonu sonucu elde edilen başarımlar tartışılmaktadır. Son olarak, çok-lu modalite

sistemleri, hafif tespit ağları (YOLO-RD) ve zamansal modellemeye dayalı ConvLSTM gibi

güncel yöntemler ele alınarak gelecekteki araştırma eğilimleri değerlendirilmektedir.

3.1. Dron Tespiti, Tarihsel Bağlam ve Gelişim Süreci

İnsansız hava araçlarının (İHA), yaygın adıyla dronların, son birkaç on yılda hızla

yaygınlaşması, etkili tespit ve izleme sistemlerine olan ihtiyacı artırmıştır. Erken dönem dron

tespit yöntemleri, genellikle büyük uçaklar için tasarlanmış geleneksel radar sistemlerine

dayanmış, ancak bu sistemler dronların küçük radar kesit alanı (RCS) ve alçak irtifa uçuş

desenleri nedeniyle yetersiz kalmıştır [21].

Bu zorluklara yanıt olarak, araştırmacılar küçük İHA’ları tespit edebilecek özel radar

teknikleri geliştirmeye başlamıştır. Örneğin, Molchanov ve arkadaşları [22], dronları

diğer hava nesnelerinden ayırt etmek için mikro-Doppler imzalarını kullanmayı önermiştir.

Mikro-Doppler özelliklerinin, dron pervanelerinin benzersiz hareket karakteristiklerini

yakalayarak tespit için ayırt edici imzalar sağladığını ortaya koymuştur [22].

Alan ilerledikçe, tespit yeteneklerini artırmak amacıyla radar sistemlerine makine öğrenmesi

algoritmaları entegre edilmiştir. Kim ve Moon [6], mikro-Doppler imzalarına dayalı

olarak İHA’ları sınıflandırmak için destek vektör makineleri (SVM) kullanmış ve geleneksel

yöntemlere göre doğruluğun arttığını göstermiştir. Derin öğrenmenin ortaya çıkışıyla

birlikte, CNN mimarilerinin radar görüntülerinden otomatik olarak özellikler çıkarması tespit

performansında önemli ilerlemeler sağlamıştır [3].

30


Daha sonra, birden fazla sensör modalitesinin entegrasyonu sayesinde yeni gelişmeler

kaydedilmiştir. Rahman ve arkadaşları [23], karmaşık ortamlarda tespiti iyileştirmek

için radar ve optik sensörlerin birleşimini araştırmıştır. Ayrıca, sentetik açıklıklı radar

(SAR) tekniklerini kullanan yaklaşımlar, mekânsal çözünürlüğü artırmak ve hedef kimliğini

belirlemek amacıyla incelenmiştir [24].

Son araştırmalar, gelişmiş sinyal işleme ve derin öğrenme teknikleri kullanılarak dronların

gerçek zamanlı tespiti ile sınıflandırılmasına odaklanmaktadır. Zhang ve arkadaşları

[25], frekans modülasyonlu sürekli dalga (FMCW) radarı ile CNN’leri kullanarak farklı

çevresel koşullarda yüksek tespit oranları elde eden gerçek zamanlı bir dron tespit sistemi

geliştirmiştir. Ayrıca, Xing ve arkadaşları [26], mikro-Doppler imza çıkarımını iyileştirmek

için bistatik radar konfigürasyonları kullanarak İHA tespiti için bir yöntem önermiştir.

Özetle, radar görüntüleri yoluyla dron tespitinin evrimi, geleneksel radar yöntemlerinden

makine öğrenimi ve derin öğrenme algoritmalarını içeren sofistike sistemlere doğru

ilerlemiştir. Bu gelişmeler, dronların küçük boyutu ile karmaşık uçuş desenleri gibi

zorlukların üstesinden gelerek tespit ve sınıflandırma yeteneklerini önemli ölçüde artırmıştır.

Devam eden araştırmalar, gerçek zamanlı işleme, çeşitli çevrelerde dayanıklılık ve diğer

sensör modaliteleriyle entegrasyon gibi konulara odaklanmaktadır.

3.2. Makine Öğrenmesi ile Dron Tespiti

Makine öğrenmesi tekniklerinin dron tespitine uygulanması, gözetleme ve savunma

sistemlerinin yeteneklerini önemli ölçüde artırmıştır. Geleneksel radar tabanlı yöntemler,

dronların küçük boyutları, düşük irtifa uçuşları ve değişken hareket desenleri karşısında

genellikle yetersiz kalmıştır. Makine öğrenmesi, verilerden otomatik olarak özellik öğrenme

yeteneği sunarak tespit doğruluğunu ve yeni dron teknolojilerine adaptasyonu iyileştirmiştir.

Erken dönem makine öğrenmesi yaklaşımları, radar sinyallerinden özellikler çıkarma

ve bunları destek vektör makineleri (SVM) gibi algoritmalarla sınıflandırma üzerine

odaklanmıştır [6]. Bu yöntemler geleneksel tekniklere göre iyileşme sağlasa da, büyük

31


ölçüde manuel özellik mühendisliğine bağımlıydı ve karmaşık ve dinamik ortamlarda sınırlı

kalmıştır.

Derin öğrenmenin ortaya çıkışı, yeni bir paradigma değişikliği getirmiştir. Radar

spektrogramları ve mikro-Doppler imzalarını işlemek için CNN kullanılmaya başlanmıştır.

