Küçük nesnelerin tespitinde dönüştürücü tabanlı gerçek zamanlı nesne tespit algoritmasının geliştirilmesi
Development of a transformer-based real-time object detection algorithm for small object detection
- Tez No: 1000101
- Danışmanlar: DOÇ. DR. FATİH ÖZYURT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Küçük nesne tespiti, özellikle yüksek irtifadan elde edilen hava görüntülerinde nesnelerin birkaç piksel kaplaması, yoğun kümelenme ve örtülme nedeniyle bilgisayarlı görünün en zor problemlerinden biri olmaya devam etmektedir. Bu tez çalışmasının amacı, dönüştürücü tabanlı gerçek zamanlı nesne tespit modeli RT-DETR'nin hava görüntülerindeki küçük nesneleri daha doğru ve kararlı biçimde tespit edebilmesini sağlayacak bütünleşik bir iyileştirme çerçevesi geliştirmektir. Çalışmanın temel hipotezi, küçük nesne bilgisinin ön işlem ve özellik çıkarımı aşamalarında daha iyi korunması ve eğitim hedefinin küçük kutu kaymalarına daha dayanıklı hâle getirilmesi durumunda, tespit doğruluğunun anlamlı biçimde artacağıdır. Ayrıca önerilen iyileştirmelerin hesaplama yükünü sınırlı artırarak gerçek zamanlı çalışmayı sürdüreceği öngörülmektedir. Deneyler, yüksek çözünürlüklü hava görüntülerinden oluşturulan bir örneklem kullanılarak gerçekleştirilmiş ve model performansı farklı sahne yoğunlukları ile ölçek değişimlerinin bulunduğu koşullarda değerlendirilmiştir. Yöntem olarak; (i) yeniden boyutlandırma kaynaklı bilgi kaybını azaltmak için örtüşen parçalara ayırma (dilimleme) stratejisi, (ii) omurga ağda uyarlanabilir özellik birleştirme modülleri, (iii) Mosaic ve Mixup tabanlı gelişmiş veri artırma ve (iv) küçük sınır kutuları için daha kararlı öğrenme sağlayan Normalize Edilmiş Wasserstein Mesafesi tabanlı kayıp fonksiyonu birlikte kullanılmıştır. Bulgular, önerilen çerçevenin RT-DETR'nin küçük nesne tespit doğruluğunu belirgin biçimde artırdığını ve çıkarım hızını neredeyse gerçek zamanlı seviyede koruduğunu göstermektedir. Sonuç olarak, geliştirilen yaklaşım hava görüntülerinde küçük nesne tespiti için doğruluk-hız dengesini iyileştiren uygulanabilir bir çözüm sunmaktadır.
Özet (Çeviri)
Small object detection remains one of the most challenging problems in computer vision, especially in aerial imagery where targets may occupy only a few pixels and are affected by dense layouts, occlusions, noise, and large scale variations. The aim of this thesis is to develop an integrated improvement framework that enables the transformer-based real-time detector RT-DETR to detect small objects in aerial scenes more accurately and more robustly. The main hypothesis is that detection accuracy can be significantly improved by preserving small-object details during preprocessing and feature extraction, and by adopting a training objective that is less sensitive to slight bounding-box misalignments for very small targets. It is also hypothesized that these improvements can maintain near real-time inference with only limited computational overhead. Experiments are conducted on a dataset of high-resolution aerial images, and performance is evaluated under varying scene densities and scale changes. The proposed method combines: (i) a slicing strategy that partitions high-resolution images into overlapping tiles to reduce detail loss caused by standard resizing, (ii) adaptive feature fusion modules integrated into the backbone to better merge low-level detailed cues with high-level semantic features, (iii) strengthened training via advanced data augmentation techniques such as Mosaic and Mixup to improve robustness in crowded scenes, and (iv) a Normalized Wasserstein Distance–based loss function that models bounding boxes as probabilistic distributions to provide a more stable learning signal for very small objects. Experimental results show that the proposed framework substantially improves RT-DETR performance, particularly in small-object detection accuracy, while preserving near real-time inference speed. Overall, the study provides a practical solution that improves the accuracy–speed trade-off for small object detection in aerial imagery.
Benzer Tezler
- Effect of expanding bounding box annotations on small object detection performance in aerial imagery
Sınırlayıcı kutu etiketlerinin büyütülmesinin havadan çekilen görüntülerde küçük nesne tespiti performansına etkisi
MUSTAFA UĞUR
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Vision-based detection and recognition of maritime objects for autonomous surface navigation
Otonom deniz seyrüseferi için görüntü tabanlı engel tespiti ve gemi sınıflandırma
SEVDA SAYAN YONCA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Assessing the effectiveness of enhancements and modified Yolov11 in malaria detection on microscopic small objects
Mikroskobik küçük nesnelerde sıtma tespitinde iyileştirmelerin ve modifiye Yolov11'in etkinliğinin değerlendirilmesi
SHAHD HASHIM HASSAN ABDALGADIR
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FURKAN KAMANLI
- Su analiz verisinin hisse ispatına dayalı blok zincir ağında ödüllendirilmesi
Rewarding water analysis data in proof of stake blockchain network
BATUHAN GÖKTAŞ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NURETTİN DOĞAN