Basit öğe kaydını göster

dc.contributor.advisorYüksel, Seniha Esen
dc.contributor.authorAydın, Enver
dc.date.accessioned2018-09-13T06:58:16Z
dc.date.available2018-09-13T06:58:16Z
dc.date.issued2018
dc.date.submitted2018-02-21
dc.identifier.urihttp://hdl.handle.net/11655/4878
dc.description.abstractGround Penetrating Radar (GPR) is a commonly used tool for buried target detection, classification and identification applications. GPR produces output based on the electrical conductivity differences of buried targets relative to the ground. Classification of targets with same shape but made up of different materials is a difficult problem, especially for targets with similar electrical conductivity. Reflections from objects except the target exponentially increase the difficulty of this problem. In such a classification problem, deep learning has been used since the extraction of features is very difficult and requires expert knowledge. Deep learning is a method that has demonstrated state-of-art performance over the last five years thanks to automatic learning of features in data and classifier. The deep learning model needs a lot of data to learn the features automatically. Since real data collection is costly and difficult, in this thesis synthetic GPR data is generated with the gprMax program, which simulates GPR. This dataset consist of plastic wire targets, wires which are made of other materials and clutter objects placed in dry / damp / wet soils. Generated data has been input into three classification algorithms; namely; (i) standard deep convolutional neural networks, (ii) a deep learning model that uses transfer learning and (iii) a deep learning model that uses multitask learning. Transfer learning is a process of transferring information acquired from a deep learning model previously trained with a large number of data to the current model. In this way, general features (color and edge perception) of the pre-trained model acquired from a large number data are transferred to the existing deep learning model and target detection performance has been increased. However, it has been observed that detecting targets in different soil types is difficult. For this reason, multitask learning method has been used to increase performance of the target detection. Multitask learning is an approach that improves learning about a task using the training knowledge of other related tasks. In this thesis, the primary task of multitask learning is to separate target and non-target objects. The second task is to determinate the soil type. Learning from each task can provide a better learning process for the other task. With multitask learning, a customized classifier has been trained to detect targets according to soil type. Application of the multitask learning method has shown that soil type task contributes positively to the achievement of target detection. The purpose of this thesis is to correctly classify buried targets with high performance. For this purpose, deep learning, transfer learning and multitask learning methods have been proposed and their contribution of achievement has been examined.tr_TR
dc.language.isoturtr_TR
dc.publisherFen Bilimleri Enstitüsütr_TR
dc.rightsinfo:eu-repo/semantics/openAccesstr_TR
dc.subjectyere nüfuz eden radar
dc.subjectderin öğrenme
dc.subjectaktarım öğrenmesi
dc.subjectçok görevli öğrenme
dc.subjectgprMax
dc.titleYere Nüfuz Eden Radar Verilerinde Tel Tespiti İçin Aktarım ve Çok Görevli Öğrenme Yöntemleritr_TR
dc.typeinfo:eu-repo/semantics/masterThesistr_TR
dc.description.ozetYere Nüfuz Eden Radar (YNR), gömülü hedef tespiti, sınıflandırması ve tanımlanması uygulamalarında yaygın olarak kullanılan bir araçtır. YNR, gömülü hedeflerin toprağa göre elektriksel iletkenlik farklılıklarından yararlanarak çıktı oluşturmaktadır. Aynı şekle sahip ancak farklı materyallerden oluşan hedeflerin sınıflandırılması, özellikle benzer elektriksel iletkenliğe sahip hedeflerde zor bir problemdir. Hedef dışındaki cisimlerden kaynaklı yansımalar, yani gürültüler, bu zorluğun katlanarak artmasına neden olmaktadır. Böyle bir sınıflandırma probleminde, öznitelik çıkarımının çok zor olması ve alan bilgisi gerektirmesi nedeniyle, derin öğrenme yöntemi kullanılmıştır. Derin öğrenme, verideki öznitelikleri ve sınıflandırıcıyı otomatik olarak öğrenmesi sayesinde son beş yıldır üstün performans sergileyerek öne çıkan bir yöntemdir. Derin öğrenme modeli, öznitelikleri otomatik olarak öğrenmek için çok sayıda veriye ihtiyaç duymaktadır. Gerçek veri toplamanın maliyetli ve zor olması nedeniyle bu tezde YNR benzetimi yapan gprMax programı ile sentetik YNR verisi üretilmiştir. Bu veri kümesi, kuru/nemli/ıslak topraklara yerleştirilmiş plastik tel hedefleri ile başka materyallerden yapılmış teller ve parazit cisimlerden oluşmaktadır. Üretilen veriler, üç çeşit sınıflandırma algoritmasıyla sınıflandırılmıştır. Bunlar (i) standart derin evrişimsel sinir ağları, (ii) aktarım öğrenmesi kullanılan bir derin öğrenme modeli ve (iii) çok görevli öğrenme kullanan bir derin öğrenme modelidir. Aktarım öğrenmesi, önceden çok sayıda veri ile eğitilmiş bir derin öğrenme modelinden kazanılan bilgilerin mevcut modele aktarılması işlemidir. Bu sayede önceden eğitilmiş modelin çok sayıda veriden kazandığı genel öznitelikler (ör. renk ve kenar algılama), mevcut derin öğrenme modeline aktarılarak, az sayıda eğitim verisi olmasına rağmen iyi bir sınıflandırılma başarımı elde edilmesi sağlanmıştır. Fakat farklı toprak türlerinde hedef tespitinin zorlaştığı görülmüştür. Bu nedenle hedef tespit başarımını daha da yükseltmek için çok görevli öğrenme yöntemi kullanılmıştır. Çok görevli öğrenme, diğer ilgili görevlerin eğitim bilgilerini kullanarak bir göreve yönelik öğrenmeyi iyileştiren bir yaklaşımdır. Bu tezde çok görevli öğrenmenin birincil görevi, hedefler ile hedef olmayan cisimlerin ayrılmasıdır. İkinci görevi ise toprak türünün tespitidir. Her görev için öğrenilenler, diğer görevlerin daha iyi öğrenilmesine yardımcı olabilir. Bu sayede, toprağın çeşidine göre hedef tespiti yapan, daha özelleştirilmiş bir sınıflandırıcı eğitilmiştir. Çok görevli öğrenme yönteminin uygulanması ile toprak türü görevinin öğrendiklerinin hedef tespit başarımına olumlu katkı sağladığı görülmüştür. Bu tezin amacı, gömülü olarak bulunan hedeflerin yüksek başarım ile doğru sınıflandırılmasıdır. Bu amaç doğrultusunda, derin öğrenme, aktarım öğrenmesi ve çok görevli öğrenme yöntemleri önerilmiş ve başarıma katkıları incelenmiştir.tr_TR
dc.contributor.departmentElektrik –Elektronik Mühendisliğitr_TR


Bu öğenin dosyaları:

Bu öğe aşağıdaki koleksiyon(lar)da görünmektedir.

Basit öğe kaydını göster