Show simple item record

dc.contributor.advisorÇavdaroğlu, Gülsüm Çiğdemen_US
dc.contributor.authorEcevit, Mert İlhanen_US
dc.contributor.otherIşık Üniversitesi, Fen Bilimleri Enstitüsü, Enformasyon Teknolojileri Yüksek Lisans Programıen_US
dc.date.accessioned2020-11-26T08:26:45Z
dc.date.available2020-11-26T08:26:45Z
dc.date.issued2020-09-23
dc.identifier.citationEcevit, M. İ. (2020). A theoretical comparison of ResNet and DenseNet architectures on the subject of shoreline extraction. İstanbul: Işık Üniversitesi Fen Bilimleri Esntitüsü.en_US
dc.identifier.urihttps://hdl.handle.net/11729/2960
dc.descriptionText in English; Abstract: English and Turkishen_US
dc.descriptionIncludes bibliographical references (leaves 79-82)en_US
dc.descriptionxii, 82 leavesen_US
dc.description.abstractToday's Deep Learning technologies provides numerous approaches on the subject of convolutional networks. These approaches serve researchers to train datasets and generate wanted results from these datasets. Each CNN architecture has its own strong points and weak sides. Because of this situation a comparison between these architectures is a valuable asset. Image processing is a method that is frequently used to process remotely sensed data in remote sensing studies.. Between current architectures, RESNET and DENSENET architectures are chosen to be used by Dr. Çavdaroğlu for her project on TÜBİTAK. The result of this comparison will be used in that project in order to apply most ecient architecture. This thesis is written to draw outlines of RESNET and DENSENET and create a foresight for further projects which can be supported by this thesis. In order to achieve an accurate image recognition process in remote sensing domain, a preliminary research is requisite. As a research thesis this work serves the purpose of learning manner of works, performance indicators of RESNET and DENSENET convolutional networks. The result of this research will create a baseline for an academical project. At the other hand, comparison of these two convolutional network approaches provides information to decide which approach is more suitable for remote sensing projects depending upon the subject of the project. For future works on Remote Sensing this thesis work will serve a guideline and reason for preference. The presented thesis work has been developed as the technical feasibility of the 3501 TÜBITAK Project named "Uydu Görüntülerinden Kıyı Sınırlarının Derin Öğrenme Yöntemleri ile Otomatik Çıkarımı", applied by Dr. G. Çiğdem Çavdaroğlu, and the thesis results will be applied within the scope of the Project after the project acceptance.en_US
dc.description.abstractGünümüzün Derin Öğrenme teknolojileri, evrişimsel ağlar konusunda bir çok yaklaşım sunmaktadır. Sunulan bu yaklaşımlar, veri kümelerini eğitmek ve bu veri kümelerinden istenen sonuçları üretmek için araştırmacılara hizmet eder. Her CNN mimarisinin kendine özgü güçlü noktaları ve zayıf yanları vardır. Bu durum nedeniyle, bu mimariler arasındaki bir karşılaştırma değerli bir varlıktır. Görüntü işleme, uzaktan algılama çalışmalarında, uzaktan algılanmış verinin işlenmesi amacıyla yaygın olarak kullanılan bir yöntemdir. Mevcut mimariler arasında RESNET ve DENSENET mimarileri Dr. Gülsüm Çiğdem Çavdaroğlu tarafından TÜBİTAK üzerindeki projesi için kullanılmak üzere seçilmiştir. Karşılaştırmanın sonucu o projede en verimli mimariyi uygulamak için kullanılacaktır. Bu tez, RESNET ve DENSENET'in ana hatlarını çizmek ve bu tez tarafından desteklenebilecek diğer projeler için bir öngörü oluşturmak için yazılmıştır. Uzaktan algılama alanında doğru bir görüntü tanıma süreci elde etmek için bir ön araştırma gereklidir. Araştırma tezi olarak bu çalışma, RESNET ve DENSENET evrişim ağlarının performans göstergelerini, çalışma biçimini öğrenme amacına hizmet eder. Araştırmanın sonucu akademik bir proje için bir temel oluşturacaktır. Diğer yandan, bu evrişimsel ağ yaklaşımlarının karşılaştırılması, projenin konusuna bağlı olarak hangi yaklaşımın uzaktan algılama projeleri için daha uygun olduğuna karar vermek için bilgi sağlar. Uzaktan Algılama üzerine gelecekteki çalışmalar için bu tez çalışması bir rehberlik ve tercih sebebi sağlayacaktır. Sunulan tez çalışması, Dr. Gülsüm Çiğdem Çavdaroğlu tarafından başvurulan "Uydu Görüntülerinden Kıyı Sınırlarının Derin Öğrenme Yöntemleri ile Otomatik Çıkarımı" isimli 3501 Tübitak Projesi'nin teknik fizibilitesi olarak geliştirilmiştir ve tez sonuçları proje kabulü sonrasında proje kapsamında uygulanacaktır.en_US
dc.language.isoengen_US
dc.publisherIşık Üniversitesien_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectConvolutional neural networken_US
dc.subjectDeep learningen_US
dc.subjectTraining algoii-i rithmsen_US
dc.subjectResneten_US
dc.subjectDenseneten_US
dc.subjectCnn architecturesen_US
dc.subjectComparisonen_US
dc.subjectRemote sensingen_US
dc.subjectShoreline extractionen_US
dc.subjectLANDSAT-8en_US
dc.subjectSENTINEL 2-Aen_US
dc.subjectEvrişimsel ağlaren_US
dc.subjectDerin öğrenmeen_US
dc.subjectAlgoritma eğitimien_US
dc.subjectCnn mimarilerien_US
dc.subjectKarşılaştırmaen_US
dc.subjectUzaktan algılamaen_US
dc.subjectKıyı çizgisi çıkarımıen_US
dc.subject.lccG70.2 .E24 2020
dc.subject.lcshConvolutional neural networken_US
dc.subject.lcshRemote sensingen_US
dc.subject.lcshDeep learningen_US
dc.subject.lcshCnn architecturesen_US
dc.subject.lcshShoreline extractionen_US
dc.subject.lcshLANDSAT-8en_US
dc.subject.lcshSENTINEL 2-Aen_US
dc.titleA theoretical comparison of ResNet and DenseNet architectures on the subject of shoreline extractionen_US
dc.title.alternativeResNet ve DenseNet mimarilerinin kıyı çıkarımı konusunda teorik karşılaştırmasıen_US
dc.typemasterThesisen_US
dc.contributor.departmentIşık Üniversitesi, Fen Bilimleri Enstitüsü, Enformasyon Teknolojileri Yüksek Lisans Programıen_US
dc.contributor.authorID0000-0002-3852-0840
dc.relation.publicationcategoryTezen_US
dc.contributor.institutionauthorEcevit, Mert İlhanen_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess