Page 48 - bilgem-teknoloji-dergisi-13
P. 48
RADAR TEKNOLOJİLERİ
BİLGEM TEKNOLOJİ
Dr. Baki Batı - Başuzman Araştırmacı, Dr. Osman Karabayır - Başuzman Araştırmacı / BİLGEM TDBY
Radar sistemlerinde hedef tanımada kısmen başarı sunan
HEDEF dan itibaren yerini artan bir hızla gelişme gösteren derin
geleneksel yöntemler yirmi birinci yüzyılın başlangıcın-
öğrenme (Deep Learning) tabanlı yöntemlere bırakmaya
başlamıştır. İnsan beynine ilişkin öğrenme fonksiyonların-
dan esinlenerek geliştirilen derin öğrenme tabanlı meto-
TANIMADA dolojiler, kendi kendine öğrenen yani otonom bir teknoloji
olarak değerlendirilmekte ve geleneksel yöntemler dikka-
te alınarak belirlenecek öznitelik ve sınıflandırıcı yapıla-
rından daha üstün bir modelin radar sistemi tarafından
Derin otomatik olarak öğrenilmesine imkân tanımaktadır. WaveletFeatures
öğrenme
cnnMimari
Derin öğrenme tabanlı hedef tanıma uygulamalarında te- gibi nesne tespit yöntemlerinin hedef tanıma ve kimlik-
mel olarak konvolüsyonel sinir ağlarının (CNN) yaygın bir lendirme anlamında kullanıldığı ve sistemlere doğruluk ve
biçimde kullanıldığı göze çarpmaktadır. Bununla birlikte, hız anlamında iyileştirme sağladığı görülmektedir. Farklı
Teknolojik ilerlemelerle birlikte, radar ile hedef tanıma- girdi verilerine ve bu veriler kullanılarak oluşturulan ayırt yakın zamanda CNN ağları temel alınarak; yaklaşımlar ile hedef tanımanın amaçlandığı bu ağlarda
da geleneksel yöntemlerin yerini derin öğrenme taban- edici özniteliklere sıkı sıkıya bağlıdır. Dolayısı ile radar • R-CNN (bölgesel konvolüsyonel sinir ağları), özellikle insan görme sisteminin tanıma fonksiyonuna
lı algoritmalar almaktadır. Konvolüsyonel ağların yaygın mühendisleri ve araştırmacılar, radar sistemlerinin etkin • Fast R-CNN (hızlı bölgesel konvolüsyonel sinir ağları), benzer biçimde konvolüsyon filtreleri kullanılarak çok
biçimde kullanıldığı derin öğrenme algoritmaları, hedef bir tanıma fonksiyonuna sahip olabilmesi için bir yandan • Faster R-CNN (daha hızlı bölgesel konvolüsyonel sinir sayıda öznitelik haritaları oluşturulmaktadır. Bu öznitelik
imzaları için özellik çıkartımı ile sınıflandırma işlemini bir- en uygun sınıflandırıcı yapısını tasarlamak, bir yandan da ağları), haritaları, hedeflere ilişkin farklı ölçeklerde ve kaba veya
likte uygulayarak önceki yöntemlere göre hızlı ve etkin bir girdi verisinden en ayırt edici öznitelikleri belirlemek adı- • Mask R-CNN (maskeli bölgesel konvolüsyonel sinir ağ- detay anlamında farklı biçimlerde ayırt edici özelliklerin
sınıflandırma imkânı sunmaktadır. na yoğun çabalar sarf etmiştir. Bahse konu sınıflandırıcı ları) ve belirlenmesini sağlamaktadır.
ve öznitelik mühendisliği, sistemlerin konumu ve tipi gibi • YOLO (tek taramada nesne tespiti)
Radar sistemleri, etkin biçimde kullanılmaya başlandığı farklı parametrelere duyarlılık göstermektedir. Bu sebeple
İkinci Dünya Savaşı’ndan bu yana algoritma ve fonksiyon geliştirilen sınıflandırıcı ve öznitelik çıkarma algoritmaları
anlamında önemli bir gelişim göstermiştir. Aynı süre zarfın- genelde sistemler özelinde tasarlanabilmektedir.. R-CNN Metodu
da, hedeflerin tespit ve takibi ile birlikte teşhis edilmesine
yönelik olarak basitten karmaşığa çok sayıda algoritma ve CNN ağ yapısını kullanarak nesne tespiti yapan yön- algoritması kullanarak, görüntü üzerinde hedef olması
yöntem geliştirilmiştir. Söz konusu geliştirmeler sayesinde, temlerin başında gelen bölgesel konvolüsyonel sinir ağı, muhtemel 2000 adet bölge belirlemektedir.
icadının ilk evrelerinde yalnızca basit tespitler icra edebilen R-CNN, nesne tespitinin ilk aşamasında bir seçici arama
radar sistemleri günümüzde insan beyninin gerçekleştirdiği
bazı fonksiyonlara sahip olarak öğrenmeye bağlı tespit ve
teşhis kabiliyetlerine haiz olabilmektedir.
Yirmi birinci yüzyılın ilk evresini radar sistemlerinin hedef
tanıma anlamında kazanmış olduğu yetenekler açısından
bir milat olarak saymak yanlış olmayacaktır. Bu döneme
kadar, kara, hava veya deniz hedeflerinin tanınabilme-
si veya teşhis edilebilmesi doğrultusunda basit anlamda
Bayes kuralı ve k-en yakın komşuluk (k-NN) veya biraz
daha karmaşık olarak yapay sinir ağları (ANN) gibi sınıf-
landırıcı yapıları yaygın bir biçimde kullanılmıştır. Gele-
neksel yöntemler olarak adlandırılan bu sınıflandırıcı ya-
pılarının hedeflerin tanınması konusunda başarılı olması,
RCNN
46 47