Segformer modelleri ile bina tespiti
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Depremler, altyapı ve üstyapılarda ciddi hasarlara yol açarak toplumları olumsuz etkileyen doğal afetlerdir. Deprem sonrası bina tespiti, doğru ve hızlı müdahaleler için kritik öneme sahiptir. Bu çalışmada bina tespitinde SegFormer modellerinin performansını değerlendirmek amacıyla 2017 Meksika Depremi ve 2023 Hatay Depremi'ne ait uydu görüntüleri kullanılmıştır. SegFormer modeli, nesnelerin piksel düzeyinde segmentasyonu için geliştirilmiş bir derin öğrenme yöntemidir. Çalışmada, SegFormer'ın B0,B1,B2,B3,B4 ve B5 modelleri, semantik segmentasyon görevinde test edilmiş, Meksika ve Hatay veri setlerinde kapsamlı analizler gerçekleştirilmiştir. Veri setleri, ortak çözünürlüğe dönüştürülmüş, segmentasyon maskeleri oluşturulmuş ve modeller eğitim sürecinde doğruluk, kayıp ve segmentasyon başarısı gibi metriklerle değerlendirilmiştir. Elde edilen sonuçlara göre, SegFormer B4 modeli, Meksika veri setinde 0,8528 doğruluk, 0,7996 geri çağırma, 0,7395 mAP, 0,6824 IoU ve 0,8001 Dice katsayısı ile en başarılı model olmuştur. Bu model, büyük binaların sınırlarını doğru şekilde belirleme ve segmentasyon maskelerinin tutarlılığı açısından diğer modellere göre daha başarılıdır. Hatay veri setinde ise B4, 0,7906 doğruluk, 0,5933 Dice katsayısı ve 0,4280 IoU ile görece dengeli bir performans göstermiştir. B0 modeli diğer modellere göre düşük başarı göstermiştir. Karmaşık yapısına rağmen, B5 modeli küçük detayların tespitinde başarısız olmuştur. Çalışmada SegFormer B4 modelinin bina segmentasyonunda etkili olduğu görülmüş ve gelecek araştırmalar için veri seti optimizasyonunun önemi vurgulanmıştır. Anahtar Sözcükler: Bina Segmentasyonu, SegFormer, Derin Öğrenme, Bina Tespiti, Deprem Analizi, Veri Görselleştirme
Earthquakes are natural disasters that significantly impact societies by causing severe damage to infrastructure and superstructures. Post-earthquake building detection is critical for accurate and rapid interventions. This study evaluates the performance of SegFormer models in building detection using satellite images from the 2017 Mexico Earthquake and the 2023 Hatay Earthquake. SegFormer is a deep learning method developed for pixel-level segmentation of objects. In the study, SegFormer models B0, B1, B2, B3, B4, and B5 were tested in semantic segmentation tasks, and comprehensive analyses were conducted on the Mexico and Hatay datasets. The datasets were standardized to a common resolution, segmentation masks were generated, and the models were evaluated during the training process using metrics such as accuracy, loss, and segmentation performance. The results indicate that the SegFormer B4 model performed best on the Mexico dataset, achieving 0,8528 accuracy, 0,7996 recall, 0,7395 mAP, 0.6824 IoU, and 0.8001 Dice coefficient. This model outperformed others in accurately delineating the boundaries of large buildings and maintaining consistency in segmentation masks. On the Hatay dataset, the B4 model demonstrated relatively balanced performance, with 0,7906 accuracy, 0,5933 Dice coefficient, and 0,4280 IoU. The B0 model showed lower performance compared to the others, while the B5 model, despite its complexity, struggled with detecting small details. The study concludes that the SegFormer B4 model is effective for building segmentation and emphasizes the importance of dataset optimization for future research.
Earthquakes are natural disasters that significantly impact societies by causing severe damage to infrastructure and superstructures. Post-earthquake building detection is critical for accurate and rapid interventions. This study evaluates the performance of SegFormer models in building detection using satellite images from the 2017 Mexico Earthquake and the 2023 Hatay Earthquake. SegFormer is a deep learning method developed for pixel-level segmentation of objects. In the study, SegFormer models B0, B1, B2, B3, B4, and B5 were tested in semantic segmentation tasks, and comprehensive analyses were conducted on the Mexico and Hatay datasets. The datasets were standardized to a common resolution, segmentation masks were generated, and the models were evaluated during the training process using metrics such as accuracy, loss, and segmentation performance. The results indicate that the SegFormer B4 model performed best on the Mexico dataset, achieving 0,8528 accuracy, 0,7996 recall, 0,7395 mAP, 0.6824 IoU, and 0.8001 Dice coefficient. This model outperformed others in accurately delineating the boundaries of large buildings and maintaining consistency in segmentation masks. On the Hatay dataset, the B4 model demonstrated relatively balanced performance, with 0,7906 accuracy, 0,5933 Dice coefficient, and 0,4280 IoU. The B0 model showed lower performance compared to the others, while the B5 model, despite its complexity, struggled with detecting small details. The study concludes that the SegFormer B4 model is effective for building segmentation and emphasizes the importance of dataset optimization for future research.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control, Building Segmentation, SegFormer, Deep Learning, Building Detection, Earthquake Analysis, Data Visualization