CNN’ler ham verilerden hiyerarşik özellikler çıkararak sınıflandırma performansını

artırmıştır [27]. Örneğin, Kim ve arkadaşları [27], Doppler ve mikro-Doppler

spektrogramlarını birleştiren CNN modelleri kullanarak dron tespit doğruluğunu artırmıştır.

Tekrarlayan sinir ağları (Recurrent Neural Network - RNN) ve LSTM, radar sinyallerindeki

zamansal bağımlılıkları yakalamak için kullanılmış ve tespit yeteneklerini daha da

geliştirmiştir [28]. Bu ağlar, radar dönüşlerinin zaman içindeki dizisini modelleyerek,

benzersiz uçuş desenleri sayesinde dronları etkili bir şekilde ayırt etmiştir.

Üretici Çekişmeli Ağlar (Generative Adversarial Networks - GAN), etiketlenmiş dron

verilerinin azlığı sorununu ele almak için incelenmiştir [29]. GAN’ler, sentetik radar imzaları

oluşturarak eğitim veri kümelerini artırmış ve tespit modellerinin dayanıklılığı ile genelleme

yeteneğini iyileştirmiştir.

Transfer öğrenme, geniş veri kümeleri üzerinde önceden eğitilmiş modelleri kullanarak

dronlara özgü veri ihtiyacını azaltmak için uygulanmıştır [30]. Bu yaklaşım, mevcut

modellerin ince ayar yapılarak dron tespiti görevlerine uyarlanmasını hızlandırmış ve

sistemlerin geliştirme sürecini hızlandırmıştır.

Radar, optik kameralar ve akustik sensörlerden gelen verilerin entegre edildiği çoklu

modalite yaklaşımları, çeşitli çevre koşullarında tespit doğruluğunu artırmak için

geliştirilmiştir [31]. Makine öğrenmesi algoritmaları, birden fazla sensörden gelen bilgileri

işleyip birleştirerek daha kapsamlı bir tespit yeteneği sunmuştur.

Gerçek zamanlı işleme, uç cihazlarda sinir ağlarının dağıtımı için optimizasyon

çabalarının merkezinde yer almıştır [32]. Model sıkıştırma ve budama gibi teknikler,

hesaplama gereksinimlerini azaltırken tespit performansını koruyarak sınırlı kaynaklara

sahip donanımlarda verimli çalışma sağlamıştır.

32


Çekişmeli makine öğrenmesi de incelenmiş ve tespit sistemlerinin yanıltma ve diğer

saldırılara karşı savunmasızlığı üzerine çalışmalar yapılmıştır [33]. Güvenilirlik ve güvenliği

sağlamak için saldırıya dayanıklı modeller geliştirmek, dron tespit sistemleri için hayati

önem taşımaktadır.

Sonuç olarak, makine öğrenmesi, otomatik özellik çıkarma, sınıflandırma doğruluğunu

artırma ve gerçek zamanlı işleme yetenekleri ile dron tespitinde devrim yaratmıştır.

Süregelen araştırmalar, gelişmiş algoritmalar ve teknikleri keşfederek ortaya çıkan zorluklara

yanıt vermekte ve dron tespit sistemlerinin etkinliğini artırmayı amaçlamaktadır.

3.3. Radar Görüntüleri ile Dron Tespiti

Radar görüntüleme yöntemlerinin dron tespitine uygulanması, son on yılda önemli ölçüde

ilerleme kaydetmiştir ve küçük insansız hava araçlarının (İHA) sunduğu benzersiz zorluklara

yanıt vermiştir. İlk araştırmalar, mevcut radar sistemlerini bu küçük hedefleri tespit edecek

şekilde uyarlamaya odaklanmıştır. 2012 yılında Koch ve Westphal [34], geleneksel radar

sistemlerinin zemin yansıması (ground clutter) arasında küçük İHA’ları tespit etmedeki

zorluklarını vurgulamıştır. Bu çalışma, yüksek çözünürlüklü radar ve gelişmiş sinyal işleme

tekniklerinin tespit yeteneklerini iyileştirme ihtiyacına dikkat çekmiştir.

2014 yılına gelindiğinde, radar görüntülerinden çıkarılan mikro-Doppler imzalarının

kullanımı üzerine odaklanılmaya başlanmıştır. Molchanov ve arkadaşları [22], dron

pervanelerinin hızlı hareketlerinden kaynaklanan bu mikro-Doppler özelliklerinin küçük

İHA’ları kuşlar ve diğer nesnelerden etkili bir şekilde ayırt edebileceğini göstermiştir. Bu

çalışma, dron tespitinde mikro-Doppler analizinin temelini oluşturmuştur.

2016 yılında Rahman ve arkadaşları [35], düşük maliyetli koherent radar sistemi kullanarak

küçük dronların tespitini araştırmıştır. Küçük hedef tespitine yönelik özel sinyal işleme

algoritmaları geliştirmiş ve radar sistemlerinin pratik uygulamalarını iyileştirmiştir.

Makine öğrenmesi tekniklerinin entegrasyonu, radar tabanlı dron tespitinde önemli bir

dönüm noktası olmuştur. 2017 yılında Kim ve Moon [36], radar görüntülerinden elde edilen

33


mikro-Doppler imzalarına CNN’leri uygulayarak özellik çıkarma işlemini otomatikleştirmiş

ve sınıflandırma doğruluğunu artırmıştır. Bu yaklaşım, derin öğrenmenin radar verilerini

işleyerek dron tespiti için sunduğu potansiyeli göstermiştir.

