Derin öğrenme yardımıyla araç sınıflandırma
Vehicle classification with deep learning
- Tez No: 572632
- Danışmanlar: DOÇ. DR. GALİP AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kuramsal Temeller Bilim Dalı
- Sayfa Sayısı: 75
Özet
Derin öğrenme yöntemlerinin gelişmesiyle beraber görüntü, gen ve ses analizleri, robotik, otonom sistemler, tıp alanındaki hastalık teşhisleri gibi birçok alanda kullanılmaya başlanmıştır. Bu tür problemlerin çözümünde yüksek doğruluk elde edilmesi yaygın bir kullanım alanı oluşmasını sağlamıştır. Bu tez çalışmasında, 10 farklı marka/modelde aracın birbirinden farklı yaklaşık 20000 görüntüden oluşan veri setini önceden eğitilmiş Faster R-CNN Resnet50, Faster R-CNN ResNet101, R-FCN ResNet101 ve SSD mobilenet ağlarını transfer öğrenme yöntemiyle eğitilmiştir. Yapılan testler sonucunda %94,4 lük doğruluk oranıyla Faster R-CNN ResNet50 modeli en başarılı sonuç elde edilmiştir. Eğitim aşamasında kullanılmayan görüntülerden oluşan veri kümesi kullanılarak eğitim sonuçları gözlemlenmiştir. Eğitim aşamasında Google tarafından geliştirilen açık kaynak kodlu TensorFlow kütüphanesi ve Python programlama dili kullanılmıştır. Modelimizde farklı parametreler kullanarak başarımın nasıl değiştiği gözlemlenmiştir. Yapılan eğitimler sonucunda başarılı sonuçlar alınmıştır. Sonuçlarla alakalı tablolar ve loss grafikleri bölümün sonunda gösterilmiştir.
Özet (Çeviri)
With the development of deep learning methods, image, gene and sound analysis, robotics, autonomous systems, medical field diagnosis has been started to be used in many areas. High accuracy in solving such problems has led to a widespread use. In this thesis, the data set of approximately 20000 different data sets of 10 different brands / models of vehicles are trained by transfer learning method of Faster R-CNN Resnet50, Faster R-CNN ResNet101, R-FCN ResNet101 and SSD mobilenet networks. As a result of the tests, Faster R-CNN ResNet50 model was the most successful with 94.4% accuracy. The training results were observed by using a dataset consisting of unused images. The open source TensorFlow library and Python programming language developed by Google were used during the training phase. In our model, it has been observed how the performance changes by using different parameters. Successful results were obtained as a result of the trainings. Tables and loss graphs related to the results are shown at the end of the section.
Benzer Tezler
- New deep learning based approaches for land cover classificationin satellite images
Uydu görüntülerinde arazi örtüsü sınıflandırması için yeni derin öğrenme tabanlı yaklaşımlar
BAHAA AWAD
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Manyetik rezonans görüntüleri yardımıyla Multiple Skleroz hastalığının tanısı için derin öğrenme yöntemlerinin analizi
Analysis of deep learning methods using magnetic resonance images for the diagnosis of Multiple Sclerosis disease
FATMA AKSU
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CEVAHİR ÇINAR
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Statistical feature learning and signal generation for time-series sensor signals
Zaman serisi sensör işaretleri için öznitelik öğrenimi ve işaret üretimi
ERKAN KARAKUŞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE
- Unet based segmentation in qualitative microwave imaging for breast cancer diagnosis
Meme kanseri tanisi için nitel mikrodalga görüntülemenin unet tabanli segmentasyonu
GİZEM ÜNER
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ÇAYÖREN