Geniş alanlı hareketli görüntüleme sayesinde, bir
hava aracı üzerine yerleştirilen bir sensör vasıtasıyla
onlarca kilometrekarelik alanın gözetlenebilmesi mümkün
olmaktadır. İnsanlı veya insansız hava araçları üzerine yer-
leştirilen WAMI sensörleri vasıtasıyla gerçekleştirilen bu
tür gözetlemenin birçok farklı alanda çok önemli uygula-
maları bulunmaktadır. Şehirler üzerinde yapılan gözetleme
ile trafik izleme, trafik planlama, güvenlik, suç ve suçlu
takibi, anomali tespit gibi uygulamaları bul
Geniş alanlı hareketli görüntüleme sayesinde, bir
hava aracı üzerine yerleştirilen bir sensör vasıtasıyla
onlarca kilometrekarelik alanın gözetlenebilmesi mümkün
olmaktadır. İnsanlı veya insansız hava araçları üzerine yer-
leştirilen WAMI sensörleri vasıtasıyla gerçekleştirilen bu
tür gözetlemenin birçok farklı alanda çok önemli uygula-
maları bulunmaktadır. Şehirler üzerinde yapılan gözetleme
ile trafik izleme, trafik planlama, güvenlik, suç ve suçlu
takibi, anomali tespit gibi uygulamaları bul
Geniş alanlı hareketli görüntüleme sayesinde, bir
hava aracı üzerine yerleştirilen bir sensör vasıtasıyla
onlarca kilometrekarelik alanın gözetlenebilmesi mümkün
olmaktadır. İnsanlı veya insansız hava araçları üzerine yer-
leştirilen WAMI sensörleri vasıtasıyla gerçekleştirilen bu
tür gözetlemenin birçok farklı alanda çok önemli uygula-
maları bulunmaktadır. Şehirler üzerinde yapılan gözetleme
ile trafik izleme, trafik planlama, güvenlik, suç ve suçlu
takibi, anomali tespit gibi uygulamaları bul
Musa Serdar ARSLAN İstanbul Üniversitesi Cerrahpaşa Bilgisayar Müh.Böl. sarslan@hho.edu.tr
Özet—Geniş alanlı hareketli görüntüleme sayesinde, bir
hava aracı üzerine yerleştirilen bir sensör vasıtasıyla onlarca kilometrekarelik alanın gözetlenebilmesi mümkün olmaktadır. İnsanlı veya insansız hava araçları üzerine yer- leştirilen WAMI sensörleri vasıtasıyla gerçekleştirilen bu tür gözetlemenin birçok farklı alanda çok önemli uygula- maları bulunmaktadır. Şehirler üzerinde yapılan gözetleme ile trafik izleme, trafik planlama, güvenlik, suç ve suçlu takibi, anomali tespit gibi uygulamaları bulunmaktadır. Bunun yanında sınır güvenliği uygulamaları, silahlı kuv- vetler için istihbarat, gözetleme ve keşif görevlerini yerine getirmek için kullanılmaktadır. Özellikle İnsansız Hava Aracı (İHA) kullanılarak gerçekleştirilen gözetleme silahlı kuvvetler için çok önemli bir kuvvet çarpanı oluşturmak- tadır. Ancak, elde edilen WAMI görüntülerinin yapısından Şekil 1. Resimde yüksek çözünürlüklü bir WAMI görüntüsü ve farklı kaynaklanan zorluklar sebebiyle WAMI kullanımı çok bölgelerinin daha yakınlaştırılmış halleri görülmektedir. etkin bir şekilde gerçekleştirilememektedir. Burada WAMI görüntüleri ve uygulamalarından bahsedilecek, özellikle WAMI görüntüleri üzerinde hareketli nesnelerin tespit ve resmi örneğini göstermektedir. 