Ritchie ve arkadaşları [37], dronlar ve kuşların mikro-Doppler sınıflandırması için çoklu

radar (multistatic radar) konfigürasyonlarını araştırmıştır. Birden fazla açıdan alınan radar

görüntülerini analiz ederek tespit güvenilirliğini artırmış ve yanlış alarmları azaltmıştır, bu

da monostatik radar sistemlerinin sınırlamalarını ele almıştır.

2018 yılında Park ve arkadaşları [38], ters sentetik açıklıklı radar (ISAR) görüntülemesini

derin öğrenme ile birleştiren bir dron tespit sistemi tanıtmıştır. Gelişmiş sinyal işleme

tekniklerini kullanarak radar görüntülerinden mikro-Doppler özelliklerini çıkarmış ve

karmaşık ortamlarda tespit performansını artırmıştır.

Daha ileri bir gelişme olarak, Jahangir ve Amin [39], radar görüntüleme verileri

üzerinde tensor ayrıştırma yöntemleri kullanarak İHA tespiti ve sınıflandırması önermiştir.

Bu yaklaşım, hedeflerin mekânsal ve hareket bilgilerini detaylı bir şekilde sağlayarak

sınıflandırma doğruluğunu ve dayanıklılığını artırmıştır.

2020 yılında Rahman ve arkadaşları [40], üç boyutlu radar görüntüleme tekniğini dron tespiti

için geliştirdi. Bu yöntem, dronların mekânsal özelliklerini yakalayarak diğer nesnelerden

daha iyi ayrım sağladı ve karmaşık ortamlarda tespit yeteneklerini geliştirdi.

Ek olarak, Chen ve arkadaşlarının [4] çalışması, döner kanatlı dronları uçan kuşlardan

ayırt etmek için K-bant frekans modülasyonlu sürekli dalga (FMCW) radarını kullanan

kapsamlı bir mikro-hareket sınıflandırma yöntemi sunmaktadır. Bu çalışma, mikro-Doppler

özelliklerini, menzil profillerini ve zaman-frekans (T-F) grafiklerini sınıflandırma

performansını artırmak için kullanmıştır. Chen ve arkadaşları, dört pervaneli (quadcopter),

altı pervaneli (hexacopter) ve sabit kanatlı dronların yanı sıra martı ve biyonik kuş gibi

uçan kuşların radar imzalarını içeren geniş bir veri kümesi oluşturmuştur. Yazarlar,

T-F grafiğinin renk gösterim genliğini ayarlayarak ve menzil-zaman ile menzil-periyot

34


özelliklerini birleştirerek radar mikro-hareket özelliklerini geliştiren yenilikçi bir veri artırma

tekniği önermiştir.

Şekil 3.1, çeşitli döner kanatlı, sabit kanatlı dronlar ve uçan bir kuşun radar tabanlı

mikro-Doppler imzalarını kapsamlı şekilde sunmaktadır. Zaman–frekans grafiklerinde,

döner kanatlı dronlar için rotorların periyodik hareketine bağlı olarak belirgin harmonik

bileşenler ortaya çıkarken, sabit kanatlı dron örneğinde daha sabit ve dar bantlı bir Doppler

spektral dağılım gözlenmektedir. Biyonik kuş ve gerçek kuş grafiklerinde ise, düzensiz kanat

çırpma hareketlerine bağlı olarak düşük frekansta dalgalı ve asimetrik Doppler imzaları

dikkat çekmektedir. Menzil profillerinde döner kanatlı dronlar yüksek radar kesit alanına

sahip sivri tepe noktaları oluştururken, kuş benzeri hedeflerde genişleyen ve düşük genlikli

yankılar belirgin hâle gelmektedir. Menzil–zaman grafikleri analiz edildiğinde, dronlar düz

ve kararlı hareket örüntüleri sergilerken, kuşların hareketi, aerodinamik dalgalanmaların

etkisiyle düzensiz ve salınımlı bir yapı göstermektedir. Bu karakteristik farklılıklar,

radar sistemleriyle kuş–dron ayrımı yapılabilmesi ve ileri seviye hedef sınıflandırma

algoritmalarının eğitilmesi için temel bir veri kaynağı oluşturmaktadır.

Şekil 3.1 Mikro-Doppler Veri Kümeleri: Farklı Dron Türleri ve Uçan Kuşlara Ait Zaman-Frekans
(T-F) Grafikleri, Menzil Profilleri ve Menzil-Zaman Grafikleri [4].

35


Chen ve arkadaşları, sınıflandırmayı daha da iyileştirmek için hem küresel hem de yerel m-D

özelliklerini çıkaracak şekilde tasarlanmış, modifiye edilmiş çok ölçekli CNN kullanmıştır.

Ağ, model karmaşıklığı ile özellik çıkarma yeteneği arasında denge kuran hibrit bir

bağlantı yapısı içermektedir. Deneysel sonuçlar, AlexNet ve VGG16 gibi geleneksel CNN

mimarilerine kıyasla üstün performans göstererek, çeşitli radar veri kümeslerinde daha

yüksek sınıflandırma doğruluğu ve genelleme sağlamıştır. Bu çalışma, radar tabanlı dron

ve kuş sınıflandırmasının zorluklarını ele almak için ileri düzey sinyal işleme, veri artırma ve

derin öğrenme entegrasyonunu örneklendirmiştir.

