Dynamic differential convolution: A novel learnable convolution method for image segmentation and fine-grained classification
Dinamik diferansiyel evrişim: Görüntü segmentasyonu ve ince taneli sınıflandırma için yeni bir öğrenilebilir evrişim yöntemi
- Tez No: 1023280
- Danışmanlar: PROF. DR. MUTLU AVCI
- 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: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Derin öğrenme algoritmaları, günümüzde bilgisayarlı görü problemlerinin çözümünde en etkili yaklaşımlardan biri olarak öne çıkmaktadır. Ancak, hem medikal görüntülerdeki karmaşık yapıların hassas sınırlarının çizilmesi hem de alt kategoriler arasındaki görsel farkların çok düşük olduğu nesnelerin ayırt edilmesi derin öğrenme modelleri için halen aşılması gereken temel zorluklar barındırmaktadır. Bu tez çalışmasında, bilgisayarlı görünün bu iki zorlu problemine çözüm sunmak amacıyla yenilikçi derin öğrenme mimarileri ve yaklaşımları geliştirilmiş, modellerin farklı görsel alanlardaki genelleme yeteneği kapsamlı deneylerle incelenmiştir. Çalışmanın medikal görüntü segmentasyon aşamasında, klasik evrişim algoritmalarının veri kaybı ve sınır tespiti dezavantajlarını aşmak üzere diferansiyel evrişim mekanizmalarını barındıran özgün Dinamik Diferansiyel Evrişimli-UNet mimarisi önerilmiştir. Model SNOW veriseti üzerinde eğitim yapılmıştır ve performansı TNBC veri seti üzerinde test edilerek sınır detaylarını yakalama kapasitesi analiz edilmiştir. Çalışmanın ince taneli görsel sınıflandırma aşamasında ise, geliştirilen Dinamik Diferansiyel Evrişim modülü, literatürde yaygın olarak kullanılan ResNet-18, ResNet-34 ve ResNet-50 derin mimarilerine entegre edilmiştir. Bu entegre modellerin özellikleri çıkarma ve ince görsel detayları ayırt etme kapasiteleri, Stanford Car ve CUB-200-2011 veri setleri üzerinde analiz edilmiştir. Deneysel bulgular, geliştirilen yöntemlerin her iki problem türünde de yüksek bir performans sergilediğini göstermiştir. On bağımsız deney tekrarı içerisinde elde edilen en iyi gözlenen sonuca göre Dinamik DiffConv-U-Net modeli, medikal görüntü segmentasyonu görevinde, %82,10 Dice, %69,99 Jaccard (IoU) ve 7,18 Ortalama Hausdorff Mesafesi (aHD) değerine ulaşarak karşılaştırılan referans modellerden daha yüksek genel segmentasyon performansı sergilemiştir. İnce taneli sınıflandırma deneylerinde ise dinamik diferansiyel evrişim mekanizması ile güçlendirilmiş modellerden Dinamik Diferansiyel Evrişimli ResNet-50 mimarisi Stanford Cars veri setinde Top-1 doğruluğunda %83.77, Top-5 doğruluğunda %96.86 oranları elde ederken; Dinamik Diferansiyel Evrişimli ResNet-34 mimarisi CUB-200-2011 veri setinde Top-1 doğruluğunda %66.60, Top-5 doğruluğunda %86.02 oranlarına ulaşarak en yüksek performansı sergilemiştir. Sonuç olarak, önerilen mimari yaklaşımların hem hücresel/medikal yapılarda hem de ince taneli nesne veri setlerinde güçlü, esnek ve yüksek doğruluklu bir performans sunduğu ortaya konmuş, ilgili bilgisayarlı görü literatürüne özgün bir katkı sağlanmıştır.
Özet (Çeviri)
Deep learning algorithms have emerged as one of the most effective approaches to solving computer vision problems today. However, both the precise delineation of complex structures in medical images and the differentiation of objects with very small visual differences between subcategories still present fundamental challenges for deep learning models. In this thesis, innovative deep learning architectures and approaches have been developed to provide solutions to these two challenging problems in computer vision and the generalization ability of the models in different visual domains has been examined through comprehensive experiments. In the medical image segmentation phase of the study, a unique Dynamic Differential Convolutional-UNet architecture incorporating differential convolution mechanisms was proposed to overcome the disadvantages of classical convolution algorithms, such as data loss and boundary detection. The model was trained on the SNOW dataset and its performance was tested on the TNBC dataset to analyze its capacity to capture boundary details. In the fine-grained visual classification phase of the study, the developed Dynamic Differential Convolution module was integrated into the ResNet-18, ResNet-34 and ResNet-50 deep architectures, which are widely used in the literature. The feature extraction and fine visual detail discrimination capabilities of these integrated models were analyzed on the Stanford Car and CUB-200-2011 datasets. Experimental findings have shown that the developed methods exhibit high performance in both problem types. Based on the best observed result obtained in ten independent experimental replications, the Dynamic DiffConv-U-Net model demonstrated higher overall segmentation performance than the reference models compared, achieving 82.10% Dice, 69.99% Jaccard (IoU), and 7.18 Mean Hausdorff Distance (aHD) in the medical image segmentation task. In fine-grained classification experiments, among the models enhanced with the dynamic differential convolution mechanism, the Dynamic Differential Convolution ResNet-50 architecture achieved 83.77% accuracy in Top-1 and 96.86% accuracy in Top-5 on the Stanford Cars dataset; while the Dynamic Differential Convolution ResNet-34 architecture achieved 66.60% accuracy in Top-1 and 86.02% accuracy in Top-5 on the CUB-200-2011 dataset, exhibiting the highest performance. In conclusion, the proposed architectural approaches have been shown to offer robust, flexible, and high-accuracy performance in both cellular/medical structures and fine-grained object datasets, providing a unique contribution to the relevant computer vision literature.
Benzer Tezler
- Can veri yolu haberleşme protokolüne sahipelektrikli araçlara yapılan siber saldırıları derinöğrenme yöntemleri ile tespiti
Detection of cyber attacks on electric vehicles withcan-bus communication protocol using deep learni̇ngmethods
EMRE TÜFEKCİOĞLU
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN GÜRKAN
PROF. DR. CEMAL HANİLÇİ
- Human emotion recognition using EEG signals
EEG sinyalleri kullanılarak insan duygu durumunun tespit edilmesi
SAMAD BARRI KHOJASTEH
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HUMAR KAHRAMANLI ÖRNEK
- Zaman skalası üzerinde Laplace dönüşümünün uygulamaları
Applications of Laplace transform on time scales
ELİF AYDIN
- Çoklu mobil robot sistemleri için metasezgisel ve derin öğrenme tabanlı yol planlama optimizasyonu
Metaheuristic and deep learning based path planning optimization for multiple mobile robot systems
MUSTAFA YUSUF YILDIRIM
Doktora
Türkçe
2025
Mekatronik MühendisliğiErciyes ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. RÜŞTÜ AKAY
- Çoklu-pozlamalı görüntü birleştirme için yeni yöntemler
New methods for multi-exposure image fusion
HARUN AKBULUT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL ASLANTAŞ