Derin Öğrenme Amaçlı Etiketli Veri Üretimi İçin Bir Web Platformu
Öz
Klasik RGB görüntülerine göre uydu görüntülerinin derin öğrenme amaçlı kullanımlarında önemli problemler bulunmaktadır. Uzaktan algılanmış görüntüler için etiketli eğitim verisi eksikliği bu problemlerden biridir. Uydu görüntüleri için yetersiz etiketli eğitim verisi sorununun çözümünü doğru ve kısa sürede sağlayabilecek en önemli yöntemlerden biri kitle kaynak kullanımıdır. Bu çalışmada yüksek çözünürlüklü uydu görüntüleri için etiketli verilerin kitleler tarafından toplanmasını sağlamak amacıyla oluşturulan web platform tanıtılmaktadır. Bu platform dinamik bir yapıda olup aynı anda farklı kullanıcıların da kullanabileceği şekilde tasarlanmıştır. Platformda kullanıcılar Dünya yüzeyini kapsayan Google uydu altlığı kullanılabildiği gibi veri tabanına eklenecek görüntüler üzerinden de etiketli veri oluşturabilmektedir. Bu sayede yüksek çözünürlüklü uydu görüntüleri için Dünya çapında görüntülerden çıkarılabilecek bütün sınıflara ait (bina, yol, orman, akarsu, fındık, çay, gemi, uçak vb.) etiketli verilerin hazırlanması mümkün olmaktadır. İstenen eğitim sınıflarının tanımı ve kullanıcıların platformu efektif kullanmaları amacıyla yardım dokümanları web platforma eklenmiştir. Kullanıcılar görüntüler üzerinden poligon aracı ile yardım dokümanında belirtilen sınıfları çevirebilmektedir. Daha sonra kullanıcılar tarafından bu sınıflara etiket değeri verilmektedir. Oluşturulan etiketli verilerden doğru ve yanlışların tespit edilebilmesi amacıyla veri doğrulama modülü de web platforma eklenmiştir. Bu modülde kullanıcılar önceki kişilerin çevirdikleri ve etiketledikleri sınıfları yardım dokümanından kontrol ederek puanlandırmaktadır. Sonuçta en yüksek puan alan doğru etiketli veriler seçilmektedir.
Anahtar Kelimeler
Kaynakça
- Akar, Ö., & Güngör, O. (2015). Integrating multiple texture methods and NDVI to the Random Forest classification algorithm to detect tea and hazelnut plantation areas in northeast Turkey. International Journal of Remote Sensing, 36(2), 442-464.
- Arel, I., Rose, D. C., & Karnowski, T. P. (2010). Deep machine learning-a new frontier in artificial intelligence research. IEEE computational intelligence magazine, 5(4), 13-18.
- Carranza-García, M., García-Gutiérrez, J., & Riquelme, J. C. (2019). A framework for evaluating land use and land cover classification using convolutional neural networks. Remote Sensing, 11(3), 274.
- Chen, Y., Lin, Z., Zhao, X., Wang, G., & Gu, Y. (2014). Deep learning-based classification of hyperspectral data. IEEE Journal of Selected topics in applied earth observations and remote sensing, 7(6), 2094-2107.
- Chen, Y., Zhao, X., & Jia, X. (2015). Spectral–spatial classification of hyperspectral data based on deep belief network. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6), 2381-2392.
- Ghaffar, M. A. A., McKinstry, A., Maul, T., & Vu, T. T. (2019). Data augmentation approaches for satellite image super-resolution. ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information Sciences, Vol. IV-2/W7, 47–54, https://doi.org/10.5194/isprs-annals-IV-2-W7-47-2019.
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
- Howe, J. (2008). Crowdsourcing: Kalabalıkların gücü bir işin geleceğine nasıl şekil verebilir?. Birinci Baskı, Koç Sistem Yayınları, İstanbul.
- Howe, J. (2006). The Rise of Crowdsourcing, Wired, https://www.wired.com/wired/archive/14.06/crowds.html, Erişim Tarihi: 10 Ekim 2019.
- Kemker, R., Salvaggio, C., & Kanan, C. (2018). Algorithms for semantic segmentation of multispectral remote sensing imagery using deep learning. ISPRS Journal of Photogrammetry and Remote Sensing, 145, 60-77.
