Yüksek Lisans Adayı: Laya Moridsedaghat
EABD: Veri Bilişimi
Tarih: 03.09.2026 / 13:30
Yer: A-212

Özet: Çok modlu uzaktan algılama görüntülerinin anlamsal bölütlenmesi, RGB, yakın kızılötesi (NIR) ve kısa dalga kızılötesi (SWIR) bantları gibi farklı spektral bilgi türlerinin bir araya getirilmesinden yararlanabilir. Her modalite aynı bölge hakkında farklı bilgiler sağladığından, bu modalitelerin birlikte kullanılması bölütleme performansını artırabilir. Ancak gerçek dünya uygulamalarında sensör arızaları, veri edinim zamanlarındaki farklılıklar veya eksik gözlemler nedeniyle bir veya daha fazla modalite kullanılamayabilir. Bu durum, tüm modalitelerin mevcut olmasına bağlı olan modellerin güvenilirliğini azaltabilir. Bu tezde, daha önce önerilen CBC mimarisi temel alınarak geliştirilen, verimli bir çok modlu CNN–Transformer modeli olan CBC-Distilled önerilmektedir. Çalışmanın amacı, modelin eksik modalite durumlarıyla başa çıkma yeteneğini geliştirirken hesaplama maliyetini azaltmaktır. Yeni mimaride, eğitim sırasında tüm modaliteleri kullanan bir öğretmen dalından tek modlu öğrenci kodlayıcılara özellik düzeyinde bilgi aktarmak için bir özellik damıtma stratejisi kullanılmaktadır. Bantlar arası korelasyon bloğu, homojen spektral bantlar arasındaki etkileşimleri modellemek ve çok modlu özellik füzyonunu geliştirmek amacıyla kullanılmaktadır. Ayrıca, modelin farklı eksik modalite durumlarıyla karşılaşmasını sağlamak için eğitim sırasında rastgele modalite maskeleme uygulanmaktadır. Öğretmen ve yardımcı dallar çıkarım aşamasında kaldırılarak nihai modelin hafif yapısı korunmaktadır. DSTL veri kümesi üzerinde gerçekleştirilen deneyler, önerilen modelin daha az parametre ve daha düşük hesaplama maliyeti kullanırkenCBCtemel modeline kıyasla F1 skorunu artırdığını göstermektedir. Genel olarak önerilen model, bölütleme doğruluğu, eksik modalitelere karşı dayanıklılık ve hesaplama verimliliği arasında iyi bir denge sağlamaktadır.