Zhou ve arkadaşları [8], özel olarak Menzil-Doppler radar görüntüleri için tasarlanmış hafif

bir nesne tespit ağı olan YOLO-RD’yi tanıtmıştır. Sabit Yanlış Alarm Oranı (Constant False

Alarm Rate - CFAR) gibi geleneksel radar tespit teknikleri, karmaşık ortamlarda düşük

doğruluk göstermekte ve bu durum derin öğrenme tabanlı alternatiflerin geliştirilmesini

zorunlu kılmaktadır. YOLO-RD, YOLOv3 ve DenseNet’ten ilham alarak hesaplama

karmaşıklığını azaltırken yüksek tespit doğruluğunu korumaktadır. Model, mini-RD adlı

özel bir veri kümesi üzerinde değerlendirilmiş ve Tiny-YOLOv3 ile karşılaştırıldığında

üstün performans göstererek, radar tabanlı İHA tespiti için gerçek zamanlı uygulamalar için

uygunluğunu kanıtlamıştır.

Uzamsal-zamansal radar özellik analizi fikrine dayanan Jia ve arkadaşları [41], trafik

sahnelerinde dron tespiti için dikkat tabanlı bir ConvLSTM modeli önermiştir. Statik

görüntü tabanlı tespit yaklaşımlarından farklı olarak, bu yöntem Menzil-Doppler dizilerinin

zamansal bağımlılıklarını kullanarak hareket desenlerini yakalamaktadır ve bu da İHA’ları

diğer hareketli nesnelerden ayırt etmekte kritik önem taşımaktadır. Verimli Kanal

Dikkati (Efficient Channel Attention - ECA) entegrasyonu sayesinde, modelleri karmaşık

ortamlarda küçük nesne tespitini önemli ölçüde iyileştirmiştir. CARRADA ve RADDet veri

kümesleri üzerinde yapılan kıyaslama değerlendirmeleri, sırasıyla %74,51 ve %75,62 mAP

sonuçlarıyla mevcut radar tabanlı tespit yaklaşımlarını geride bırakmıştır. Bu çalışma, gerçek

zamanlı İHA tespiti için zamansal modellemeyi derin öğrenme mimarileriyle birleştirmenin

potansiyelini göstermektedir.

36


Karlsson ve arkadaşları [42], 77 GHz’lik mekanik taramalı bir FMCW radar (SAAB

SIRS 1600) kullanarak Model-Aided Drone Classification yaklaşımını tanıtmıştır. Bu

çalışma kapsamında kullanılan “Radar measurements on drones, birds and humans with

a 77 GHz FMCW sensor” adlı radar verisi, Zenodo platformunda herkese açık olarak

yayımlanmıştır [43]. Çalışmada, yalnızca 9 ms’lik bakış süresine sahip menzil–Doppler

kesitlerinden beş katmanlı bir CNN ile dron, kuş, insan ve köşe reflektör sınıflandırması

gerçekleştirilmiştir. Yazarlar, eğitime dâhil edilmeyen (dağılım dışı) dron tiplerinde düşen

doğruluğu telafi etmek için matematiksel bir pervane modeliyle üretilmiş sentetik dron

verisi eklemiş; böylece dağılım dışı dron doğruluğunu %78’den %86’ya yükseltirken, tüm

dron tipleriyle eğitildiğinde ortalama sınıf doğruluğunu %90 düzeyine çıkarmıştır. Ayrıca,

SNR normalizasyonu ve tek tarama tabanlı sınıflandırma senaryosuyla, düşük entegrasyon

süresinde dahi güvenilir dron–kuş ayrımı yapılabileceğini göstermişlerdir.

Ertekin ve arkadaşları [44], 77 GHz FMCW radardan elde edilen IQ verilerini kısa-zamanlı

Fourier dönüşümü ile menzil–Doppler spektrogramlarına dönüştürmüş ve altı farklı dron,

iki insan hareketi (yürüme–koşma) ile bir köşe reflektöründen oluşan dokuz hedef sınıfı

için toplam ∼ 76 000 örnek içeren bir veri kümesi kullanmıştır [43]. Çalışmada, altı

evrişim katmanlı özel bir CNN (tezde “ESA”) ile otomatik özellik çıkarımı yapılmış, bu

özellikler doğrusal SVM’e (Support Vector Machine - Destek Vektör Makinesi) beslenerek

kuş–dron ayrımını da kapsayan çok-sınıflı bir sınıflandırma gerçekleştirilmiştir. Önerilen

hibrit yapı, dokuzlu senaryoda %98.04, yalnızca kuş–dron ikilisinde ise %99.4 doğruluk

elde etmiştir. Ayrıca filtre boyutu (3 × 3–7 × 7) ve ağ derinliği üzerine yapılan kapsamlı

sıkılaştırma (ablation) çalışmaları, daha derin (6-katman) konfigürasyonun küçük parametre

artışına karşın belirgin performans kazancı sağladığını göstermiştir. Sonuçlar, yüksek

frekanslı radarlardan türetilen mikro-Doppler imzalarının, hafif CNN–SVM hibritleriyle

küçük İHA’ların güvenilir biçimde sınıflandırılabileceğini ortaya koymaktadır.