8 Kameradan oluşan bir takibi uygulamaları incelenecektir. WAMI sensöründe her bir kamera yaklaşık olarak 11 I. G IRI Ş megapiksellik görüntüler üretmektedir. Bu kameralarin birleştirilmiş görüntüsü ise yaklaşık 80 megapiksellik Geniş Alanlı Hareketli Görüntüleme (Wide Area Mo- bir görüntü oluşturur [1]. ARGUS-IS gibi daha yeni tion Imagery - WAMI) sayesinde, genellikle hava araçları sensörlerde bu büyüklük 1.8 gigapiksel olabilmektedir. üzerine yerleştirilmiş çoklu kameralar vasıtasıyla yer- Bu büyüklüklerde görüntülerin incelenmesinde yeni yüzünde çok geniş alanların gözetlenmesi sağlanabil- bir bakış açısı gerektirmektedir. Bir şehrin yukarıdan mektedir. Bu görüntüleme tekniği Geniş Alanlı Havadan sürekli olarak gözetlendiğini düşünürsek, oluşan görün- Gözetleme (Wide Area Aerial Surveillance - WAAS), tülerde binlerce hareketli nesne zamansal ve uzamsal Geniş Alanlı Sürekli Gözetleme (Wide Area Persistent olarak birbiriyle ilişkili olaylar oluşturur. Bu büyüklükte Surveillance - WAPS) veya Geniş Görüş Alanlı Görün- hareketli görüntüler üzerinde çoklu nesnelerin tanınması, tüleme (Wide Field-of-View Imaging- WFOV) olarak da izlenmesi, takip edilmesi algoritmik ve hesaplama açısın- adlandırılmaktadır [1], [2]. WAMI sensörleri 6, 8 veya dan çok önemli zorluklar oluşturmaktadır [1]. daha çok miktarda elektro-optik kameranın bir matris ya- pısında ve kapsadıkları alanlar bindirmeli olacak şekilde II. WAMI’ NIN Z ORLUKLARI yerleştirilmesi ile oluşturulmaktadır. Her bir kameradan WAMI görüntülerin çekilme tekniğinden kaynaklanan alınan görüntü birleştirilerek tek bir büyük görüntü elde yapısı nedeniyle, normal dar görüş açılı kameralarla edilmektedir. Bu görüntüler genellikle 0.5 m/piksel se- çekilen görüntülere göre işlenmesinde ve kullanılma- viyesinde olmakla birlikte, daha yeni olan sensörlerde sında bazı zorluklar bulunmaktadır. Öncelikle görüntü- çözünürlük 0.2 m/piksel altına düşmüştür [3]. Görüntü- lerin yer yüzey koordinatlarıyla eşleştirilmesi gerekmek- leme hızı ise 2 fps olmaktadır [4]. Şekil 1 bir WAMI tedir (georegistration). Bu işlem ilave bir işlem basamağı oluşturmakta ve birden fazla kameradan elde edilen seti bu programın geliştirilmesi için oluşturulmuş, yerde görüntülerin yer eşleştirmesi ve bunların birleştirilmesi hareket eden askeri ve sivil araçlardan oluşan video birlikte ilave bir zorluk katmanı oluşturmaktadır. Bu görüntülerini içermektedir. Ancak, bu görüntüler düşük görüntüler üzerinde çoğunlukla nesnelerin tespit ve ta- irtifadan çekilmiş ve tek bir kamera ile kayıt edilmiş kip edilmesini gerektirenler önemli uygulamalar olara görüntülerdir. Bu yüzden bu veri setini WAMI sınıfında öne çıkmaktadır. Bu tür görüntüler nesnelerin tespit kabul edemeyiz. WAMI’de olduğu gibi çok geniş yer- ve takip edilmesinde de önemli zorlukları bünyesinde yüzü alanını kapsayan görüntüler değildir. Sadece küçük barındırmaktadır. Öncelikle bu görüntülerdeki nesneler bir görme alanına sahip görüntüleri içermektedir. resim çerçevesinin tamamına göre çok küçük bir alanı kaplamaktadır. Örneğin hareketli bir araç yaklaşık olarak B. CLIF Dataset [6], [7] 20 piksellik bir alanı kapsar. Bu durum hem tespit hem Columbus Large Image Format (CLIF) olarak isim- de takip konusunda önemli bir zorluk olarak karşımıza lendirilen veri seti Amerikan Hava Kuvvetleri Araştırma çıkmaktadır. Nesnelerin takibindeki diğer önemli zorluk Laboratuvarı (Air Force Research Laboratory - AFRL) da paralaks etkisi (parallax effect) dediğimiz durumdur. tarafından sağlanan bir veri setidir. 