Yazarlar
Yayınlar
- Yüksek Lisans TeziAçık Erişim2026Dilimleme destekli hiper çıkarım ile hava fotoğraflarından bireysel ağaç segmentasyonunun iyileştirilmesi ve ağaç metriklerinin türetimi
Abdullah Birinci
Ağaçlar; karbon depolama, mikro iklimin düzenlenmesi ve ekolojik dengenin korunması açısından kentsel ile orman ekosistemlerinin temel bileşenleri arasında yer almaktadır. Bu nedenle kentsel alanlarda, orman meşcerelerinde ve orman dışı ağaç topluluklarında ağaçların tekil düzeyde doğru biçimde çıkarılması; biyokütle tahmini, karbon stoklarının izlenmesi, orman envanterinin güncellenmesi ve sürdürülebilir kent ve arazi yönetimi açısından önem taşımaktadır. Bununla birlikte hava fotoğraflarından ağaçların semantik segmentasyonu, tekil ağaçların örnek düzeyinde ayrıştırılması ve elde edilen bölütler üzerinden ağaç metriklerinin türetilmesi; tepe taçlarının birbiriyle örtüşmesi, gölge ve aydınlatma koşullarındaki değişimler ile arka plan karmaşıklığı nedeniyle otomatikleştirilmesi güç bir süreçtir. Bu tez çalışmasında, Dilimleme Destekli Hiper Çıkarım (Slicing Aided Hyper Inference-SAHI) yöntemini görsel temel modellerden Segment Anything Model (SAM) ailesinin son sürümü olan SAM 3 ile birleştiren bir yaklaşım önerilmiştir. Öncelikle ağaçların semantik segmentasyonu gerçekleştirilmiş, ardından bireysel ağaç ve kanopi segmentasyonu örnek düzeyinde yapılmış, son aşamada ise elde edilen bölütlerden ağaç metrikleri türetilmiştir. Bu aşamalar, SAM 3’ün tek başına ve SAHI ile birlikte kullanıldığı iki ayrı yapılandırmada yürütülmüş; böylece SAHI yönteminin segmentasyon başarımına katkısı doğrudan karşılaştırılarak OAM-TCD veri seti üzerinde değerlendirilmiştir. Elde edilen sonuçlar kesinlik, duyarlılık, F1 skoru ve kesişimin birleşime oranı (IoU) ölçütleri üzerinden değerlendirilmiştir. Ağaç örtüsü semantik segmentasyon sonuçları incelendiğinde SAM 3 modeline SAHI dilimli çıkarım mekanizmasının entegre edilmesinin; IoU değerini %67,2’den %72,5’e, F1 skorunu %80,4’ten %84,1’e ve duyarlılık oranını %74,6’dan %86,5’e yükselttiği gözlemlenmiştir. Bireysel ağaç tacı tespitinde ise kanopi bölgeleri dışında duyarlılık %23,4’ten %63,2’ye, F1 skoru %36,0’dan %52,8’e, mAP50 değeri ise 20,84'ten 47,90'a yükselmiştir.
- BildiriAçık Erişim2025Comparative Analysis of Vision Foundation Models For Building Segmentation in Aerial Imagery
Akbulut, Zeynep; Özdemir, Samed; Karslı, Fevzi; Sefercik, U.G.
Visual Foundation Models (VFMs) demonstrate impressive generalization capabilities for image segmentation and classification tasks, leading to their increasing adoption in the remote sensing field. This study investigates the performance of VFMs in zero-shot building segmentation from aerial imagery using two model pipelines: Grounded-SAM and SAM+CLIP. Grounded-SAM integrates the Grounding DINO backbone with a Segment Anything Model (SAM) while SAM+CLIP first employs SAM for generating masks followed by Contrastive Language Image Pretraining (CLIP) for classification. The evaluation, performed on the WHU building dataset using Precision, Recall, F1 score, and intersection over union (IoU) metrics, revealed that Grounded-SAM achieved F1-score of 0.83 and IoU of 0.71. SAM+CLIP achieved F1-score of 0.65 and IoU of 0.49. While Grounded-SAM excelled at accurately delineating partially occluded and irregularly shaped buildings, SAM+CLIP was able to segment larger buildings but struggled with delineating smaller ones. Given the impressive performance of VFMs in zero-shot building segmentation, future efforts aimed at refining these models through fine-tuning or few-shot learning could significantly expand their application in remote sensing.
AtıfScopus4WoS4OpenAlex4İncele