Radar görüntüleme tekniklerinin dron tespiti için zaman içindeki kronolojik gelişimi,

geleneksel radar yöntemlerinden makine öğrenimi ve gelişmiş sinyal işleme tekniklerini

içeren sofistike sistemlere doğru bir kaymayı yansıtmaktadır. Bu gelişmeler, dronların

tespiti, sınıflandırılması ve izlenmesi yeteneğini önemli ölçüde iyileştirmiş ve İHA

37


teknolojileri tarafından sunulan değişen zorluklara çözüm sunmuştur. Tablo 3.1, dron tespit

çalışmalarında kullanılan radar veri kümelerinin bant dağılımını, hedef sınıf çeşitliliğini ve

erişim durumunu özetlemektedir.

Tablo 3.1 Literatürdeki Çalışmaların Veri Kümesi Özellikleri

Çalışma Yıl Veri Kümesi /
Kaynak

Radar Bantı &
Modu

Hedef Sınıfları Açık Erişim

Molchanov [22] 2014 Kuruma özel
mikro-Doppler
kayıt seti

K-band (24 GHz)
CW

Dron, kuş Hayır

Kim & Moon [6] 2016 Kuruma özel
menzil–Doppler
spektrogramları

K-band (24 GHz)
FMCW

Dron, kuş Hayır

Roldan [3] 2020 RAD-DAR veri
kümesi

K-band FMCW Dron, insan,
araç

Evet

Rahman [23] 2019 Radar + optik saha
denemeleri

K / W-band
FMCW

Dron Hayır

Kuschel [24] 2015 ISAR uçuş görüntü
seti

X-band (9.5
GHz) darbe

Dron, kuş Hayır

Ritchie [37] 2017 NetRAD
çoklu-istasyon
verisi

S-band darbe Dron Hayır

Xing [26] 2017 Bistatik
mikro-Doppler
kayıtları

C-band darbe Dron Hayır

Zhang [25] 2021 Arazi testi
menzil–Doppler
dizileri

K-band FMCW Dron Hayır

Zhou [8] 2023 mini-RD görüntü
seti

K-band RD
görüntü

Dron, gemi Hayır

Chen [4] 2022 Mikro-hareket
(dron/kuş) M-D
kümesi

K-band FMCW Dron, kuş Hayır

Jia [41] 2023 CARRADA &
RADDet

W-band (77 GHz)
MIMO FMCW

Yaya, araç, dron Evet

Karlsson [42] 2025 KTH 77 GHz
FMCW (SAAB
SIRS-1600) [43]

W-band (77 GHz)
FMCW

Dron, kuş,
insan, köşe
reflektörü

Evet

4. YÖNTEMLER

Bu bölüm, RAD-DAR verilerini işleyerek hedefleri sınıflandırmak ve tespit etmek

için izlenen tüm derin öğrenme sürecini ayrıntılarıyla açıklamıştır. İlk olarak ham

menzil-Doppler güç matrislerinin ısı haritası üretimi, normalizasyon ve eğitim-test ayrımı

38


gibi ön-işleme adımları sunmuş, ardından sırasıyla klasik CNN mimarisi, zamansal

bilgiyi yakalayan CNN-LSTM-Attention yapısı, YOLOv8 dedektörü ve gerçek-zamanlı

Transformer tabanlı RT-DETR modeli tanıtmıştır. Her alt bölümde ilgili ağ mimarileri,

eğitim konfigürasyonları ve performans ölçüm kriterleri verilerek, dört yaklaşımın nasıl

kurulup karşılaştırıldığı bütüncül bir akış içinde ortaya konulmuştur.

4.1. Evrişimli Sinir Ağı (CNN)

4.1.1. Veri Yükleme ve Ön İşleme

Bu bölümde, RAD-DAR veri kümesindeki radar tabanlı verilerin CNN sınıflandırması için

hazırlanması açıklanmaktadır. Veri kümesi, radar kayıtlarından oluşmaktadır ve üç sınıfa

ayrılmıştır: dronlar, insanlar ve araçlar. Her örnek, dBm cinsinden güç değerlerinden

oluşan 11 × 61 boyutunda bir matrisle temsil edilmektedir. Şekil 4.1, işlenmemiş araç

verisinin yukarıda anlatımı geçen 11x61’lik matrisin ilk 11x9’luk kısmını göstermektedir.

Veri, çok sınıflı sınıflandırma için etiketlerin one-hot kodlamasıyla atanmasını sağlayan

load data adlı Python fonksiyonu kullanılarak yüklenir. Bu fonksiyon, CSV dosyalarını

Pandas DataFrame’lerine dönüştürür, daha sonra NumPy dizilerine çevirir [9]. Bu süreç,

eğitim ve değerlendirme için yapılandırılmıştır ve verilerin verimli işlenmesini sağlamıştır.

Şekil 4.1 .csv Formatında İşlenmemiş Araç Verisinin İlk 11x9 Örneği

Model performansını optimize etmek için aşağıdaki ön işleme adımları uygulanmıştır:

39


• Mutlak Değer Dönüşümü (Absolute Value Transformation): Negatif olmayan

girişler sağlar, bu da eğitimi stabilize eder ve özellik temsilini iyileştirir [9].

