Deep ensemble learning and federated knowledge distillation methods for waste classification
Atık sınıflandırma için derin topluluk öğrenme ve federe bilgi damıtma yöntemleri̇
- Tez No: 1004937
- Danışmanlar: PROF. DR. SUAT ÖZDEMİR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Görüntü sınıflandırma, Transfer öğrenimi, Deep learning, Image classification, Transfer learning
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şehirlerde hızla artan nüfus ile birlikte, atık miktarı da sürekli olarak artmakta ve bu durum, atık yönetimi ile sınıflandırma süreçlerini giderek daha karmaşık ve zorlayıcı bir hale getirmektedir. Geleneksel atık sınıflandırma yöntemleri, gerçek dünya koşullarındaki malzeme çeşitliliğini ve karmaşıklığını yeterince karşılayamamakta ve aynı zamanda yavaş, maliyetli ve düşük verimli olmaları nedeniyle sürdürülebilir atık yönetimi açısından yetersiz kalmaktadır. Bu yüzden, atıkların doğru ve etkin bir şekilde sınıflandırılması sürdürülebilir atık yönetim sistemleri için kritik bir konu haline gelmiştir. Bu tez kapsamında atık sınıflandırmada karşılaşılan sorunların üstesinden gelmek ve atıkların doğru ve etkili bir biçimde sınıflandırılmasına yönelik iki farklı yaklaşım önerilmektedir. İlk yaklaşımda, atık sınıflandırma performansını ve model sağlamlığını artırmak amacıyla, önceden eğitilmiş modellerin topluluk yöntemleriyle birleştirildiği derin topluluk öğrenme modelleri geliştirilmiştir. Transfer öğrenme ve topluluk öğrenmesinden yararlanan bu modelde, performans artışı sağlamak için ortalama alma ve ağırlıklı ortalama alma yöntemleri kullanılmıştır. Önerilen yöntem, dört farklı veri kümesi üzerinde kapsamlı şekilde değerlendirilmiş ve elde edilen sonuçlar detaylı olarak analiz edilmiştir. İkinci yaklaşımda, geleneksel merkezi öğrenme yöntemlerindeki dağıtılmış eğitim verilerinin tek bir merkezi sunucuda toplanması ve modelin merkezi olarak eğitilmesi sorunları, veri gizliliği ve güvenlik endişeleri nedeniyle veri paylaşımının zorlukları ve atık verilerinin doğası gereği heterojen yapısından kaynaklı sorunları ele almak için federe öğrenme ve bilgi damıtma tekniklerini birleştiren yenilikçi bir federe bilgi damıtma yöntemi önerilmektedir. Bu yöntemde, federe öğrenme veri güvenliği, gizliliği ve veri paylaşım sorunlarını ele alırken, bilgi damıtma, heterojen veri kaynaklarının neden olduğu model doğruluğundaki düşüşü azaltmayı hedeflemektedir. Önerilen yöntem, dört farklı federe öğrenme yöntemi ile karşılaştırılmış ve kapsamlı deneysel analizlerle değerlendirilmiştir.
Özet (Çeviri)
With the rapidly growing population in cities, the amount of waste is continuously increasing, and this makes waste management and classification processes complex and challenging. Traditional waste classification methods are unable to effectively deal with the heterogeneity and complexity of materials in real-world situations and they are also time-consuming, expensive and inefficient, hence inadequate for sustainable waste management. Therefore, accurate and efficient waste classification has become a critical issue for sustainable waste management systems. In this thesis, two different approaches are proposed to overcome the problems encountered in waste classification and classify waste accurately and effectively. In the first approach, deep ensemble learning models are developed in which pre-trained models are combined with ensemble methods to improve waste classification performance and model robustness. This model leverages transfer learning and ensemble learning and utilizes averaging and weighted averaging methods to improve performance. The proposed method is extensively evaluated on four different datasets and the obtained results are analyzed in detail. In the second approach, an novel federated knowledge distillation method is proposed that combines federated learning and knowledge distillation techniques to address the problems in traditional centralized learning methods such as collecting distributed training data on a single central server and centrally training the model, the challenges of data sharing due to data privacy and security concerns, and the inherently heterogeneous nature of waste data. In this method, federated learning addresses data security, privacy and data sharing issues, while knowledge distillation aims to reduce the degradation in model accuracy caused by heterogeneous data distributions. The proposed method is evaluated against four distinct federated learning approaches through comprehensive experimental analysis.
Benzer Tezler
- Detection and classification of flaws from ultrasonic tomography images of composite materials based on deep learning
Derin öğrenme tabanlı kompozit malzemelerin ultrasonik tomografi görüntülerinden kusurların tespiti ve sınıflandırılması
ABDULKADİR GÜLŞEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜNGÖR
DR. BURAK KOLUKISA
- Convolutional ensemble learning for edge intelligence
Kenar zeka için evrişimsel topluluk öğrenmesi
İLKAY SIKDOKUR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ARDA YURDAKUL
DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ
- Federated learning for credit card fraud detection: A privacy-preserving approach with controlled noise integration
Kredi kartı dolandırıcılığı tespiti için federated learning: Kontrollü gürültü entegrasyonu ile gizlilik koruyucu yaklaşım
RUSUL MAHDI ABDULHADI AL MAQADAS
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT SARAN
- HYBRID ENSEMBLE DEEP LEARNING FRAMEWORK WITH SNAKE AND EVO OPTIMIZATION FOR MULTICLASS CLASSİFİCATION OF ALZHEIMER'S DISEASE USING MRI NEUROIMAGING
MRI NÖROGÖRÜNTÜLEME KULLANILARAK ALZHEIMER HASTALIĞININ ÇOK SINIFLI SINIFLANDIRILMASI İÇİN SNAKE VE EVO OPTİMİZASYONLU HİBRİT TOPLULUK DERİN ÖĞRENME ÇERÇEVESİ
AREJ MASOD RAJAB ALHAGI
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ ATA
DOÇ. DR. SEFER KURNAZ
- Ensemble and deep learning on astronomical data with different modalities
Astronomik veride farklı kiplerle topluluk öğrenmesi ve derin öğrenme
FATMA KUZEY EDEŞ HUYAL
Doktora
İngilizce
2023
Fizik ve Fizik Mühendisliğiİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ONUR KAHYA
PROF. DR. ZEHRA ÇATALTEPE