Derin Öğrenme Tabanlı Kentsel Değişim Tespiti ve İzleme Sistemi

Abstract

Bu tez çalışmasında, farklı yıllarda aynı konumlardan elde edilen sokak görüntüleri üzerinden nesne düzeyinde bir değişim tespiti süreci gerçekleştirilmiştir. Çalışmanın temel hedefi, zaman içinde meydana gelen değişimlerin, farklı segmentasyon yaklaşımları kullanılarak herhangi bir eğitim sürecine gerek duyulmadan, analiz edilmesidir. Bu kapsamda, panoramik görüntülerde karşılaşılan geometrik bozulma, sahne karmaşası ve küçük nesne tespiti gibi sorunları azaltmak için eşkenar dörtgen projeksiyon yöntemiyle sokak görünümlerine dönüştürülmüştür. Dönüştürülen sokak görüntülerine Segment Anything Model 2 (SAM 2) ve Panoptik segmentasyon yöntemleri uygulanmış; biri sıfır atış temelli, diğeri etiketli veriye dayanan iki farklı segmentasyon yaklaşımının karşılaştırılmıştır. Her iki modelden de elde edilen çıktılarla bina, ağaç ve trafik işareti gibi nesnelere ait segmentasyon maskeleri üretilmiştir. Aynı konumlardan elde edilen farklı yıllara ait görüntülerin segmentasyon sonuçları karşılaştırılarak, zaman içindeki değişimler nesne bazında analiz edilmiştir. Değişim yoğunluğu haritaları ve sınıflar arası değişim matrisleri gibi çeşitli metriklerle görsel ve sayısal değerlendirmeler yapılmıştır. Elde edilen sonuçlar, sokak düzeyi görüntülerin bu alandaki analizlerde kullanılabilirliğine ve etiketli veri gerektirmeyen yaklaşımların uygulanabilirliğine dikkat çekmektedir. Tez kapsamında izlenen yöntem, hem veri ön işleme hem de değişim analizi süreçlerini birleştiren bütüncül bir yapı sunmaktadır.

In this thesis, an object-level change detection process based on street-view images captured from the same locations at different years. The main objective of the study is to analyze temporal and physical changes using different segmentation approaches without requiring a training process. To overcome geometric distortion, scene complexity, and small-object detection challenges in panoramic images, the data were transformed into street-view format using the rhombic projection method. The transformed images were processed with Segment Anything Model 2 (SAM 2) and Panoptic Segmentation, representing two distinct paradigms: SAM 2 as a zeroshot, label-free approach and Panoptic Segmentation as a labeled-data method. Segmentation masks were generated for objects such as buildings, trees, and traffic signs, and temporal changes between years were analyzed based on these results. Change density maps and class transition matrices were also produced to support visual and quantitative evaluations. The findings show that street-view imagery can be effectively used for urban change detection, with label-free segmentation providing reliable and adaptable outcomes. The proposed framework integrates preprocessing, segmentation, and change analysis into a single pipeline, demonstrating the potential of modern segmentation models for urban monitoring and automated visual analysis.