2 Satır, 3 sütunluk Bu durum kameranın bulunduğu platformun hareketli ol- bir matris yapısında düzenlenmiş altı adet elektro-optik masından kaynaklanmaktadır. Bu hareketten dolayı nes- monokrom kameradan oluşan bir sensör kullanılarak nelerin resim çerçeveleri üzerindeki görüntüsü değişime görüntüler elde edilmiştir. Kameralar geniş bir alanı uğramaktadır. Bu da paralaks etkisi dediğimiz durumu kapsayacak şekilde ve bindirmeli olarak yerleştirilmiştir. ortaya çıkarmaktadır. Böylece altı kameradan eş zamanlı elde edilen resimler tek bir resim oluşturacak şekilde birleştirilebilmektedir. III. WAMI V ERI S ETLERI Görüntüler 2 Hz. örnekleme frekansına sahiptir. Yani gö- WAMI görüntülerin elde edilmesi genellikle çok zor rüntüler saniyede 2 resim çerçevesi (fps) olacak şekilde ve maliyetli olmaktadır. Bunun bir çok sebebi vardır. kaydedilmiştir. Öncelikle, bu tür görüntüleri elde etmek için kullanılan CLIF 2006 ve CLIF 2007 olmak üzere iki farklı veri sensörler kolayca elde edilebilen herkesin kullanımına seti bulunmaktadır. CLIF 2006 setinde her bir kameradan uygun sensörler değildirler. Bu tür sensörler genellikle 4095 görüntü olmak üzere toplam 24564 görüntü yer özel olarak üretilmekte ve yüksek maliyetli olmaktadır. almaktadır. CLIF 2007 setinde ise her bir kameradan Diğer bir zorluk ise bu sensörlerin kullanılmasıyla ala- 16117 görüntü, toplamda 96702 görüntü bulunmaktadır. kalıdır. Bu sensörler kullanılarak yer yüzünün görüntü- lerinin alınması için orta ve yüksek irtifalardan uzun C. WPAFB 2009 Dataset [8] süreler boyunca bir uçan platform üzerinde çalıştırıl- Aynı CLIF veri setinde olduğu gibi WPAFB 2009 veri maları gerekmektedir. Bu şekilde görüntüler genellikle seti de AFRL tarafından sağlanan bir veri setidir. Bu veri askeri veya özel maksatlı insanlı veya insansız plat- seti de CLIF veri setinin üretilmesi için kullanılan sensör formlar üzerinden alınmaktadır. Bu şekilde elde edilmiş kullanılarak elde edilmiştir. Bu veri setinde CLIF veri görüntüler ise genel maksat kullanıma açılmamaktadır. setinden farklı olarak altı kameradan elde edilen resimler Bu sebeplerden dolayı WAMI üzerinde gerçekleştirilen NITF 2.1 formatında birleştirilmiş ve etiketlenmiş olarak akademik çalışmalar için oluşturulmuş çok fazla veri seti sunulmaktadır. Bu veri seti toplam 1537 birleştirilmiş bulunmamaktadır. Genel kullanıma açık az miktardaki görüntüden oluşmaktadır. WAMI veri setleri ve özellikleri kısaca aşağıda özetlen- miştir. IV. WAMI Ü ZERINDE N ESNE T ESPIT VE TAKIBI WAMI üzerinde birçok farklı uygulama alanı bulun- A. VIVID Dataset maktadır. Ancak, yapılan çalışmalar ve gerçekleştirilen VIVID veri seti [5] DARPA VIVID (Video Veri- uygulamalar çoğunlukla nesne tespit ve takip uygula- fication of Identity) programı kapsamında hazırlanmış malarıdır. Nesne tespiti tekli veya çoklu, çoğunlukla görüntülerden oluşmaktadır. DARPA VIVID programı- hareketli nesnelerin tespiti üzerinedir. Nesne tespit ve nın nihai