Geri Dön

Derin öğrenme kullanılarak seam carving ile boyutlandırılmış görüntülerin tespiti

Detecting the resize of seam carved image with deep learning

  1. Tez No: 672112
  2. Yazar: HAMIDULLAH NAZARI
  3. Danışmanlar: DOÇ. DR. DEVRİM AKGÜN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilişim Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 75

Özet

İçeriğe duyarlı görüntü yeniden boyutlandırma olarak bilenen seam carving, görüntünün içeriği koruncak şeklinde, görüntü boyutunu ayarlama yöntemlerinden biridir. Görüntüyü yeniden boyutlandırma, çeşitli aygıt ekranları ve uygulamalar gibi modüller arasındaki farklı çözünürlüklerin üstesinden gelebilmek için kullanılır. Görüntünün orijinal içeriği bozmak veya kaldırmak için de kasıtlı olarak kullanılabilir. Dolayısıyla görüntülere bu tür dış müdahaleyi tespit etmek, büyük önem arz etmektedir. Bu tez çalışmasında görüntülere uygulanan seam carving tespiti, derin öğrenme modelleri, bilgisayar görmesinde yaygın olarak başvurulan 2 boyutlu konvolüsyonel sinir ağları (CNN – Convolutional Neural Network) ve tam bağlantılı (FC - Fully Connected) kullanılarak tespit gerçekleştirilmiştir. Önerilen model, % 0, % 10, %20 ve % 40 seam carving sınıflarından oluşan dört çıkışa sahip, çoklu sınıflandırıcı olarak geliştirilmiştir. Oluşturulan derin öğrenme ağlarının eğitiminde, ImageNet açık kaynak görüntü seti kullanılmaktadır. Orijinal görüntülerin yanında, dikey yönünde seam carving ile %10, %20 ve %40 boyutları azaltılmış görüntüler kullanılarak eğitim ve test veri setleri elde edilmiştir. Modelin başarımı, karmaşıklık (confusion) matrisi ve test setlerini doğru sınıflandırma oranı ile ölçeklenmiştir. Modelin doğruluk analizi, görüntüler üzerinde model test edilerek, karmaşıklık, kesinlik (precision), F1-score ve recall matrisleriyle sonuçları ve doğruluk değeri detaylı olarak gösterilmiştir.

Özet (Çeviri)

Seam carving, also known as content-aware image resizing, is one of the methods for adjusting the image size such that the content of the image will be preserved. Image resizing is used to handle different resolutions between modules of various device screens and applications. It can also be used intentionally to corrupt or remove the original content of the image. Therefore, it is of great importance to detect external interference with the images. In this thesis, we made detection of seam carving applied to images, by using deep learning models, 2-dimensional convolutional neural networks (CNN - Convolutional Neural Network), and fully connected (FC - Fully Connected) commonly used in computer vision. The proposed model was developed as a multi-classifier with four outputs consisting of 0%, 10%, 20% and 40% seam carving classes. ImageNet which is an open source image dataset is used in the training of created deep learning networks. In addition to the original images, training and testing data sets were obtained using images with reduced dimensions of 10%, 20% and 40% by seam carving in the vertical direction. The performance of the model has been scaled with the confusion matrix and the correct classification rate of the test sets. The accuracy analysis of the model was tested on the images, and the results and accuracy value were shown in detail with confusion, precision, f1-score and recall matrices.

Benzer Tezler

  1. Derin öğrenme kullanılarak horn anten ışıma modelinin veriye dayalı vekil modellenmesi

    Data driven surrogate modelling of horn antennas radiation pattern using deep learning

    ONUR CAN PİLTAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET KIZILAY

  2. Derin öğrenme kullanılarak sahte plakalı araç tespit sistemi geliştirilmesi

    Developing fake plate vehicle detection system using deep learning

    BURAK AĞGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN ERDEMİR

  3. Derin öğrenme kullanılarak göz, yüz ve esneme özelliklerine dayalı melez bir yorgunluk tanıma sistemi geliştirilmesi

    Development of hybrid fatigue recognition system based on eye, face and yaw features using deep learning

    RABİA KÖK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBARS UĞUR

  4. Derin öğrenme kullanılarak trafik koşullarına uygun otonom araç uygulaması

    Autonomous vehicle application suitable for traffic conditions using deep learning

    MAHMUT ESAT SEÇKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mühendislik BilimleriBursa Uludağ Üniversitesi

    Otomotiv Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ SÜRMEN

    DOÇ. DR. CEMAL HANİLÇİ

  5. Path loss prediction from heightmap using deep learning

    Derin öğrenme kullanılarak yükseklik haritalarından yol kaybı tahmini

    MUSTAFA BAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı

    Prof. Dr. BAHADIR KÜRŞAT GÜNTÜRK