Deep learning paradigm has been drawing significant interest during the last decadedue to the recent developments in machine learning algorithms and improvements inthe computational hardware. Satellite image analysis is also an important scientificarea with many objectives, such as disaster and crisis management, forest cover, roadmapping, city planning, even military purposes. Spatial correlations of land cover orgeospatial objects between different images can be exploited by utilization of con-volutional neural networks (CNN) for classification, segmentation, and detection inremotely sensed images. Since the number of high resolution satellite images dueto new satellites around the Earth is increased, the visual data for training of suchnetworks is also more available compared to past. In this study, three main researchdirections for satellite image analysis is examined and tested through simulations.Land cover image scene classification of image patches is obtained by using con-ventional CNNs. Next, the segmentation of natural scenes into different land coveris obtained by deep networks that are capable of providing segment labels for everypixel on the image. Finally, detection of geospatial objects on satellite images is ob-tained by object detection techniques based on deep networks. For all these purposes,a multispectral satellite image dataset is manually labeled for several natural sceneclasses and human-made objects. Different architectures, training techniques and thetraining parameters are examined through simulations in different datasets.

Derin öğrenme paradigması, son on yıl içinde yeni makine öğrenimi algoritmalarındaki ve hesaplama donanımındaki son gelişmeler nedeniyle önemli bir ilgi çekmektedir. Uydu görüntü analizi, felaket ve kriz yönetimi, orman örtüsü, yol haritası, şehir planlaması, hatta askeri amaçlar gibi birçok hedefi olan önemli bir bilimsel araştırma alanıdır. Arazi örtüsü ya da farklı görüntüler arasındaki jeo-uzamsal nesnelerin mekânsal korelasyonları, insan yapımı yapılar ile arazi örtüsünün ve jeo-uzamsal nesnelerin tespiti ve sınıflandırılması için literatürde konvolüsyonel sinir ağlarının (CNN) yaygın bir şekilde kullanılmasına olanak sağlamaktadır. Yörüngede birçok yeni uyduların varlığından dolayı yüksek çözünürlüklü uydu görüntülerinin kullanılabilirliğindeki artışa dikkat çekerek, bu tür ağların eğitiminde kullanılacak olan verilere geçmişe kıyasla daha kolay ulaşılabilir. Bu çalışmada uydu görüntü analizi için üç ana araştırma yönü incelenmiş ve simülasyonlarla test edilmiştir. Görüntü parçalarında arazi örtüsü sınıflandırması, ilk olarak geleneksel CNN'ler kullanılarak elde edilir. Daha sonra, doğal manzaraların farklı arazi örtüsüne ayrılması, görüntüdeki her piksel için segment etiketleri sağlayabilen derin ağlar tarafından elde edilir. Son olarak, uydu görüntüleri üzerindeki jeo uzamsal nesnelerin saptanması, derin ağlara dayanan geleneksel nesne tespit teknikleri ile elde edilir. Tüm bu amaçlar için, çok bantlı bir uydu görüntü veri kümesi, çeşitli coğrafi ve insan yapımı nesneler için elle etiketlenir. Farklı mimarilerin, eğitim tekniklerinin ve eğitim parametrelerinin performansa etkisi simülasyonlar aracılığıyla incelenmiştir.