• Normalizasyon: Güç değerlerini -140 dBm ile -70 dBm arasında yeniden ölçekleyerek

tutarlılığı artırır ve modelin daha iyi yakınsama sağlamasına yardımcı olur [45].

• Veri Bölme: Veri kümesi, modelin genelleme yeteneğini değerlendirmek için %80

eğitim ve %20 test verisi olarak bölünür [46]. Ayrıca, performansın daha sağlam

ölçülmesini sağlamak amacıyla veri üzerinde 5 katlı çapraz doğrulama (5-fold

cross-validation) yöntemi uygulanmıştır.

• Yeniden Şekillendirme: Her radar matrisi, CNN giriş formatına uygun olarak 11 ×

61× 1 boyutunda bir tensöre dönüştürülür [3, 47].

4.1.2. CNN Modelinin Mimarisi

CNN modeli, radar verilerinden hiyerarşik özellikler çıkaracak şekilde tasarlanmıştır ve

verileri üç hedef sınıfa doğru bir şekilde sınıflandırmayı amaçlamaktadır. Mimari, her

biri evrişim (convolutional) katmanları, yığın normalizasyonu, aktivasyon fonksiyonları,

havuzlama (pooling) katmanları ve düzenleme (dropout) katmanları içeren birkaç bloktan

oluşmaktadır [48, 49].

Şekil 4.2’de gösterilen CNN mimarisi, mekânsal çözünürlüğü azaltmak için 3×3 çekirdek

boyutuna (kernel size) sahip birden fazla evrişim katmanı ve uzamsal boyutları düşürmek

için max-pooling katmanları içermektedir. Bu katmanlar sırasıyla 64,128 ve 256’lık filtre

boyutlarından oluşmaktadır. Düzenleme amacıyla sönümleme katmanları da eklenmiştir.

Elde edilen özellikler, düzleştirilerek (flatten) tam bağlı (fully connected) katmanlara aktarılır

ve nihayetinde radar görüntüleri dron, insan veya araç kategorilerine sınıflandırılır.

40


Şekil 4.2 CNN Modelinin Mimarisi

Şekil 4.3, CNN mimarisindeki her katmanın filtre sayısını, çekirdek boyutunu ve havuzlama

adımlarından sonra ortaya çıkan ara tensör boyutlarını çizgisel bir akışla özetlemektedir.

Her bir blok için ’→’ işaretinden sonra verilen boyutlar verinin o anki boyutunu temsil

etmektedir. Bu diyagram, uzamsal boyutların 11 × 61’den önce artırılıp sonra 1 × 3’ye

kadar nasıl kademeli biçimde indirildiğini ve özellik derinliğinin 64 → 128 → 256 kanal

şeklinde nasıl zenginleştirildiğini görsel olarak göstermektedir. Böylece modelin parametre

dağılımı ile hesaplama yükü katman katman takip edilebilir, ağın toplam sıkıştırma oranı ve

bilgi yoğunluğu daha anlaşılır hâle gelmektedir.

41


Şekil 4.3 CNN Modelinin Ara Çıktı Boyutları

Model, TensorFlow ve Keras kütüphaneleri kullanılarak oluşturulmuş olup derin öğrenme

modellerini oluşturmak ve eğitmek için güçlü bir çerçeve sağlamaktadır [50, 51]. Keras’ın

Sequential API’si ile model, modüler ve açık bir şekilde tanımlanmıştır [50].

CNN modeli aşağıdaki bileşenlerden oluşmaktadır:

• Giriş Katmanı: Model, 11 × 61 × 1 şekline sahip tensörleri kabul eden bir giriş

katmanıyla başlar.

• Birinci Evrişim Bloğu:

– 64 filtreli ve 3 × 3 çekirdek boyutuna sahip iki Conv2D katmanı, ReLU

aktivasyon fonksiyonu ve same padding kullanır.

42


– BatchNormalization katmanı, aktivasyonları normalleştirerek eğitimi

stabilize eder ve hızlandırır [45].

– 2 × 2 boyutunda MaxPooling2D katmanı, mekânsal boyutları azaltarak temel

özellikleri yakalar.

– %25 oranında Sönümleme katmanı, aşırı öğrenmeyi (overfitting) önlemek için

nöronların bir kısmını rastgele devre dışı bırakır [49].

• İkinci ve Üçüncü Evrişim Blokları: İkinci blokta 128 filtreli, üçüncü blokta ise

256 filtreli Conv2D katmanları bulunur. Bu bloklar daha derin özellikler çıkarır ve

sönümleme oranları giderek artırılır (%40’a kadar).

• Düzleştirme (Flattening) Katmanı: Evrişimli katmanların çok boyutlu çıktısını tek

boyutlu bir vektöre dönüştürerek tam bağlı katmanlar için veriyi hazırlar [10].

Tam Bağlı (Fully Connected) Katmanlar:

• Dense katmanı 512 nöron ve ReLU aktivasyonu içerir.

• %50 oranında Dropout katmanı aşırı öğrenmeyi önler.

• İkinci Dense katmanı 256 nöron ve ReLU aktivasyonu içerir.

• Bir başka %50 oranında Dropout katmanı uygulanır.

Çıkış Katmanı: Üç sınıf (dron, insan, araç) için 3 nörona sahip Yoğun (Dense) katmanı,

sınıf olasılıklarını üretmek için softmax aktivasyon fonksiyonu kullanır [52].

