Makalede, uydu görüntülerinin çözünürlüğünü arttırmak için SEN-2_CAENET adında evrişimli otokodlayıcı temelli yeni bir süper çözünürlük derin öğrenme modeli sunulmaktadır. Yapay sinir ağları, son yıllarda uydu görüntülerinde uzamsal çözünürlük artırma konusunda önemli bir rol oynamaktadır. Özellikle, genelleştirilebilir yapay sinir ağları, verilen girdi verilerine benzer ama tamamen farklı girdi verilerine uygulandığında da doğru çıktı verileri elde edilebilir. Bu özellik, yapay sinir ağlarının uzamsal çözünürlük artırma işlemlerinde etkin bir şekilde kullanılmasını sağlar. Makalede, Sentinel-2 uydu görüntüleri için kullanılan bir otokodlayıcı temelli derin sinir ağı modelinin nasıl uzamsal çözünürlük artırma işlemlerinde kullanılabileceği açıklanmaktadır. Bu model, kullanılan veriler ve eğitim yöntemleri ile görüntülerin detaylarının daha iyi görülebilmesini ve bu sayede görüntülerin daha etkili bir şekilde analiz edilebilmesini mümkün kılmaktadır. Testlerimizde, Sentinel-2 uydu görüntüleri üzerinde uyguladığımız SEN-2_CAENET modelinin performansını PSNR, MSE ve SSIM metrikleri kullanarak ölçtük. Elde ettiğimiz bulgular, SEN-2_CAENET'in literatürde önemli bir konuma sahip olan SRCNN sinir ağından daha yüksek başarı oranlarına ulaştığını göstermiştir.
In the article, a new super resolution deep learning model based on convolutional autoencoder named SEN-2_CAENET is presented to increase the resolution of satellite images. Artificial neural networks have been playing an important role in increasing the resolution of satellite images in recent years. In particular, when generalizable neural networks are applied to similar but completely different input data, accurate output data can be obtained. This feature enables artificial neural networks to be used effectively in resolution enhancement processes. The article explains how an autoencoder-based model used for Sentinel-2 satellite images can be used for resolution enhancement. This model makes it possible to see the details of the images better with the data and training methods used, and thus to analyze the images more effectively. In the tests applied to Sentinel-2 satellite images, SEN-2_CAENET, which we created in PSNR, MSE and SSIM metrics, received more successful results than the SRCNN neural network, which has an important place in the literature.
