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: Belirtilmemiş.
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
- Deep learning-based detection and segmentation for 3D perception of the urban world
Kentsel dünyanın 3D algısı için derin öğrenme tabanlı tespit ve segmentasyon
BAHADIR AKIN AKGÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL BURAK PARLAK
- Investigating the performance of super-resolved remote sensing images on coastline segmentation with deep learning-based methods
Derin öğrenme tabanlı yöntemlerle kıyı şeridi segmentasyonunda süper çözünürlüklü uzaktan algılama görüntülerinin performansının araştırılması
İLHAN PALA
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. UĞUR ALGANCI
- Radyoloji görüntülerinde kemik kırığı tespitinde derin öğrenme tabanlı nesne tespit algoritmalarının karşılaştırmalı analizi
Comparative analysis of deep learning-based object detection algorithms in bone fracture detection in radiology images
BÜŞRA KARAKILINÇ
Yüksek Lisans
Türkçe
2026
Mühendislik Bilimleriİzmir Bakırçay ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE ÖLMEZ
- 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
- Beyin damar görüntülerinde dallanma ve uç noktalarin derin öğrenme yöntemleri ile tespiti
Detection of branches and end points in cerebral vessel images with deep learning methods
SAMET KAYA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERNA KİRAZ
PROF. DR. ALİ YILMAZ ÇAMURCU