CNN modeli, öğrenme oranını otomatik olarak uyarlayan Adam optimizasyon algoritması

ile derlenir [53]. Çok sınıflı sınıflandırma görevleri için uygun olan kategorik çapraz-entropy

(categorical cross-entropy) kayıp fonksiyonu kullanılır [54]. Modelin temel performans

ölçütü olarak doğruluk (accuracy) izlenir [55].

43


4.1.3. Model Performans Ölçütleri

Model, 50 epoch boyunca 10’luk batch boyutu ile eğitilmiştir. Bu yapılandırma, hesaplama

verimliliği ve yakınsama (convergence) kararlılığını dengeleyerek modelin etkili bir şekilde

öğrenmesini sağlar. Eğitim sırasında model, kayıp fonksiyonunu minimize etmek için

backpropagation ve gradyan inişi (gradient descent) tekniklerini kullanır [51].

Model performansı, test kümesi üzerinde doğruluk (accuracy) ile değerlendirilir ve doğru

sınıflandırılan örneklerin toplam örnek sayısına oranı olarak hesaplanır [55]. Aşırı öğrenme

potansiyelini değerlendirmek için modeldeki eğitilebilir parametrelerin sayısı rapor edilir

[9]. Modelin toplam parametre sayısı 2.196.163 (8.38 MB) olup, bunların 2.195.267 (8.37

MB)’i eğitilebilir ve 896 (3.50 KB)’si eğitilemez parametrelerdir.

Uygulama süreci, CNN modelini oluşturmak ve eğitmek için TensorFlow ve Keras

kütüphanelerinden yararlanır [50, 51]. Pandas ve NumPy, büyük veri kümelerinin verimli

işlenmesini sağlarken; Python ortamında sağlam bir ekosistem sunarak makine öğrenmesi

ve veri işleme işlemlerini kolaylaştırır [51].

4.2. CNN ile LSTM ve Dikkat Mekanizması (Attention Mechanism)

Bu alt bölüm, CNN mimarisine LSTM birimlerinin entegrasyonuna odaklanır. Bu

entegrasyon, radar veri dizilerindeki zamansal bağımlılıkları yakalayarak modelin hem

mekânsal hem de zamansal özelliklere dayalı hedef sınıflandırma yeteneğini artırır [56].

Radar sistemleri, hedeflerin hareketinden ve çevreyle etkileşimlerinden kaynaklanan

zamansal dinamikler içeren ardışık veriler yakalar. RAD-DAR veri kümesinde, ardışık radar

kareleri, dron, insan ve araç gibi sınıfları ayırt etmek için kritik olan zamansal ilişkiler

sergiler [57]. Örneğin, yürüyen bir insanın periyodik hareketi veya bir dronun tutarlı uçuş

deseni, sınıflandırma için kullanılabilecek zamansal desenler oluşturur [58].

RAD-DAR veri kümesi, zamansal değişimlerin sınıflar arasında ayrım yapmak için büyük

rol oynadığı radar kayıtlarını içerir. Dronlar, zamansal olarak ilişkilendirilebilecek

44


benzersiz uçuş desenleri ve hız değişiklikleri sergiler [54]. İnsanlar, yürüyüş biçimlerinden

kaynaklanan periyodik hareketlerle karakterize edilen zamansal imzalar sunar [6]. Araçlar

ise genellikle tahmin edilebilir yollar boyunca tutarlı hızlarda hareket ederek dronlar

ve insanlardan farklı zamansal desenler oluşturur [59]. LSTM katmanı, bu zamansal

bağımlılıkları yakalamak için özellikle uygundur ve RAD-DAR veri kümesindeki hedeflerin

doğru şekilde sınıflandırılmasını sağlar [60].

Şekil 4.4, bu çalışmada radar tabanlı hedef sınıflandırma için kullanılan

CNN-LSTM-Attention modeli mimarisinin genel blok diyagramını göstermektedir.

Girdi olarak alınan radar görüntüleri (11×61), ardışık evrişimsel (CNN) bloklarla işlenerek

sırasıyla 64, 128 ve 256 filtre ile uzamsal özellik vektörlerine dönüştürülmektedir. Ardından

bu öznitelikler, iki aşamalı LSTM katmanında (256 ve 128 boyutlu gizil durumlar) zamansal

olarak modellenmekte; son aşamada ise pozisyon yanlı dikkat mekanizması ile zamansal

kareler arasındaki önem dereceleri hesaplanarak sınıflandırma başlığına aktarılmaktadır.

Şekil 4.4 CNN-LSTM-Dikkat Mimarisinin Blok Diyagramı

Şekil 4.5, önerilen CNN–LSTM–Dikkat mekanizmalı modelin her bir katmanında

gerçekleşen boyut dönüşümlerini görsel olarak özetlemektedir. Girdi olarak alınan 11×61×1

boyutundaki radar görüntüsü, ardışık evrişim katmanları ve havuzlama işlemleriyle sırasıyla

5×30×64, 2×15×128 ve 1×7×256 gibi daha düşük mekânsal boyutlara ve daha yüksek

kanal derinliğine dönüştürülmektedir. Daha sonra bu öznitelik haritası düzleştirilerek 1792

boyutunda bir vektöre çevrilmekte, ardından zamansal dizilere ayrılarak 7× 256 boyutunda

bir sekansa dönüştürülmektedir. LSTM katmanları bu diziler üzerinde zamansal modelleme

45


uygulayarak sırasıyla 7 × 256 ve 7 × 128 boyutlu çıktı üretmektedir. Dikkat mekanizması

ise bu çıktılardan 128 boyutlu bağlam vektörü (context vector) oluşturmakta ve sınıflandırma

işlemi sırasıyla 512, 256 ve 3 nöron içeren tam bağlı katmanlarla tamamlanmaktadır.

