Deep Learnıng Based Vehıcle Detectıon And Classıfıcatıon On Aır And Satellıte Images

Hava görüntüleri üzerinde araç tespit ve sınıflandırması; istihbarat, keşif ve gözetleme açısından önemlidir. Ancak bu görev; düşük uzamsal çözünürlük, karmaşık arka plan, nesne üzerine düşen ışık/gölge farklılıkları ve nesnelerin çevre tarafından kamufle olması gibi sebeplerle zordur. Son zamanlarda geliştirilen CNN tabanlı ağlar umut vericidir ancak bu ağlar doğrudan küçük nesnelerin tespiti için yeterli değildirler ve ince ayara ihtiyaç duyarlar. Bu çalışmada daha hızlı RCNN algoritması ve görece büyük nesnelerin tespitinde başarısı kanıtlanmış ResNet modeli ile araba, pikap, kamyon, uçak, kamp arabası, panelvan, traktör, iş makinası ve tekne gibi görünüm ve boyut olarak birbirinden farklı 9 sınıfı barındıran VEDAI veri kümesi üzerinde çalışılmıştır. Nesnelerin görüntüdeki toplam piksellerin 0.5×10-3’ü kadar az yer kapladığı görüntüler üzerinde araç tespitinde başarım artırımı için daha hızlı RCNN algoritmasında değişiklikler ile çeşitli deneyler yapılmıştır. Deneyler sonucunda VEDAI veri kümesi üzerindeki araçların tespitinde %74.9 ortalama hassasiyet elde etmenin mümkün olduğu gösterilmiştir. Ayrıca küçük nesne tespiti için daha sığ ağların daha faydalı olabileceği sonucuna ulaşılmıştır. Araç tespitinde en çok başarı sağlayan deney modeli ile araçların sınıflandırılması gerçekleştirilmiş ve araba için %72.4, kamyon için %58.6, pikap için %72, traktör için %57.6, kamp arabası için %69.9, tekne için %60, panelvan için %56.4, iş makinası için %53.1 ve uçak için %85.7 ortalama hassasiyet elde edilmiştir.Vehicle detection and classification on aerial images are important for intelligence, discovery and surveillance. However, this task is difficult due to low spatial resolution, complex background, light/shadow differences on the object and objects being camouflaged by the environment. Recently developed CNN-based networks are promising, but they are not sufficient for direct detection of small objects and need fine tuning. In this study, VEDAI dataset containing 9 different classes in terms of appearance and size such as car, pickup, truck, plane, camper, van, tractor, work machine and boat with faster RCNN algorithm and proven ResNet model was studied. Various experiments have been carried out with changes in the faster RCNN algorithm for performance enhancement in vehicle detection on images where objects occupy as little as 0.5×10-3 pixels of the total image. As a result of the experiments, it has been shown that it is possible to achieve an average sensitivity of 74.9% in the detection of vehicles on the VEDAI dataset. It was also concluded that shallower networks may be more useful for small object detection. The classification of the vehicles has been realized with the most successful experiment model in vehicle detection and 72.4% for the car, 58.6% for the truck, 72% for the pickup, 57.6% for the tractor, 69.9% for the camper, 60% for the boat, 56.4% for the van, work average precision of 53.1% for machine and 85.7% for airplan