Derin öğrenme yöntemleriyle görsel, metinsel ve sayfa düzeni özelliklerini kullanarak belge görüntülerinin sınıflandırılması
Classification of document images using visual, textual, and layout features with deep learning methods
- Tez No: 920931
- Danışmanlar: PROF. DR. RİFAT EDİZKAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belge Sınıflandırma, Derin Öğrenme, Evrişimsel Sinir Ağları, ViT, ViC NLP, LayoutLMv3, Transformer, Document Classification, Deep Learning, Convolutional Neural Networks, ViT, ViC, NLP, LayoutLMv3, Transformer
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon - Sinyal İşleme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijitalleşmenin hızla artması, belgelerin yönetimi ve sınıflandırılması süreçlerini daha önemli hale getirmiştir. Bu bağlamda, belge sınıflandırma alanında önemli adımlar atılmıştır. Bu tez çalışmasında, belge sınıflandırma alanında görsel özelliklere dayalı evrişimsel yöntemler, görsel özelliklere dayalı Transformer tabanlı yöntemler ve görsel, metinsel ve sayfa düzeni bilgisine dayalı yöntemler altında farklı modellerin performansları karşılaştırılmıştır. Çalışmada, evrişimsel sinir ağları, Transformer tabanlı ViT ve ViC modelleri ile LayoutLMv3 mimarisi kullanılarak kapsamlı bir karşılaştırma yapılmıştır. Bu mimariler, Tobacco-3482 ve RVL-CDIP Small-200 veri setleri üzerinde test edilerek, her bir yöntemin belge sınıflandırma süreçlerindeki etkisi, belge tipindeki etkisi ve başarı oranları değerlendirilmiştir. Tez çalışması, görsel, metinsel ve sayfa düzenine dayalı çok yönlü sınıflandırma yaklaşımlarını bir araya getirerek, belge sınıflandırma alanında özgün bir analiz sunmaktadır. Derin öğrenme yöntemleri arasında LayoutLMv3 modeli ile belge sınıflandırmada %95,78 ile en yüksek doğruluk Tobacco-3482 veri seti üzerinde elde edilmiştir.
Özet (Çeviri)
The rapid increase in digitalization has made document management and classification processes more significant. In this context, substantial advancements have been made in the field of document classification. This thesis compares the performance of different models under three main approaches: convolutional methods based on visual features, Transformer-based methods relying on visual features, and methods incorporating visual, textual, and layout information. A comprehensive comparison was conducted using convolutional neural networks, Transformer-based ViT and ViC models, and the LayoutLMv3 architecture. These architectures were tested on the Tobacco-3482 and RVL-CDIP Small-200 datasets, and the impact of each method on document classification processes, document types, and success rates was evaluated. The thesis offers a unique analysis in the field of document classification by integrating multi-faceted classification approaches based on visual, textual, and layout information. Among deep learning methods, the highest accuracy in document classification was achieved using the LayoutLMv3 model, with a success rate of 95.78% on the Tobacco-3482 dataset.
Benzer Tezler
- Object detection with minimal supervision
Asgari denetim ile nesne tespiti
BERKAN DEMİREL
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
DOÇ. DR. NAZLI İKİZLER CİNBİŞ
- İçerik tabanlı görüntü erişimi ile uzaktan algılama verilerinde obje arama
Object retrieval in remote sensing data using content based imaged retrieval
ÖZGE TOKMAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Learning based image and video editing
Öğrenme temelli görüntü ve video düzenleme
LEVENT KARACAN
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ERKUT ERDEM
- Derin öğrenme yöntemleriyle İHA tabanlı ortofotoların sınıflandırılması
Classification of UAV-based orthophotos with deep learning methods
İLYAS ASLAN
Doktora
Türkçe
2026
Jeodezi ve FotogrametriHarran ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİZAR POLAT
- Metric learning using deep recurrent networks for visual clustering and retrieval
Görsel kümeleme ve bulgetir için derin yinelgeli ağlar kullanarak metrik öğrenme
OĞUL CAN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN