Kaya, ErsinKaraaslan, Mahmut2025-10-102025-10-102025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=Xau5rw3KuCgEuy-FuJQtsBnQzMAjYMaTz5Cp7KJNT5qEzUSu8tGVNg_3E2_7kaFrhttps://hdl.handle.net/20.500.13091/10901Son yıllarda İnsansız Hava Araçları (İHA) birçok uygulama alanında kullanılmaya başlanmıştır. İHA'ların kullanıldığı uygulamalarda konum bilgisinin doğruluğu bu uygulamaların başarısını doğrudan etkilemektedir. Konum bilgisi için yaygın olarak Küresel Konum Belirleme Sistemleri (Global Navigation Satellite System (GNSS)) kullanılmaktadır. Ancak GNSS kapalı veya zorlu ortamlarda kesintiye uğramaktadır. Bu durumun önüne geçmek ve sağlıklı bir konumlandırma sağlamak için GNSS sinyalinden bağımsız çalışabilen birçok yöntem önerilmiştir. Özellikle iç ortam konumlandırmada başarılı olan GNSS bağımsız yöntemlerde Görsel ve Ataletsel veriler ayrı ayrı veya birleştirilerek kullanılmıştır. Konumlandırma için yapılan ilk çalışmalarda klasik görüntü ve sensör işleme yöntemleri kullanılmaya başlansa da derin öğrenme alanında yaşanan gelişmeler bu alanı da etkilemiştir. Son yıllarda konumlandırmada klasik yöntemler ile yapılan birçok işlem için derin öğrenme tabanlı yöntemler önerilmiş ve başarılı olmuştur. Derin öğrenme tabanlı yöntemler klasik yöntemlerin önüne geçmeye başlasa da her iki yöntem türünün gelişimi devam etmiştir. Bu tez çalışmasında ise GNSS sinyal kayıplarının yaşandığı durumlarda İHA konumlandırılması amacıyla Derin Dikkat Tabanlı Görsel Ataletsel Konumlandırma Sistemi önerilmiştir. Görsel verilerin işlenmesi ve konumlandırma özelliklerinin çıkartılması için dikkat mekanizması entegre edilmiş Evrişimli Sinir Ağı (Convolutional Neural Network (CNN)) önerilmiştir. Ataletsel verilerin işlenmesi ve konumlandırma özelliklerinin çıkartılması için Dikkat Tabanlı Hiyerarşik Uzun Kısa Süreli Bellek (Attention-based Hierarchical Long Short-Term Memory (AHLSTM)) modeli kullanılmıştır. Dikkat mekanizmaları ile elde edilen görsel ve ataletsel özellikler, derin öğrenme tabanlı birleştirme yapılarıyla entegre edilerek yüksek doğrulukta konum tahmini gerçekleştirilmiştir. Görsel ve ataletsel verilerde dikkat mekanizmasının kullanılması konum belirleme açısından öne çıkan bölgelere odaklanmayı sağlayarak önemli bir performans artışı sağlamıştır. Ayrıca tez kapsamında yalnızca Ataletsel Ölçüm Birimi (IMU) verilerine dayanan özgün bir konumlandırma yaklaşımı da sunulmuştur. Bu yöntemde IMU verileri doğrudan konum bilgisi üretmek yerine uzaydaki konumsal değişimi modellemek amacıyla kullanılmıştır. Geliştirilen sistemler açık kaynaklı ve simülasyon ortamında oluşturulan veri setlerinde test edilmiştir. Sonuçlar dikkat mekanizmalarının görsel ve ataletsel verilerle birlikte kullanıldığında GNSS bağımsız güvenilir ve yüksek doğrulukta konumlandırma sağladığını göstermektedir.In recent years, Unmanned Aerial Vehicles (UAVs) have begun to be used in many application areas. In applications where UAVs are used, the accuracy of location information directly affects the success of these applications. Global Navigation Satellite Systems (GNSS) are widely used for location information. However, GNSS is interrupted in closed or difficult environments. In order to prevent this situation and provide a healthy positioning, many methods that can work independently of the GNSS signal have been proposed. Visual and Inertial data have been used separately or combined in GNSS independent methods, which are especially successful in indoor positioning. Although classical image and sensor processing methods were first used for positioning, developments in the field of deep learning have also affected this field. In recent years, deep learning-based methods have been proposed and successful for many operations performed with classical methods in positioning. Although deep learning-based methods have begun to surpass classical methods, the development of both types of methods has continued. In this thesis, Deep Attention-Based Visual Inertial Positioning System has been proposed for UAV positioning in cases where GNSS signal losses occur. A Convolutional Neural Network (CNN) with an integrated attention mechanism is proposed for processing visual data and extracting positioning features. Attention-based Hierarchical Long Short-Term Memory (AHLSTM) model is used for processing inertial data and extracting positioning features. Visual and inertial features obtained with attention mechanisms are integrated with deep learning-based fusion structures to achieve high accuracy location estimation. Using the attention mechanism in visual and inertial data provides a significant performance increase by focusing on prominent regions in terms of location determination. In addition, an original location approach based solely on Inertial Measurement Unit (IMU) data is presented within the scope of the thesis. In this method, IMU data is used to model locational change in space instead of directly producing location information. The developed systems are open source and have been tested on datasets created in a simulation environment. The results show that attention mechanisms provide reliable and highly accurate location independent of GNSS when used with visual and inertial data.trBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis