A theoretical comparison of ResNet and DenseNet architectures on the subject of shoreline extraction

Abstract

Today'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.

Günümüzün 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.