hedefi, insansız hava araçları için otomatik takip uygulamalarında çoğunlukla şehir içerisinde araç- ve video-tabanlı yer hedefleme sistemi geliştirmektir. ların tespit ve takip edilmesi gerçekleştirilmeye çalışıl- Bu programın parçalarından birisi de çoklu hedef takip maktadır. WAMI üzerinde hareketli nesne tespiti, trafik sistemi olmuştur. Bu sistemin ana fonksiyonu çoklu izleme, trafik planlama, şehir planlama, sürücü davranış hedefleri otomatik olarak takip etmektir. VIVID veri analizi, şehir güvenliği gibi bir çok farklı uygulama alanına sahip önemli bir problemdir. Sommer et al. [9] ana sebebi sıralanmaktadır. Birincisi, WAMI üzerinde bu konuda yapılmış 10 farklı çalışma incelenmekte ve nesneler normal görüntülerdeki nesnelere göre çok daha bu çalışmalardaki yöntemlerin karşılaştırmalı bir özeti küçük bir alan kapsamaktadır. Örneğin, WPAFB 2009 sunularak, hareketli nesne tespiti için arkaplan çıkarımı veri setinde yer alan araçlar ortalama olarak 9x18 pik- ve piksel komşuluğunu dikkate alarak görüntü hizalama sellik alan kaplamaktadır. Bu durum nesnelerin tanı- hatalarının bastırılmasının birleşiminden oluşan yeni bir nabilmesi için kullanılabilecek veri miktarını minimize hareketli nesne tespit yöntemi de bu çalışma ile sunul- etmektedir. İkinci olarak, WAMI’deki yüksek çerçeve maktadır. büyüklüğü (gigapiksel seviyesinde) arama uzayının çok Genel olarak hareketli nesne tespitinde üç temel yak- büyük olmasına sebep olmaktadır. Ayrıca birinci mad- laşım kullanılmaktadır. Bu yaklaşımlar arkaplan çıkarma dedeki sebepten dolayı olası nesnelerin yerini tahmin (background subtraction), çerçeve farkları (frame dif- etmek için kullanılan ve normal resimlerde iyi sonuç ferencing) ve optik akış (optical flow) yöntemleridir. veren nesne yeri öneri teknikleri burada çok küçük alan Arkaplan çıkarma tekniği mevcut resimdeki pikseller ile kaplayan nesneler için iyi tahminler yapamamaktadır. arkaplan modeli arasındaki piksel değerlerinin farklarını Üçüncü neden ise eğitim seti ile ilgilidir. Nesnelerin kullanmaktadır. Çerçeve farkları yönteminde arka arkaya görünüş özelliklerini kullanan, derin öğrenme tabanlı bu gelen iki veya üç resim çerçevesi arasındaki piksel değer- nesne tespit yöntemleri eğitim için çok büyük miktarda lerinin farklarına bakar. Optik akış yöntemleri ise resim etiketli veriye ihtiyaç duymaktadır. Havadan çekilmiş çerçevesindeki hareketli nesnelerin akış vektörlerini he- WAMI görüntüleri için yeterince veri olmasına karşın, saplayarak hareketli nesneleri tespit eder. Optik akışa da- bunların etiketlenmesi ve referans olarak kullanılacak yalı hareketli nesne tespit yöntemleri WAMI görüntüleri doğrulama verilerini üretmek çok külfetli ve zor bir için uygulanabilir değildir [10]. Bu çalışma ile önerilen süreç olduğundan eğitim için kullanılabilecek yeterince yöntem WPAFB veri seti kullanılarak gerçekleştirilen büyük bir set oluşturulamamıştır. Bu sebeplerden dolayı deneylerde diğer 10 yöntemle karşılaştırılmış, sonuçta WAMI üzerinde şimdiye kadarki en etkin nesne tespit önerilen yöntemin diğer yöntemlere göre daha yüksek yöntemleri arkaplan çıkarımı