Şekil 4.5 CNN–LSTM–Dikkat Modeline Ait Ara Katman Boyutları

4.2.1. LSTM Katmanlarının Entegrasyonu ve Ayrıntılı Analizi

Evrişimsel katmanların ardından gelen 3 × 2 × 2 havuzlama işlemi, radar görüntülerinin

zamansal ekseninde T = 7 karelik bir ardışık diziyi ortaya çıkarmaktadır. Her bir kare,

D = 256 boyutunda bir özellik vektörü ile temsil edilir. Bu T uzunluğundaki sekans,

Düzleştirme(Flatten) ve Yeniden-boyutlama(Reshaping) işlemleriyle

(B, T,D) biçiminde bir tensöre dönüştürülerek sırasıyla iki adet LSTM katmanına aktarılır

(B: batch boyutu).

46


İlk LSTM katmanı, gizil boyutu H1 = 256 olacak şekilde yapılandırılmıştır. Böylece

CNN’den gelen her 256-boyutlu uzamsal özelliğin zamansal evrimini doğrudan takip

edebilir. Bu katmanda kullanılan kapı denklemleri aşağıdaki gibidir:

it = σ(Wixt +Uiht−1 + bi),

ft = σ(Wfxt +Ufht−1 + bf ),

ot = σ(Woxt +Uoht−1 + bo),

c̃t = tanh(Wcxt +Ucht−1 + bc),

ct = ft ⊙ ct−1 + it ⊙ c̃t, ht = ot ⊙ tanh(ct),

burada xt ∈ R256 giriş vektörü, ht ∈ R256 gizil durum, ct hücre durumu, σ sigmoid

aktivasyon fonksiyonu, ⊙ eleman bazlı çarpma, Wi,Wf ,Wo,Wc ∈ R256×256 girdi

ağırlıkları ve U∗ ∈ R256×256 gizil ağırlıklardır. Bu katmanın toplam parametre sayısı

525,312’dir.

İkinci LSTM katmanı, zamansal bilgiyi daha kompakt temsil etmek amacıyla gizil boyutu

H2 = 128 olacak şekilde tanımlanmıştır. Bu katman, birinci LSTM katmanından gelen

256 boyutlu dizileri alır ve her zaman adımı için 128 boyutlu yeni bir özellik dizisi üretir.

Parametre sayısı 197,120 olup, toplam LSTM bloğu parametre yükü 722,432’dir.

Tek katmanlı bir LSTM yapılandırması, özellikle T = 7 gibi kısa sekanslarda bile 256

boyutlu büyük gizil vektör nedeniyle modelin fazla parametrik hale gelmesine ve genelleme

kabiliyetinin azalmasına neden olabilir. Bu nedenle iki katmanlı yapı tercih edilmiştir.

İlk katman, uzun vadeli bağıntıları yakalayarak ayrıntılı geçici temsiller üretirken; ikinci

katman, daha düşük boyutta sıkıştırma uygulayarak dikkat katmanının ayıklayıcı yapısıyla

daha verimli entegrasyon sağlar.

47


4.2.2. Pozisyon Yanlı Dikkat Katmanı

RAD–DAR verisi, CNN havuzlaması sonrasında T =7 adet ardışık radar karesini (zamansal

dilim) içeren bir tensöre X ∈ RB×T×D indirgenmektedir. Burada B bir batch’teki örnek

sayısını, T zaman adımı sayısını (bu çalışmada 7), ve D her karedeki özellik boyutunu

(D = 128) temsil etmektedir. Her örnekteki zaman serisi xt ∈ RD ile gösterilen özellik

vektörlerinden oluşmaktadır.

Bu dizide bilgi yoğunluğu, hedef yankılarının çoğunlukla orta karelere kümelendiği

gözlenmiştir. Bu nedenle, LSTM birimlerinin ardından, yüksek enerjili ve güvenilir

zamansal dilimleri öncelikli olarak vurgulamak amacıyla pozisyon yanlı dikkat (attention)

katmanı uygulanmıştır. Bu özel dikkat mekanizması, hem giriş özelliklerinden içerik tabanlı

önem skorları hesaplamakta hem de her kareye önceden tanımlanmış konumsal bir öncelik

(prior) uygulamaktadır.

Dikkat skorları üç temel bileşenden oluşmaktadır: öğrenilebilir ağırlıklar, içerik önyargısı

ve sabit pozisyon önyargısı. İlk olarak her zaman adımı için dikkat skoru et aşağıdaki gibi

tanımlanır:

et = tanh
(
x⊤t W + bt

)
Burada W ∈ RD×1 ağırlık matrisi olup, kanallar arası (channel-wise) ortak skor üretir;

bt ∈ R ise her zaman adımı için ayrı ayrı öğrenilen içerik önyargısıdır. Bu yapı sayesinde

m