| Tez Türü | Doktora |
| Ülke | Türkiye |
| Üniversite | Karabük Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Bilgisayar Mühendisliği Anabilim Dalı |
| Tez Onay Yılı | 2026 |
| Öğrenci Adı ve Soyadı | Hacer Kübra SEVİNÇ |
| Tez Danışmanı | PROF. DR. İSMAİL RAKIP KARAŞ |
| Türkçe Özet | Hava LiDAR (Light Detection and Ranging) verileri, kentsel modelleme ve üç boyutlu mekânsal analiz çalışmalarında yaygın olarak kullanılmaktadır. Ancak LiDAR nokta bulutlarının düzensiz yapısı, değişken nokta yoğunlukları ve veri setlerinde görülen sınıf dengesizliği semantik segmentasyon problemini zorlaştırmaktadır. Bu çalışmada hava LiDAR nokta bulutları üzerinde dört sınıflı (sınıflandırılmamış, bitki örtüsü, zemin ve bina) semantik segmentasyon problemi ele alınmakta ve özellikle çok sınıflı segmentasyona odaklanılmaktadır. Bu çalışma kapsamında OpenTopography platformu üzerinden elde edilen Oregon LiDAR Programı veri seti kullanılmıştır. Nokta bulutu verileri sabit giriş boyutu sağlamak amacıyla 4096 nokta olacak şekilde örneklenmiş ve her nokta için X, Y, Z koordinatları ile birlikte RGB ve yoğunluk (intensity) özellikleri kullanılmıştır. Deneysel çalışmalarda önerilen yöntem hem temel modellerle (PointNet, PointNet++ MSG ve VoxelNet Lite) hem de Point Transformer, KPConv ve Rand-LA-Net olmak üzere son teknoloji mimarileri karşılaştırılmıştır. Deneysel çalışmalara dayanılarak PointNet++ MSG mimarisi temel alınmış, transformer tabanlı bir özellik birleştirme modülüne sahip PointNet2 MSG Transformer modeli geliştirilmiştir. Farklı kayıp fonksiyonları ve eğitim konfigürasyonları değerlendirilmiş, topluluk öğrenmesi ve test zamanı veri artırma stratejilerinin model performansı üzerindeki etkileri analiz edilmiştir. Deney sonuçları, önerilen yaklaşım ile test veri seti üzerinde %51.74 mIoU ve %61.50 doğruluk elde edildiğini göstermektedir. Elde edilen bu bulgular, çok ölçekli özellik çıkarımı ile transformer tabanlı özellik birleştirme mekanizmalarının birlikte kullanılmasının LiDAR nokta bulutu semantik segmentasyonu ve çok sınıflı segmentasyon problemlerinde etkili bir yaklaşım sunduğunu göstermektedir. |
| İlgilizce Özet | Airborne LiDAR(Light Detection and Ranging) data is widely used in urban modelling and three-dimensional spatial analysis studies. However, the irregular structure of LiDAR point clouds, varying point densities, and class imbalances observed in the datasets make semantic segmentation problematic. This study addresses the four-class semantic segmentation problem (unclassified, vegetation, ground, and building) on aerial LiDAR point clouds, with a particular focus on multi-class segmentation. The Oregon LiDAR Program dataset was obtained through the OpenTopography platform for use in this study. The point cloud data were resampled to 4096 points to ensure a fixed input size; for each point, the X, Y, and Z coordinates, along with the RGB and intensity features, were utilized. Experimental studies compared the proposed method with both baseline models (PointNet, PointNet++ MSG, and VoxelNet Lite) and recent state-of-the-art architectures, including Point Transformer, KPConv, and RandLA-Net. Additionally, the PointNet2 MSG Transformer model was developed based on the PointNet++ MSG architecture and includes a transformer-based feature fusion module. Different loss functions and training configurations were evaluated, and the effects of ensemble learning and test zamanı veri artırma strategies on model performance were analyzed. The experimental results show that the proposed approach achieved a mean Intersection over Union (mIoU) of 51.74% and an accuracy of 61.50% on the test dataset. These results demonstrate that combining multi-scale feature extraction with transformer-based feature fusion is an effective approach for semantic segmentation of LiDAR point clouds and multi-class segmentation tasks. |