Az Örnekli Öğrenme Yöntemiyle Ağaçlık Alan Bölütlemesi

Gül Z. M., GEZER M.

EMO Bilimsel Dergi, cilt.16, sa.2, ss.33-48, 2026 (TRDizin)

  • Yayın Türü: Makale / Tam Makale
  • Cilt numarası: 16 Sayı: 2
  • Basım Tarihi: 2026
  • Dergi Adı: EMO Bilimsel Dergi
  • Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
  • Sayfa Sayıları: ss.33-48
  • İstanbul Üniversitesi Adresli: Evet

Özet

Ağaçlık alanların bölütlenmesi, çevresel sürdürülebilirlik takibi ve haberleşme altyapı planlaması gibi alanlarda kritik bir role sahiptir; ancak tam denetimli derin öğrenme modellerinin piksel tabanlı yoğun veri etiketleme gereksinimi, maliyet, zaman ve uygulanabilirlik açısından önemli kısıtlar oluşturmaktadır. Bu çalışma söz konusu kısıtlamaları aşmak amacıyla yüksek çözünürlüklü hava görüntüleri üzerinde ağaçlık alan tespiti için prototip ağları tabanlı bir az örnekli öğrenme yaklaşımı sunmaktadır. LandCover.ai veri kümesi üzerinde gerçekleştirilen sistematik deneylerde, evrişimli ve dönüştürücü tabanlı sekiz farklı öznitelik omurgası dondurulmuş ağırlıklarla karşılaştırılmış ve ardından en başarılı evrişimli mimariler üzerinde katman bazlı ince ayar stratejileri değerlendirilmiştir. Deneysel sonuçlar, önerilen yöntemin en yüksek başarımı dondurulmuş koşuldaki dönüştürücü tabanlı mimari ile elde ettiğini, evrişimli mimarilerde ise kontrollü katman açmanın başarımı daha da artırabildiğini göstermektedir. Önerilen yöntem, yoğun piksel düzeyinde etiketleme gerektirmeden yalnızca beş etiketli destek örneğiyle kararlı ve tutarlı bir bölütleme başarımı sergilemiştir.
Woodland segmentation plays a critical role in environmental sustainability monitoring and telecommunications infrastructure planning; however, fully supervised deep learning models impose significant constraints due to their intensive pixel-level annotation requirements. This study proposes a Prototypical Networks-based few-shot learning approach for woodland detection in high-resolution aerial imagery. Systematic experiments on the LandCover.ai dataset compared eight convolutional and transformer-based backbone architectures using frozen weights, followed by an evaluation of layer-wise fine-tuning strategies on the best-performing convolutional backbones. Experimental results demonstrate that the transformer-based architecture achieves the highest performance under frozen conditions, while controlled layer unfreezing on convolutional architectures further improves segmentation accuracy. The proposed method achieves stable and consistent segmentation performance using only five labeled support examples without requiring dense pixel-level annotation.