Geri Dön

Performance analysis of deep learning object detection based image segmentation methods

Derin öğrenme nesne algılama tabanlı görüntü bölütleme yöntemlerinin performans analizi

  1. Tez No: 653492
  2. Yazar: RAMAZAN ABDULLAH
  3. Danışmanlar: PROF. DR. SELMA AYŞE ÖZEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Derin öğrenme, tahmin, görüntü bölütleme, nesne algılama, bilgisayarla görme, Deep learning, prediction, image segmentation, object detection, computer vision
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. BEHÇET UĞUR TÖREYİN

  2. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

    PROF. DR. SEZGİN KAÇAR

  3. 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

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  4. Histopatolojik görüntülerin makine öğrenmesi yöntemleri ile analizi

    Analysis of histopathological images via machine learning methods

    ABDÜLKADİR ALBAYRAK

    Doktora

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN BİLGİN

  5. Derin öğrenme yöntemi ile optik uydu görüntülerinden gemi tespiti

    Ship detection by optical satellite images with deep learning method

    OSMAN DUMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. MESUT KARTAL