Birkaç çekimle yüksek çözünürlüklü uzaktan algılama görüntüsü anlamsal segmentasyon yöntemi

Gelişmiş gökyüzü fotoğrafları neden önemli

Sel takibinden yeni banliyölerin haritalanmasına kadar, birçok modern karar küçük drone’larla çekilen ayrıntılı görüntülere dayanır. Bu görüntüleri yollar, tarlalar, binalar ve su alanları gibi net haritalara dönüştürmek genellikle uzmanların el ile çizdiği binlerce etiket gerektirir. Bu çalışma, bilgisayarların çok daha az insan tarafından etiketlenmiş örnek kullanarak drone görüntülerinden doğru haritalar öğrenebilmesini gösteriyor; bu da maliyetleri düşürebilir ve çevresel ile kentsel çalışmaların hızını artırabilir.

Bilgisayarlara manzarayı okutmaya öğretmek

Drone görüntüleri son derece keskin olup çatıları, ağaç tepelerini, dar patikaları ve kıyı kenarlarını ortaya çıkarır. Bu ayrıntı değerli olmakla birlikte otomatik haritalamayı da zorlaştırır. Klasik yöntemler doku ve renk üzerine elle tasarlanmış kurallara dayanıyordu ve bu karmaşık sahnelerde zorlanırlar. Derin öğrenme, sinir ağlarının desenleri doğrudan veriden öğrenmesine izin vererek doğruluğu çok daha ileriye taşıdı. Ancak bu gücün bir bedeli vardır: bu ağların iyi çalışması genellikle çok büyük etiketli veri setleri gerektirir ve her görüntüdeki her nesnenin piksel düzeyinde sınırlarını çizmek yavaş ve pahalıdır.

Diğer görüntülerden bilgiyi yeniden kullanmak

Yaygın bir kestirme yol, ImageNet gibi devasa fotoğraf koleksiyonlarında eğitilmiş modellerden başlamak ve ardından bunları drone görüntülerine ince ayar yapmaktır. Bir diğer yöntem ise güçlü bir “öğretmen” modelin çıktı desenlerini paylaşarak daha küçük bir “öğrenci” modeli yönlendirdiği bilgi damıtımıdır. Ancak gündelik fotoğraflar, hem görüş açısı hem de içerik bakımından hava fotoğraflarından büyük ölçüde farklıdır. Etiketlenmiş drone görüntüsü sayısı az olduğunda, yalnızca doğal fotoğrafları görmüş bir öğretmenin vereceği rehberlik en yararlı olmayabilir ve öğrenci potansiyeline ulaşamayabilir.

Öğrenme köprüsü kurmak ve etiketlenmemiş veriyi kullanmak

Yazarlar, hem etiket eksikliği hem de doğal fotoğraflarla drone görüntüleri arasındaki uyumsuzluk sorunlarını aynı anda ele alan bir çerçeve öneriyor. Önce, ayrıntıları korumaya yönelik bir gövde (backbone) ile DeepLabV3+ adlı popüler bir haritalama ağını yükseltiyor ve önemli özellikleri öne çıkaran bir dikkat (attention) modülü ekliyorlar. Ardından doğal görüntüler ile nihai drone veri kümesi arasına bir ara adım getiriyorlar. Model önce orta ölçekli bir uzaktan algılama veri kümesinde incelikle ayarlanıyor, sonra bilgisi kademeli olarak yeni öğrenci modellere aktarılıyor ve bunlar nihai drone koleksiyonuna giderek uyum sağlıyor. Bu süreç boyunca, öğrenciye öğretmenin davranışını unutmadan kopyalamaya yardımcı olan özel kayıp (loss) terimleri kullanılıyor.

Modelin etiketlenmemişten öğrenmesine izin vermek

Büyük sayıdaki etiketlenmemiş drone görüntüsünden daha iyi yararlanmak için çerçeve bir yarı denetimli aşama ekliyor. Bu aşamada, güncel bir öğretmen modeli etiketlenmemiş görüntülere kendi tahminlerini uygular ve yalnızca en yüksek güvendiği tahminleri saklar. Bu “sahte etiketler” insan etiketleriyle birleştirilerek hem gerçek hem de sahte etiketli veride öğretmenle tutarlı kalması gereken bir öğrenci modeli eğitmek için kullanılır. Öğretmenin ağırlıkları, öğrencinin ilerlemesinden yavaşça güncellenir; böylece her iki modelin birlikte geliştiği bir döngü oluşur. Çin’in Erhai bölgesine ait ayrıntılı bir drone veri kümesi üzerindeki testler, bu stratejinin özellikle yollar ve tarım arazileri için haritalama doğruluğunu önemli ölçüde artırdığını; üstelik sadece bir kısmı etiketli olsa bile gösteriyor.

Yöntemin farklı yerlerde ne kadar iyi çalıştığı

Erhai veri kümesinin ötesinde araştırmacılar yöntemlerini yaygın kullanılan bir sokak sahnesi kıstas verisinde de uyguluyor. Şehir sokaklarına benzeyen sahneler içeren uygun bir ara veri kümesi ekleyerek, etiketli görüntülerin kıt olduğu durumlarda diğer önde gelen yöntemlerden daha iyi performans elde ediyorlar. Deneyler ayrıca doğru ara veri kümesinin seçiminin kritik olduğunu ortaya koyuyor: bu orta adımın sahneleri nihai hedeften çok farklı olduğunda, performans artmak yerine düşebiliyor. Genel olarak, kademeli öğretim, ayrıntıları koruyan mimari ve etiketlenmemiş verinin akıllıca kullanımı, farklı haritalama görevlerine uyarlanabilen esnek bir reçete sunuyor.

Gerçek dünya haritalama için anlamı

Uzman olmayanlar için temel mesaj, drone görüntülerinden yüksek kaliteli haritaların artık devasa miktarda insan tarafından izlenme gerektirmediğidir. Büyük görüntü koleksiyonlarından gelen bilgiyi dikkatle yeniden kullanarak, iyi seçilmiş bir köprü veri kümesi ekleyerek ve modelin etiketlenmemiş görüntülerden kendini öğretmesine izin vererek önerilen yöntem daha az elle çalışma ile daha doğru arazi örtüsü haritaları sağlıyor. Bu, yerel planlamacılar, çiftçiler ve afet müdahale ekipleri için zaman ve maliyetleri kontrol altında tutarken güncel ve ayrıntılı arazi görünümlerini daha kolay sağlamayı mümkün kılabilir.

Atıf: Jiang, HL., Wang, N., Geng, B. et al. A few-shot high-resolution remote sensing image semantic segmentation method. Sci Rep 16, 15262 (2026). https://doi.org/10.1038/s41598-026-46887-y

Anahtar kelimeler: uzaktan algılama, İHA görüntüleri, anlamsal segmentasyon, yarı denetimli öğrenme, bilgi damıtımı