ve çerçeve farklarını kulla- başarım sunduğu gösterilmiştir. nan hareket tabanlı yöntemler olmuştur. WAMI üzerinde nesne tespit edilmesini genel olarak Hareket tabanlı yöntemlerin de bazı dezavantajları bu- bu nesnelerin takip edilmesi izler. Reilly et al. [11] ile lunmaktadır. Birinci dezavantajı nesnelerin görünüşünü yukarıda WAMI için sıralanan zorlukların üstesinden ge- dikkate almamasıdır. İkinci önemli sorun ise video çerçe- lebilen, medyan arkaplan modelleme tekniğini kullanan velerinin doğru hizalanmasına bağlı olmalarıdır. Çerçeve bir yöntem önermekte ve önerilen bu yöntem CLIF veri hizalamadaki en küçük bir hata sonuçta çok daha hatalı seti kullanılarak test edilmektedir. Kullanılan yöntem çıktılara sebep olmaktadır. Üçüncü dezavantaj ise birden hizalama (registration), medyan arkaplan çıkarma tabanlı fazla çerçevedeki verileri etkin bir şekilde kullanmak için nesne tespit, gradyan baskılama, hareket tespiti ve izleme bir mekanizma sunmamalarıdır. LaLonde ve diğerleri aşamalarından oluşmaktadır. tarafından gerçekleştirilen bu çalışmada birden fazla vi- LaLonde ve diğerleri [12] tarafından gerçekleştiri- deo çerçevesini aynı anda kullanarak hem görünüş, hem len çalışmada Derin Konvolusyonel Yapay Sinir Ağı de hareket verilerini etkin kullanabilen bir CNN yapısı (DCNN) kullanılarak WPAFB 2009 veri seti üzerinde önerilmektedir. çoklu nesne tespiti gerçekleştirilmektedir. Bu çalışmada Yapılan çalışma ile önerilen yöntem 13 farklı akade- bu maksatla bir fully CNN modeli kullanılmaktadır. mik çalışma ile karşılaştırılmaktadır. Sonuçları karşılaş- Yapılan çalışma ile önerilen FCNN yapısının en gelişmiş tırmak için, elde edilen kesinlik (precision), duyarlılık tekniklere göre çok daha iyi bir başarım elde ettiği (recall) ve F-1 puanları (F1-score) irdelenmiştir. Yapılan gösterilmektedir. karşılaştırmaya göre önerilen yöntem çok daha iyi bir Normal görüntülerde çok iyi başarım elde eden ge- başarım ortaya koymaktadır. lişmiş genel maksatlı nesne tespit sistemlerinin çoğu Bu çalışmayı takiben, yine LaLonde ve diğerleri [13] WAMI üzerinde aynı başarımı gösterememektedir. Bu tarafından gerçekleştirilen diğer bir çalışma ile yuka- şekildeki birçok yöntem görünümü temel alan yöntem- rıda özetlenen yapı öncesine bir de ilgi alanı öneri ağı lerdir. Bu yöntemler etiketli nesne örneklerinden nes- (Regions Of OBjects of Interest - ROOBI) eklenmiştir. nelerin nasıl göründüğünü öğrenerek video çerçevele- Önerilen bu derin CNN yapısı ile çok geniş bir alanı rinde bu nesneleri bulmaya çalışırlar. Bu tür yöntem- kapsayan büyük WAMI görüntüsü üzerinde olası hare- lerin WAMI üzerinde başarısız olmasının temelde üç ketli araçların bulunduğu bölgeler tespit edilerek araçlar tespit edilmek üzere önceki çalışmada geliştirilen CNN Önerilen CNN mimarisi iki tane konvolüsyon katmanın- yapısına gönderilmektedir. Yazarlar sonraki çalışmada dan oluşmakta. Her bir konvolüsyon katmanı içerisinde eklenen ROOBI ağını ClusterNet, önceki çalışmada ge- havuzlama ve normalizasyon katmanları da bulunmakta. liştirilen araç tespit ve takip işini gerçekleştiren CNN Konvolüsyon