Hierarchical multi-model object detection for fine-grained and imbalanced datasets
İnce ayrıntılı ve dengesiz veri kümeleri için hiyerarşik çok modelli nesne tespiti
- Tez No: 1012165
- Danışmanlar: DOÇ. DR. SERKAN KARTAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarla görme, Nesne tespiti, Yapay sinir ağları, Yapay zeka, Yazılım mühendisliği, Computer vision, Object detection, Artificial neural networks, Artificial intelligence, Software engineering
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme tabanlı nesne tespit modelleri, dengesiz veri setleri ve yüksek görsel benzerlik taşıyan nesnelerle karşılaştığında sıklıkla önemli performans sorunları yaşamaktadır. Standart nesne tespit modelleri genellikle bu senaryolarda yetersiz kalmakta; nadir sınıfları tespit etmekte başarısız olurken, yaygın sınıflara odaklanma eğilimi göstermektedir. Bu sorunu çözmek amacıyla bu çalışma, iki özgün modelleme stratejisi önermekte ve bunların başarımını standart bir referans model ile karşılaştırmalı olarak değerlendirmektedir. Geliştirilen stratejiler; veriye dayalı Hiyerarşik Frekans Modeli (HFM) ve morfolojik özellikleri esas alan Hiyerarşik Taksonomik Model (HTM) yapılarından oluşmaktadır. Karşılaştırma ölçütü olarak ele alınan temel model (base model) standart bir eğitim süreci izlerken; HFM sınıf dengesizliğini yönetmek için veriyi sınıf frekansına göre ayırmakta, HTM ise tespit sürecini yönlendirmek için doğal biyolojik ilişkileri kullanmaktadır. Deneyler, 26 balık türünden oluşan dengesiz bir veri seti üzerinde, hem YOLOv12-Nano hem de Faster R-CNN mimarileri kullanılarak gerçekleştirilmiştir. Deneysel analizler, önerilen her iki hiyerarşik yapının da standart yaklaşımlara kıyasla üstünlük sağladığını ortaya koymaktadır. Sonuçlar incelendiğinde; HFM yaklaşımının temel modelden daha başarılı sonuçlar verdiği, ancak en yüksek performansın HTM tarafından elde edildiği görülmüştür. HTM ile [email protected] skorları her iki mimaride de 0.96'ya ulaşarak diğer yöntemlere kıyasla açık bir üstünlük sağlamıştır. En önemlisi, nadir sınıflara ait performans metrikleri belirgin biçimde artmış; bazı türlerde AP değerleri 0.50'den 1.00'a ulaşmıştır.
Özet (Çeviri)
Deep learning-based object detection models often suffer from significant performance issues when faced with unbalanced datasets and objects with high visual similarity. Standard object detection models might fail to detect rare classes while tending to focus on common classes. To address this problem, this study proposes two modeling strategies and evaluates their performance in comparison with a standard reference model. The developed strategies consist of the data-driven Hierarchical Frequency Model (HFM) and the morphology-based Hierarchical Taxonomic Model (HTM). The standard model, used as a benchmark, follows a standard training process; HFM separates data according to class frequency to manage class imbalance, while HTM uses natural biological relationships to guide the detection process. Experiments were conducted on an unbalanced dataset of 26 fish species using both YOLOv12-Nano and Faster R-CNN models. An analysis of the results shows that the HFM generates more successful results than the standard model, but the highest performance was achieved by HTM. With HTM, [email protected] scores reached 0.96 in both architectures, demonstrating a clear superiority compared to other methods. Most importantly, the detection rate of rare classes improved considerably, with some species showing an increase from 0.50 to 1.00 in class-level performance metrics.
Benzer Tezler
- Beyin tümörü segmentasyonu için yeni bir üç boyutlu U-Net tabanlı derin öğrenme mimarisi
A novel three-dimensional U-Net based deep learning architecture for brain tumor segmentation
AYŞE BAŞTUĞ KOÇ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Object segmentation and tracking in digital image with active contour model and heuristic method
Aktif kontur modeli ve sezgisel yöntem ile dijital görüntüde nesne bölümleme ve izleme
OMAR MOHAMMED NSAIF AL-QARAGHULI
Yüksek Lisans
İngilizce
2020
Mühendislik BilimleriAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM
- Deki: A multimodal image-to-code transformation and vision-based gui agents
Dekı: Çok modlu görüntüden koda dönüşüm ve görme tabanlı guı ajanları
RASUL OSMANBAYLİ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELÇUK ŞENER
- Audio visual attention for robots from a developmental perspective
Gelişimsel perspektiften robotlar için görsel ve işitsel diıkkat
NADA AL AZZAWI
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÖKHAN İNCE
- İstanbul Çatalca bölgesinde uzaktan algılama yöntemleri ile metropoliten analizi
Başlık çevirisi yok
F.ZEHRA ALKAN