Geri Dön

Otomatik avuç içi bölütlenmesinin gerçekleştirilmesinde farklı derin öğrenme modellerinin performanslarının incelenmesi

Investigation of the performances of different deep learning models in the implementation of automatic palm print segmentation

PDF İndir

  1. Tez No: 922673
  2. Yazar: KADİR YALÇIN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ RAMAZAN ÖZGÜR DOĞAN
  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: 2025
  8. Dil: Türkçe
  9. Üniversite: Gümüşhane Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yapay Zeka ve Akıllı Sistemler Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 69

Özet

Tıbbi görüntüleme teknolojilerindeki ilerlemeler, özellikle derin öğrenme tabanlı yöntemlerin kullanımıyla, el bölütleme gibi spesifik görevlerde dikkat çekici başarılar elde etmiştir. El bölütleme, biyometrik doğrulama sistemlerinde kimlik tespiti için kritik bir öneme sahiptir. Avuç içi damar yapıları, parmak uzunlukları ve deri dokusu gibi benzersiz biyometrik özelliklerin doğru bir şekilde çıkarılması, el bölütleme algoritmalarının doğruluğuna bağlıdır. Bu tez çalışmasında, el bölütleme probleminin çözümü için oto kodlayıcı tabanlı U-Net, MA-Net, FPN ve PSP-Net modelleri, Vision Transformer, EfficientNet-B5 ve ResNet-34 omurgaları ile değerlendirilmiştir. Modeller, Doğruluk (ACC), Intersection over Union (IoU), Dice katsayısı ve F1 skor gibi metriklerle analiz edilmiştir. Sonuçlar, Vision Transformer ile entegre edilen U-Net modelinin bölütleme de en yüksek başarı sağladığını göstermiştir (IoU: 0.8917, Dice: 0.9892). MA-Net, ResNet-34 omurgasıyla kullanıldığında en yüksek doğruluk değerine (0.9921) ulaşmıştır. Ayrıca bu kombinasyon, en yüksek F1 skorunu (0.9584) da elde etmiştir. EfficientNet-B5, MA-Net ve FPN ile etkili sonuçlar sunmuştur. Çalışmanın sonuçları, derin öğrenme modelleriyle elde edilen bölütleme başarısının biyometrik doğrulama sistemlerinin güvenilirliğini artırabileceğini ortaya koymaktadır. Özellikle U-Net - Vision Transformer ve MA-Net – ResNet-34 kombinasyonları, elin bölütlenmesinde yüksek performans göstermiştir. Bu bulgular, el bölütleme uygulamalarında model ve omurga seçimlerinin kritik olduğunu vurgulamaktadır.

Özet (Çeviri)

Advances in medical imaging technologies, particularly with the use of deep learning based methods, have achieved remarkable success in specific tasks such as hand segmentation. Hand segmentation is of critical importance for identification in biometric verification systems. Accurate identification of unique biometric features such as palm vein structures, finger lengths and skin texture depends on the accuracy of hand segmentation algorithms. In this study, autoencoder based U-Net, MA-Net, FPN and PSP-Net models have been evaluated with Vision Transformer, EfficientNet-B5 and ResNet-34 backbones for solving the hand segmentation problem. The models were analyzed with metrics such as Accuracy (ACC), Intersection over Union (IoU), Dice coefficient and F1 score. The results showed that the U-Net model integrated with Vision Transformer provided the highest success in segmentation (IoU: 0.8917, Dice: 0.9892). MA-Net achieved the highest accuracy value (0.9921) when used with ResNet-34 backbone. In addition, this combination achieved the highest F1 score (0.9584). EfficientNet-B5 provided effective results with MA-Net and FPN. The results of the study revealed that the segmentation success obtained with deep learning models could increase the reliability of biometric verification systems. In particular, U-Net - Vision Transformer and MA-Net – ResNet-34 combinations showed high performance in hand segmentation. The findings emphasize that model and backbone selections are critical in hand segmentation applications.

Benzer Tezler

  1. Tez No

    622828

    Automatic palmprint recognition

    Otomatik avuç içi tanıma

    FATHIYA ALI EMHEMED EGREIRA

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Aydın Üniversitesi

    Elektrik-Elektronik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NECİP GÖKHAN KASAPOĞLU

  2. Tez No

    302335

    Gabor dalgacık dönüşümü tabanlı avuç içi tanıma sistemi

    Palmprint recognition system based on gabor wavelet transform

    ABİDİN ÇALIŞKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BURHAN ERGEN

  3. Tez No

    832406

    Geometrik tabanlı öznitelik çıkarma ve öznitelik füzyonuna dayalı parmak damar tanıma

    Geometric based feature extraction and finger vein recognition based on feature fusion

    FATİH TİTREK

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖMER KAAN BAYKAN

  4. Tez No

    553703

    Voice recognition system with score level fusion methods and embedded system design

    Skor seviyesi füzyon metotları ile ses tanıma sistemi ve gömülü sistem tasarımı

    CİHAN AKIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. MÜRVET KIRCI

  5. Tez No

    179663

    Shape-based hand recognition

    Şekil tabanlı el tanıma

    GÜLDEN AKAY ÖZBAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2008

    Elektrik ve Elektronik MühendisliğiGaziantep Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. NURDAL WATSUJİ

Geri Dön