İnce taneli hava aracı sınıflandırması için hiyerarşi-bilinçli çapraz seviye dikkat mekanizması
Hierarchy-aware cross-level attention mechanism for fine-grained aircraft classification
- Tez No: 1025761
- Danışmanlar: DOÇ. DR. BÜLENT BOLAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Bilgisayarla görme, Derin öğrenme, Görüntü sınıflandırma, Computer vision, Deep learning, Image classification
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnce taneli görsel sınıflandırma, birbirine görsel olarak yüksek benzerlik gösteren alt kategorilerin ayırt edilmesini gerektiren ve bilgisayarlı görü alanında üzerinde yoğun çalışma yürütülen bir araştırma problemidir. Hava aracı tanıma bu problemin zorlu uygulama alanlarından birini oluşturmakta olup savunma teknolojileri ve sivil havacılık uygulamalarında stratejik bir konuma sahiptir. Mevcut derin öğrenme yaklaşımlarının büyük çoğunluğu, sınıflar arasındaki doğal hiyerarşik yapıyı göz ardı ederek düz sınıflandırma stratejileri izlemektedir. Bu tez çalışmasında, hava araçlarının dört seviyeli taksonomi yapısını açıkça modelleyen özgün bir derin öğrenme mimarisi geliştirilmiştir. Önerilen Hiyerarşi-Bilinçli Çapraz Seviye Dikkat (HACLA) mekanizması, üst kategorilerden alt kategorilere çapraz dikkat modülleri aracılığıyla semantik bilgi aktarımı gerçekleştirmektedir. Mimari, tip, üretici, model ailesi ve varyant seviyelerinde eşzamanlı sınıflandırma yapabilmekte ve kapılı birleştirme mekanizması ile tüm üst seviyelerin bilgisini varyant tahminine entegre etmektedir. FGVC-Aircraft kıyaslama veri kümesi üzerinde gerçekleştirilen kapsamlı deneyler, önerilen yöntemin düz sınıflandırma yaklaşımına kıyasla varyant düzeyinde %15,90 mutlak iyileşme sağladığını ortaya koymuştur. Nihai yapılandırmada tip seviyesinde %97,54, üretici seviyesinde %98,02, model ailesi seviyesinde %95,86 ve varyant seviyesinde %91,54 doğruluk elde edilmiştir. Makro AUC değeri 0,9977, Top-3 doğruluk ise %97,69 olarak ölçülmüştür. Elde edilen bulgular, hiyerarşik bilgi aktarımının ince taneli görsel tanıma problemlerinde belirleyici bir rol oynadığını kanıtlamakta ve çok seviyeli taksonomi bilgisinin derin öğrenme mimarilerine entegrasyonu için etkin bir çerçeve sunmaktadır.
Özet (Çeviri)
Fine-grained visual classification, which requires distinguishing visually similar subcategories, constitutes a prominent research problem in computer vision. Aircraft recognition represents one of the most challenging application domains of this problem, carrying strategic importance in defence technologies and civil aviation. The majority of existing deep learning approaches apply flat classification strategies, disregarding the natural hierarchical relationships among classes. In this thesis, a novel deep learning architecture that explicitly models the four-level taxonomy structure of aircraft has been developed. The proposed Hierarchy-Aware Cross-Level Attention (HACLA) mechanism performs semantic information transfer from parent categories to child categories through cross-level attention modules. The architecture simultaneously classifies at the type, manufacturer, model family, and variant levels, integrating information from all parent levels into variant prediction through a gated fusion mechanism. Extensive experiments conducted on the FGVC-Aircraft benchmark dataset demonstrate that the proposed method achieves a 15.90% absolute improvement at the variant level compared to the flat classification approach. In the final configuration, accuracies of 97.54% at the type level, 98.02% at the manufacturer level, 95.86% at the model family level, and 91.54% at the variant level were obtained. The macro AUC value was measured as 0.9977, while the Top-3 accuracy reached 97.69%. The findings confirm that hierarchical information transfer plays a decisive role in fine-grained visual recognition problems and present an effective framework for integrating multi-level taxonomy knowledge into deep learning architectures.
Benzer Tezler
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Ege bölgesi keçi liflerinin bazı önemli fiziksel, kimyasal özellikleri ve değerlendirme imkanları
Başlık çevirisi yok
NİLÜFER ERDEM
Doktora
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLSEREN YAZICIOĞLU