Derin öğrenme ile nesne algılamada transfer öğrenme ve ince ayar işlemlerinin etkinliklerinin araştırılması
Studying effectiveness of transfer learning and fine tuning processes in object detection with deep learning
- Tez No: 773756
- Danışmanlar: DOÇ. DR. CELAL ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Birçok alanda yerini alan makine insan etkileşimi sayesinde dil bilmeme sorunu ortadan kalkmakta, ses ve görüntü tanıma ile kişisel ve toplumsal ihtiyaçlar sağlanmaktadır. Uydu görüntüleri yeni teknolojiler ile anlamlandırılarak doğal afet takibi yapılabilmekte ve sınır güvenliği gibi stratejik adımlar keskin bir şekilde atılabilmektedir. Bilgisayarlı görü alt dalı olan nesne tespiti sayesinde sayılan örnek işler ve dahası yapılmaktadır. Hesap yükü az algoritmaların bilimsel çalışmalarla, veriyi paralel işleyen ekran kartlarının yatırımlarla, veri setine erişimin yaygınlaşması sonucu ile de derin öğrenme çalışmaları hız kazanmıştır. Çokça görüntü verisi üzerinde çalışan ESA tabanlı derin öğrenme ağları ile uygulanan nesne tespiti hayatımızı kolaylaştıran teknolojilerde daha etkin rol oynamaktadır. Bu tez kapsamında donanım, zaman ve veri kaynaklarını daha az harcama adına insan öğrenmesinden ilham alınarak geliştirilen transfer öğrenme yaklaşımı kullanılmıştır. Transfer öğrenme 3 farklı veri seti üzerinde çalışan güncel ESA tabanlı nesne tespitleyici derin öğrenme ağlarından YOLO v4, YOLO v5 ve Faster R-CNN'e uygulanarak ağların performansları, transfer öğrenmenin uygulanmadığı aynı ağların performansları ile karşılaştırılmıştır. Çalışmada ayrıca görüntülerdeki küçük nesnelerin tespitini mümkün kılan bir yöntem olarak ince ayar tekniği önerilmiştir. Daha önceki çalışmalarda mimari değişikliğiyle veya ağın genelleme kabiliyetini kaybetmesine neden olan probleme özel veri seti seçimi ile küçük nesne algılamanın üstesinden gelinirken, bu tez ile mimari değişimden ve veri setinden bağımsız bir çözüm önerilmiştir.
Özet (Çeviri)
With machine-human interaction, which has taken its place in many areas, the problem of not knowing the language is eliminated, and personal and social needs are met with voice and image recognition. By making sense of satellite images with new technologies, natural disaster monitoring can be carried out and strategic steps such as border security can be taken sharply. With object detection, which is a sub-branch of computer vision, exemplary things and more are done. Deep learning studies have gained momentum as a result of the scientific studies of algorithms with low computational cost, the investments in graphics cards that process data in parallel, and the widespread access to the data set. Object detection, implemented with ESA-based deep learning networks working on a lot of image data, plays a more effective role in technologies that make our lives easier. In this thesis, the transfer learning approach which is inspired by human learning, was used in order to spend less on hardware, time and data. Transfer learning was applied to YOLO v4, YOLO v5 and Faster R-CNN, one of the current ESA-based object detection deep learning networks working on 3 different data sets, and the performances of the networks were compared with the performances of the same networks without transfer learning. In the study, fine-tuning technique is also proposed as a method that makes it possible to detect small objects in images. While in previous studies, small object detection can be overcome with architectural change or with the selection of a problem-specific dataset that caused the network to lose its generalization ability, with this thesis, a solution which is independent of architectural change and dataset is proposed.
Benzer Tezler
- Cross-domain one-shot object detection by online fine-tuning
Çevrimiçi ince-ayar ile tek-örnekli çapraz-alan nesne tespiti
İREM BEYZA ONUR
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL
- Automatic determination of plant type and phenological stage with deep learning methods
Tarla görüntülerinden bitki türü ve fenolojik evresinin derin öğrenme yöntemleri ile otomatik saptanması
AIGERIM KAIROLDAYEVA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Evrişimli sinir ağları ile yüksek çözünürlüklü uydu görüntülerinden uçak tespiti
Aircraft detection from high resolution satellite images with convolutional neural networks
EMİNE DİLŞAD ÜNSAL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- 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
- Pancar bitki hastalıklarının derin öğrenme ile sınıflandırılması
Classification of beet plant diseases using deep learning
BİLAL EYİSOY
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YAVUZ ÜNAL