katmanlarını takip eden bir tam bağlantılı ağını ise FoveaNet olarak isimlendirmişlerdir. katman, indirgeme katmanı ve son tam bağlantılı katman Sonuç olarak bu iki çalışma ile her biri farklı bir CNN ile birlikte toplam dokuz katmandan oluşan bir yapıya yapısından oluşan iki aşamalı bir veri akışı oluşturulmuş- sahip. Söz konusu çalışmada kullanılan CNN yapısı, ar- tur. Birinci aşamada oluşturulan ClusterNet CNN yapısı kaplan ile araç görüntüsü arasındaki benzerlik ve farkları ile her bir video çerçevesindeki hareketli araçların olası dikkate alan bir yöntem ile karşılaştırılmakta ve elde yerlerini bulmak maksadıyla çerçeve üzerinde detaylı edilen sonuçlara göre önerilen CNN yapısı ile daha iyi inceleme yapılmak üzere daha küçük çerçeveler çıkar- pozisyon tahmini elde edilmektedir. tılmaktadır. İkinci aşamada ise birinci aşamada önerilen inceleme çerçeveleri üzerinde FoveaNet CNN yapısı K AYNAKLAR kullanılarak hareketli araçlar tespit ve takip edilmektedir. [1] K. Palaniappan, R. M. Rao, and G. Seetharaman, “Wide-Area Uzkent ve diğerleri [14] yaptıkları çalışmada WAMI Persistent Airborne Video: Architecture and Challenges,” in üzerinde nesne takibi için Kernelized Correlation Filter Distributed Video Sensor Networks (B. Bhanu, ed.), ch. 24, (KCF) ve derin Convolutional Neural Network (CNN) pp. 349–371, 2011. [2] G. Robinson and D. Zhang, “Object Detection in Wide Area kavramlarını birleştirerek Deep Hyperspectral Kerneli- Aerial Surveillance Imagery with Deep Convolutional Net- zed Correlation Filter olarak isimlendirdikleri mimariyi works,” None, 2016. ortaya koymaktadırlar. Bu çalışmada WAMI sensörleri [3] Sebastian Anthony, “DARPA shows off 1.8-gigapixel surveil- elde edilmiş görüntüler hiperspektral verilerle birleştiri- lance drone, can spot a terrorist from 20,000 feet,” 2013. Last accessed: 10.01.2019. lerek daha başarılı bir izleme gerçekleştirilmeye çalışıml- [4] R. Porter, A. M. Fraser, and D. Hush, “Wide-area motion maktadır. Bu maksatla Rochester Institute of Technology imagery,” IEEE Signal Processing Magazine, vol. 27, no. 5, Multiobject Spectrometer (RITMOS) [15], [16] konsepti pp. 56–65, 2010. izlenerek kullanılan WAMI görüntüler için hiperspektral [5] R. Collins, X. Zhou, and S. K. Teh, “An Open Source Tracking Testbed and Evaluation Web Site,” in IEEE International Works- veriler elde edilmekte ve bunlar AlexNet CNN mi- hop on Performance Evaluation of Tracking and Surveillance marisinin optimize edilmiş bir çeşidi olan ZFNet ile (PETS 2005), vol. 5, January 2005. oluşturulan CNN yapısında kullanılmaktadır. Yazarlar [6] Air Force Research Laboratory, “Columbus Large Image Format - CLIF 2006 Dataset,” 2006. Last accessed: 20.12.2018. burada DIRSIG (Digital Imaging and Remote Sensing) [7] Air Force Research Laboratory, “Columbus Large Image Format yazılımı [17] kullanarak sentetik bir hiperspektral video - CLIF 2007 Dataset,” 2007. Last accessed: 20.12.2018. üreterek geliştirdikleri takip sistemini bu veri üzerinde [8] Air Force Research Laboratory, “Wrigth Patterson Air Force eğitmekte, arkasından da CLIF [6], [7] ve WPAFB Base 2009 (WPAFB 2009) Dataset,” 2009. Last accessed: 20.12.2018. [8] veri setlerinden alınmış gerçek WAMI görüntüleri [9] L. W. Sommer, M. Teutsch, T. Schuchert, and J. Beyerer, üzerinde deneme yapmışlardır. Önerilen takip sistemi ile “A survey on moving object detection for wide area motion kendi oluşturdukları sentetik görüntüler üzerinde % 80 imagery,” 2016 IEEE Winter Conference on Applications of hassasiyet sağlandığı rapor edilmektedir. Oluşturulan bu Computer Vision, WACV 2016, 2016. [10] C. Aeschliman, J. Park, and A. C. Kak, “Tracking vehicles th- sentetik veri seti ile eğitilen CNN ile WAMI örnekleri rough shadows and occlusions in wide-area aerial video,” IEEE üzerinde % 92 hassasiyet elde edildiği rapor edilmiştir. Transactions on Aerospace and Electronic Systems, vol. 50, WAMI üzerinde araç pozisyonu tahmini ile araçların no. 1, pp. 429–444, 2014. izlenmesi için kullanılabilecek ilave bilgiler üretilebil- [11] V. Reilly, H. Idrees, and M. Shah, “Detection and tracking of large number of targets in wide area surveillance,” in European mektedir. Bir araç izlenirken ardışık iki çerçevedeki conference on computer vision, pp. 186–199, Springer, 2010. görünüş ve hızı da genellikle dikkate alınır. Eğer iki [12] R. LaLonde, D. Zhang, and M. Shah, “Fully Convolutional görünüş birbiriyle uyumlu ve hız da hareket modeli ile Deep Neural Networks for Persistent Multi-Frame Multi-Object tutarlı ikisinin aynı araç olduğu kabul edilir. Burada araç Detection in Wide Area Aerial Videos,” arXiv preprint ar- Xiv:1704.02694, vol. 1, 2017. görünüşünün aynı olması demek araç pozisyonunun ardı- [13] R. LaLonde, D. Zhang, and M. Shah, “ClusterNet: Detecting şık çerçevelerde birbiri ile uyumlu olması anlamına gelir. Small Objects in Large Scenes by Exploiting Spatio-Temporal Sonuç olarak araç pozisyonu bilgisi izleme işine ilave Information,” ArXiv eprints, 2017. [14] B. Uzkent, A. Rangnekar, and M. J. Hoffman, “Tracking in bilgi sağlamaktadır. Yi ve diğerlerinin [18] çalışmasında Aerial Hyperspectral Videos using Deep Kernelized Correlation WAMI görüntüleri üzerinde araç pozisyonu tahmini için Filters,” IEEE Transactions on Geoscience and Remote Sensing, derin konvolüsyonel yapay sinir ağı (DCNN) kullanılmış. vol. 57, pp. 449–461, Jan 2019. [15] R. D. Meyer, K. J. Kearney, Z. Ninkov, C. T. Cotton, P. Ham- mond, and B. D. Statt, “Ritmos: a micromirror-based multi- object spectrometer,” in Ground-based Instrumentation for Ast- ronomy, vol. 5492, pp. 200–220, International Society for Optics and Photonics, 2004. [16] B. Uzkent, Real-time Aerial Vehicle Detection and Tracking using a Multi-modal Optical Sensor. Rochester Institute of Technology, 2016. [17] S. D. B. Emmett J. Ientilucci, “Advances in wide-area hypers- pectral image simulation,” in Proceedings of SPIE, vol. 5075, 2003. [18] M. Yi, D. Wang, F. Yang, J. Xu, Y. Cai, E. Blasch, C. Sheaff, G. Chen, and H. Ling, “Vehicle pose estimation in wami imagery via deep convolutional neural networks,” in Aerospace and Electronics Conference (NAECON) and Ohio Innovation Summit (OIS), 2016 IEEE National, pp. 233–240, IEEE, 2016.