Page 50 - bilgem-teknoloji-dergisi-13

RADAR TEKNOLOJİLERİ
BİLGEM TEKNOLOJİ

Potansiyel hedef bölgelerinin belirlenmesinin ardından, yecek olan çevreleyen kutular, bir regresyon süreci işle- YOLO Metodu
her bir bölgeye ilişkin girdi verisi CNN ağının girişine uy- tilerek oluşturulmaktadır. Ortalama bir başarımla nesne
gulanarak bölgelere ait öznitelik haritaları oluşturulmak- tespitine imkân veren R-CNN metodunun temel problemi, YOLO “You Only Look Once” nesne tanıma yöntemi
tadır. Son aşamada ise, oluşturulan öznitelikler destek CNN ağının 2000 potansiyel hedef bölgesinin her biri için R-CNN tabanlı metotlardan farklı olarak görüntü üzerinde
vektör makineleri (SVM) ile sınıflandırma işlemine tabi işletilmesidir. Bu durum, nesne tespit ve tanıma işleminin tek bir tarama yaparak nesne tanıma sürecini tamamla-
tutulmaktadır. Bununla birlikte, hedef sınırlarını belirle- zaman maliyetli olmasına sebep olmaktadır. maktadır. Bu yöntemde, girdi görüntüsü belirli boyutta
ızgara alanlara ayırılmakta, her bir ızgara alanında birden
fazla hedef tanımlanmasına imkân verecek biçimde hedef
etiketleri oluşturulmaktadır. Oluşturulan etiketler dikkate
alınarak girdi görüntüsü tek bir konvolüsyonel ağdan ge-
çirilerek eğitim veya test işlemi gerçekleştirilmektedir.
Fast R-CNN Metodu Fast R-CNN yönteminin önceki yönteme göre hızlı olması, YOLO yöntemi, R-CNN tabanlı yöntemlerdeki gibi potan-
CNN ağının 2000 değil tek bir defa işletilmesi sayesinde siyel hedef bölgesi araması yapmadığı ve girdi verisini tek
R-CNN yönteminin zaman maliyetli oluşu Fast R-CNN mümkün olmuştur. Yöntemde, girdi verisi CNN ağı girişine seferde değerlendirdiği için söz konusu yöntemlere göre
metodunun geliştirilmesine yol açmıştır. Uygulanan mi- uygulanarak veri ile aynı boyuttaki öznitelik haritası bir çok yüksek hızlı sınıflandırma imkânı oluşturmaktadır. Bu
mari değişiklikler sayesinde, R-CNN yönteminden dokuz defa hesaplanmakta, oluşturulan potansiyel hedef bölge- durum, araştırmacıların YOLO tabanlı yöntemler üzerine
kat daha yüksek hıza ve bununla birlikte %62’den %66’ya lerine ilişkin öznitelik harita bölgesi tam bağlı bir katman yoğunlaşmasına sebep olmuş ve bu metodun çok sayıda
ulaşan bir ortalama doğruluk (mAP) oranına ulaşılmıştır. aracılığı ile sınıflandırmaya tabi tutulmaktadır.
versiyonunun (YOLO-v2, YOLO-v3, YOLO-v4, YOLO-v4
Scaled, YOLO-v5) geliştirilmesine vesile olmuştur. Yolo Sonuc

fastRCNN

Faster R-CNN Metodu Mask R-CNN Metodu

Fast R-CNN metodundan farklı olarak, potansiyel hedef R-CNN yöntemleri içerisinde en gelişmiş olan versiyon-
bölgelerinin yavaş çalışan seçici arama metodu yerine lardan bir tanesi Mask R-CNN yöntemidir. Faster R-CNN
daha yüksek hız ve doğrulukla bulunmasını sağlayan CNN yöntemine ilişkin kabiliyetleri barındıran bu yöntem, ilave Yolo Mimari
tabanlı Bölgesel Teklif Ağı (Regional Proposal Network, olarak hedef sınırlarını temsil eden bir maskenin de bulu-
RPN) kullanan Faster R-CNN metodu, R-CNN ve Fast nabilmesine imkân sağlamaktadır. Öznitelik haritalarının
R-CNN yöntemlerine göre daha hızlı nesne tespit imkânı elde edilmesinden sonra, nesnenin sınıflandırılması, çev- Referanslar
sağlamaktadır. releyen kutunun belirlenmesi ve hassas hedef çevresinin 1. Y. Alagöz, O. Karabayır, A. F. Mustaçoðlu, “Target Classification Using
(maske) oluşturulması aynı anda uygulanarak sofistike YOLOv2 in Land-Based Marine Surveillance Radar”, 28th Signal Proces-
hedef tanıma işlemi tamamlanmaktadır. sing and Communications Applications Conference, pp. 1-4, 2020.
2. O. Karabayır, S. M. Yücedağ, O. M. Yücedağ, A. F. Coşkun, H. A. Serim,
“Micro-Doppler-based classification study on the detections of aerial tar-
gets and wind turbines”, 17th International Radar Symposium (IRS), pp.
1-4, 2016.
3. O. Karabayır, M. Z. Kartal, O. M. Yücedağ, “Convolutional neural
networks-based aerial target classification using micro-Doppler profiles”,
25th Signal Processing and Communications Applications Conference
(SIU), pp. 1-4, 2017.
4. R. Girshick, ”Fast R-CNN”, IEEE International Conference on Computer
Vision, pp. 1440-1448, 2015.
5. K. He, G. Gkioxari, P. Dollár, R.Girshick, “Mask R-CNN”, IEEE International
Conference on Computer Vision, pp. 2961-2969, 2017.
6. Y. Alagöz, “Deniz Hedeflerinin Geleneksel ve Derin Ögrenme Tabanlı
Yöntemler Ile Sınıflandırılması”, Marmara Üniversitesi, 2020.
Mask

48 49