Gemi sınıflandırma ve tanıma sistemleri, denize kıyısı ve boğaz geçişleri yoğun olan ülkeler de ulusal ve yerel savunma, gemi trafik kontrolü, kaçak balıkçılık, korsan, insan tacirleri ve küresel ticaret zinciri gibi sorun oluşturabilecek birçok alanda kullanılmaktadır. Bu sorunlara erken müdahale edebilmek için gemi sınıflandırma ve tanıma ile ilgili farklı farklı çözüm metodları geliştirilmiştir. Bu metodlar üzerinde yapılan araştırmalarda yoğun olarak iki gruba ayrılmıştır. Bunlar Uydu ve SAR görüntüleri üzerine yapılan çalışmalardır. Bu kaynaklar üzerinde yapılan çalışma sayısı fazla olsada gelen görüntüler herkesin kullanımına açık değildir. Ayrıca çözünürlükleri gemi sınıflandırma ve tanıma için yetersiz kalmaktadır. Bu metodlara alternatif çözüm olarak derin öğrenme teknolojisi olan CNN' ler oldukça popüler hale gelmiştir. Geçtiğimiz 30 yıl boyunca, bilgisayar görme teknolojileri görsel görevlerde insanlara yardım etmekte zorlandı. Ancak, bugün derin öğrenme teknolojisindeki büyük ilerlemeler, bilgisayarların görüntüleri bir kişi kadar başarılı ve hatta daha iyi işleme yeteneğini sağlamıştır. Tezimizin CNN mimarileri üzerine kurulmasının sebeplerinden birisi de CNN modellerin sınıflandırma ve tanıma problemlerindeki senaryolara göre kolaylıkla sınıf sayılarının genişletilebilir olmasıdır. Bu tezde gemi sınıflandırma için VGG16, VGG 19, DenseNet121, Xception gibi literatürdeki en popüler derin öğrenme CNN mimarileri kullanılmıştır. Ayrıca gemi tanıma için ise YOLOv3 gibi yüksek performans elde edilen CNN mimari tercih edilmiştir. Tezimizde bu modellerin sonuçları karşılaştırılmıştır. Eğitim ve test için kendimizin oluşturduğu 6 adet gemi den oluşan veri setimiz kullanılmıştır. CNN modelleri çok fazla sayıda eğitim seti gerektirdiği için öğrenme aktarım teknolojisi, veri yetersizliği sorununu ortadan kaldırmak amacıyla bu modellerde uygulanmıştır. Tezimizin literatüre olan katkısını, gemi sınıflandırma problemleri için CNN model mimarilerin karşılaştırılması, CNN model mimarisindeki katman sayılarının etkilerinin araştırılması ve bu probleme yönelik uygun hiper parametre seçimi olarak sıralayabiliriz. Gemi tanıma için ise etiketli veri sayısının performans üzerindeki etki olarak değerlendirebiliriz.
Ship classification and detection systems are used in many areas that may cause problems such as national and local defense in countries with intense coastal and strait crossings, ship traffic control, illegal fishing, pirate, human traffickers and the global trade chain. In order to meet these kinds of needs easily, solutions with many different methods have been developed related to ship classification and detection. Research on these methods is divided into two groups intensely. These are the methods in used in Satellite and SAR images. Although the number of studies on these sources is high, the images that are come are not public. In addition, their resolution is not enough for ship classification and detection. As an alternative solution to these methods, CNNs with deep learning technology, have become quite popular. Over the past 30 years, computer vision technologies have had a hard time helping people in visual tasks. However, major advances in deep learning technology today have enabled computers to process images as successfully and even better as a person. One of the reasons why this thesis is based on CNN architectures is that the number of classes can be easily expanded according to the scenarios in the classification and detection problems of CNN models. In this thesis, the most popular deep learning CNN architectures in the literature such as VGG16, VGG 19, DenseNet121 and Xception are used for ship classification. Also, CNN architecture YOLOv3 with high performance is preferred for ship detection. The results of these models are compared in this thesis. Our data set of 6 different ship types, created by us, is used for training and testing. Since CNN models require a large number of training data sets, the transfer learning technology is applied in these models in order to eliminate the problem of lack of data. The contribution of our thesis to literature can be listed as comparing CNN model architectures for ship classification problems, investigating the effects of layer numbers in CNN model architecture and choosing the appropriate hyper parameter for this problem. For ship detection, we can evaluate the number of labeled data as an impact on performance.
