Performance analysis of deep learning object detection based image segmentation methods
Derin öğrenme nesne algılama tabanlı görüntü bölütleme yöntemlerinin performans analizi
- Tez No: 653492
- Danışmanlar: PROF. DR. SELMA AYŞE ÖZEL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, tahmin, görüntü bölütleme, nesne algılama, bilgisayarla görme, Deep learning, prediction, image segmentation, object detection, computer vision
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Girdi görüntüsünü birden çok bölgeye veya bölüme ayıran görüntü bölümleme, bilgisayarlı görü alanında çözülmesi en zor problemlerden biridir. Görüntü bölütleme olmadan, görüntüleri bilgisayarın anlaması kolay bir işlem değildir. İki tür görüntü bölütleme görevi vardır: i) aynı sınıftan birden çok nesnenin aynı olarak kabul edildiği anlamsal bölütleme, ii) aynı sınıftaki birden çok nesnenin farklı alındığı örnek bölütleme, bu nedenle her nesne (örnek) ayrı olacak şekilde sınıflandırılmaktadır. Görüntü bölütleme, uydu görüntüsü işleme, tıbbi görüntü işleme, doku tanıma, yüz tanıma sistemleri, otomatik plaka tanıma sistemleri, vb. çok sayıda uygulamada kullanılır. Bu tezde amacımız, anlamsal bölütleme yapmak ve performansını değerlendirmek için derin öğrenme tabanlı nesne tespitini uygulamaktır. Bu nedenle, önce görüntülerdeki her nesnenin sınırlayıcı kutularını bulmak için YOLO uygulandı, ardından anlamsal bölütleme yapmak için ön plan ve arka plan piksellerini sınıflandırmak için GrabCut ve DeepGrabCut yöntemleri kullanıldı. DeepGrabCut, GrabCut'un derin öğrenme tabanlı bir sürümü olup, bu yöntemlerin performansları 35K'dan fazla görüntüye sahip iki görüntü veri kümesinde karşılaştırıldı. Deneysel analizler, nesne seçimi ile nesne algılamanın, uygulanan yöntemler için optimum parametre ayarı yapıldığında kabul edilebilir hata oranları ile anlamsal bölütleme yapmak için kullanılabileceğini göstermiştir.
Özet (Çeviri)
Image segmentation which divides the input image into multiple regions or segments is one of the most difficult problems to be solved in the area of computer vision. Without image segmentation, understanding the images by computer is not an easy process. There are two types of image segmentation task: i) semantic segmentation, in which multiple objects from the same class are considered as the same, ii) instance segmentation where multiple objects from the same class are taken as different, therefore, each object (instance) is to be classified separately. Image segmentation is used in numerous applications such as satellite image processing, medical image processing, texture recognition, face recognition systems, automated plate recognition systems, etc. In this thesis, our aim is to apply deep learning-based object detection to perform semantic segmentation and evaluate its performance. Therefore, first, we applied YOLO to find the bounding boxes of each object in the images, then we used GrabCut and DeepGrabCut methods to classify foreground and background pixels to make semantic segmentation. DeepGrabCut is a deep learning-based version of GrabCut, and we compared their performances on two image datasets having more than 35K images. The experimental analysis has shown that object detection with object selection can be used to make semantic segmentation with acceptable error rates when optimal parameters setting was done for the methods applied.
Benzer Tezler
- Efficient deep learning approaches for signal and image analysis applications
Sinyal ve görüntü analizi uygulamaları için verimli derin öğrenme yaklaşımları
ONUR CAN KOYUN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Yüksek çözünürlüklü görüntülerde derin öğrenme tabanlı nesne tespiti için yeni bir önişleme yöntemi geliştirilmesi
Development of a new preprocessing method for deep learning based object detection in high resolution images
MUHAMMED TELÇEKEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
PROF. DR. SEZGİN KAÇAR
- Application and analysis of deep learning techniques on the problem of depth estimation from a single image
Derin öğrenme tekniklerinin tekil görüntüden derinlik tahmini problemi üzerinde uygulanması ve incelenmesi
ALİCAN MERTAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Histopatolojik görüntülerin makine öğrenmesi yöntemleri ile analizi
Analysis of histopathological images via machine learning methods
ABDÜLKADİR ALBAYRAK
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN
- Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti
Ship detection by optical satellite images with deep learning method
OSMAN DUMAN
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. MESUT KARTAL