Bilgilendirme: Sürüm Güncellemesi ve versiyon yükseltmesi nedeniyle, geçici süreyle zaman zaman kesintiler yaşanabilir ve veri içeriğinde değişkenlikler gözlemlenebilir. Göstereceğiniz anlayış için teşekkür ederiz.

Browsing by Author "Ülkü, İrem"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • Thumbnail Image
    Conference Object
    Comparison of Single Channel Indices for U-Net Based Segmentation of Vegetation in Satellite Images
    (SPIE, 2020) Ülkü, İrem; Barmpoutis, P.; Stathaki, T.; Akagündüz, Erdem; 233834; 01. Çankaya Üniversitesi
    Hyper-spectral satellite imagery, consisting of multiple visible or infrared bands, is extremely dense and weighty for deep operations. Regarding problems related to vegetation as, more specifically, tree segmentation, it is difficult to train deep architectures due to lack of large-scale satellite imagery. In this paper, we compare the success of different single channel indices, which are constructed from multiple bands, for the purpose of tree segmentation in a deep convolutional neural network (CNN) architecture. The utilized indices are either hand-crafted such as excess green index (ExG) and normalized difference vegetation index (NDVI) or reconstructed from the visible bands using feature space transformation methods such as principle component analysis (PCA). For comparison, these features are fed to an identical CNN architecture, which is a standard U-Net-based symmetric encoder-decoder design with hierarchical skip connections and the segmentation success for each single index is recorded. Experimental results show that single bands, which are constructed from the vegetation indices and space transformations, can achieve similar segmentation performances as compared to that of the original multi-channel case
  • Thumbnail Image
    Master Thesis
    Hybrid hyperspectral image compression method by using online dictionary learning based on sparse coding
    (2017) Ülkü, İrem; 01. Çankaya Üniversitesi
    Bu tezde, seyrek kodlama tabanlı çevrimiçi sözlük öğrenme yaklaşımını literatürde ilk kez hiperspektral görüntülerin sıkıştırılması için adapte eden hibrit bir yöntem önerilmiştir. Seyrek kodlama tabanlı çevrimiçi sözlük öğrenme kullanılarak hiperspektral görüntülerin sıkıştırılması için hibrit bir yöntem olarak isimlendirilmiştir. Bu yöntemde, çeşitli seyrek temsil algoritmaları seyrek kodlama problemini çözmek amacıyla kullanılmıştır. Farklı seyrek temsil algoritmaları ile diğer sıkıştırma algoritmaları oran-bozulma performansları açısından karşılaştırılmışlardır. Bilgi koruma performansları da anomali sezimi uygulaması ile ayrıca ölçülmüştür. Deneysel sonuçlar kanıtlıyor ki bit hızı arttıkça yakınlık bazlı eniyileme ve kör sıkıştırmalı örnekleme algoritmalarına ait sıkıştıma performansları diğer algoritmalardan üstün olmaktadır.