Differentiable logic for image pattern recognition
Görüntü örüntüsü tanıma ı̇çi̇n türevlenebilir mantık
- Tez No: 1014639
- Danışmanlar: DOÇ. DR. TANER ARSAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, görüntü sınıflandırma ve dağılım dışı tespitini, geleneksel Softmax tabanlı karar fonksiyonları yerine türetilebilir mantığı kullanarak incelemektedir. Bu yöntemde, evrişimli bir modelden elde edilen sınıfa özgü değerler, sigmoid fonksiyonları ile [0,1] aralığına eşlenmektedir. Mantıksal operatörler, türevlenebilir yaklaşımlarla uygulanmış ve dağılım dışı tespiti puanlamasında kullanılan doğruluk değerlerini ölçeklendiren doğruluk dönüşüm fonksiyonları ile birleştirilmiştir. Önerilen yöntem, başta ResNet olmak üzere EfficientNetB5 ve ConvNeXt Tiny modelleri kullanılarak hem küçük hem de büyük ölçekli veri kümeleri (MNIST, CIFAR-10, CIFAR-100, SVHN, Textures, ImageNet-1K) üzerinden değerlendirilmiştir. Sonuçlar, sınıflandırma metrikleri (kesinlik/duyarlılık/F1-skoru, Top-1 doğruluğu, beklenen kalibrasyon hatası) ve dağılım dışı tespit metrikleri (AUROC, AUPR, %95 TPR'de FPR), beş farklı rastgele tohum ile (ortalama ± %95 güven aralığı) ile raporlanmıştır. Bulgular, Softmax tabanlı yöntemlerle benzer bir sınıflandırma performansı sergilenirken (F-1 ≈ 0,66–0,88; en iyi sonuçlar p=3,4 değerlerinde ResNet34 ile), doğruluk dönüşümlerinin SVHN veri kümesinde 90,15 ± 0,91, CIFAR-100'de ise 80,85 ± 0,77 seviyelerine kadar AUROC değerlerine ulaştığını göstermektedir. Önerilen yöntemin temel avantajı ise kalibrasyon verisine, matris tersine çevirme işlemlerine ve girdi görüntülerindeki perturbasyonlarına duyulan ihtiyacı azaltarak, ek hesaplama yükü veya veri gereksinimi olmaksızın hafif bir dağılım dışı tespiti puanlama mekanizması sunmasıdır. Kısıtlı yönleri en güçlü modellerden daha düşük AUROC performansı sergilemesi, güven tahminlerindeki değişkenlik ve görüntü bozulmaları altındaki dayanıklılığın azalması yer almaktadır. Sonuç olarak bu çalışma, sıfır ek maliyetle en güncel sonuçlara yakın bir performans sunmaktadır.
Özet (Çeviri)
This thesis investigates image classification and out-of-distribution (OOD) detection through a framework that replaces conventional Softmax-based decision functions with differentiable formulations of propositional logic. A convolutional backbone produces class-wise logits that are mapped to [0,1] via elementwise sigmoids, logical operators are implemented with differentiable approximations and combined with a list of truth-transformation functions that rescale the truth values used for OOD scoring. The approach is evaluated on both small and large datasets (MNIST, CIFAR-10, CIFAR-100, SVHN, Textures, ImagenNet-1K) using primarily ResNet but also EfficientNetB5, ConvNeXt Tiny models as well. Results are reported using classification metrics (precision/recall/F-1, Top-1 accuracy, expected calibration error) and OOD metrics (AUROC, AUPR, FPR@95TPR) with five random seeds (mean ± 95% CI). The results indicate that similar classification performance can be achieved to Softmax based methods (F-1 ≈ 0.66–0.88 across configurations, overall best results observed for ResNet34 at p=3,4). Truth transformations attains scores, AUROC up to 90.15 ± 0.91 on SVHN and 80.85 ± 0.77 on CIFAR-100. The main advantage of the proposed method is reducing the need for calibration data, matrix inversion, and input perturbations, implementing a lightweight OOD scoring with zero additional computational and data overhead. Limitations include lower AUROC performance than the strongest baselines, variability across confidence estimates, and reduced robustness under image corruptions. The proposed method delivers near state-of-the-art performance with zero overhead.
Benzer Tezler
- Symbol matching and character recognition
Sembol karşılaştırma ve karakter tanıma
AHMET SERTAÇ ERSÖZLÜ
Yüksek Lisans
İngilizce
1999
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENSAR GÜL
- Hücresel nöral ağlar ve uygulamaları
Cellular neural networks and applications
SEVİLAY ÖZDEMİR
Yüksek Lisans
Türkçe
1991
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. I. CEM GÖKNAR
- Kentsel dokunun değerlendirilmesi için mekan dizimi ve fraktal analize dayalı bir yöntem: Gaziantep örneği
A method based on space syntax and fractal analysis for analysing urban texture: The case of Gazi̇antep
ESRA GÜRBÜZ YILDIRIM
- A new nano-design of ımage steganography structure based on quantum technology
Kuantum teknolojisine dayalı görüntü steganografisi
HUSEYN SALAHOV
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NİMA JAFARİ NAVİMİPOUR
- Görüntü işleme ve kümeleme yöntemleri kullanılarak zeytin tanelerinin sınıflandırılması
Classification of olive grains using image processing and clustering methods
SENEM GÖNENÇ