Makine öğrenmesi yöntemleri kullanılarak otonom sürüş için anlamsal bölütleme
Semantic segmentation for autonomous driving using machine learning methods
- Tez No: 942479
- Danışmanlar: PROF. MEHMET SERDAR GÜZEL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
Özet
Anlamsal bölütleme, bir görüntüdeki her pikselin ait olduğu sınıfı belirlemeyi amaçlayan bir bilgisayarla görme problemidir. Özellikle otonom araç teknolojilerinin temel bileşenlerinden biri olan bu yöntem, araçların çevresel farkındalığını artırarak nesne tanıma ve sınıflandırma süreçlerinde yüksek katkı sağlar. Bu tez çalışmasının temel amacı, otonom sürüş sistemlerinin gereksinimlerine yanıt verecek şekilde sokak sahnelerinde anlamsal bölütleme uygulamaları gerçekleştirmektir. Bu kapsamda, küresel ve yerel bağlamsal bilgileri etkin biçimde modelleyebilen yeni yaklaşımlar geliştirilmiştir. Çalışmada, çok ölçekli bağlam kullanımındaki yüksek başarılarıyla öne çıkan PSPNet ve DeepLabV3+ mimarilerinden esinlenilerek, bu modellerin geleneksel omurga ağı olan ResNet yerine modern bir yapı olan ConvNext entegre edilmiştir. PSPNet-ConvNext ve DeepLabV3+-ConvNext mimarileri, karşılık gelen ResNet tabanlı sürümleriyle kıyaslanmıştır. Buradaki amaç, PSPNet ve DeepLabV3+ mimarileri içerisinde farklı omurga ağlarının performansa etkilerini incelemektir. Çalışmanın ikinci aşamasında, PSPNet ve DeepLabV3+ mimarilerinin birbirini tamamlayan yapısal avantajlarından faydalanmak amacıyla, her iki modelin çıktılarını bütünleştiren özgün bir topluluk (ensemble) yaklaşımı geliştirilmiştir. Geliştirilen MultiDecNet adlı model, ortak bir kodlayıcı yapı olarak ConvNext omurga ağına sahip olup, çift kod çözücü modülü (PSPNet ve DeepLabV3+) ile donatılmıştır. Bu yeni model, her iki kod çözücüden eş zamanlı çıktı alarak bölütleme doğruluğunu artırmıştır. Cityscapes veri seti üzerinde gerçekleştirilen deneylerde, modellerin performansları mIoU, F1-skoru ve doğruluk metrikleri ile değerlendirilmiş ve geliştirilen modelin mevcut yöntemlere kıyasla daha yüksek başarı sağladığı ortaya konmuştur. Elde edilen bulgular, bölütleme başarımını artırmaya yönelik önemli katkılar sunmakta ve geliştirilen modelin güçlü ve zayıf yönlerini ile kapsamlı bir şekilde ortaya koymaktadır.
Özet (Çeviri)
Semantic segmentation is a computer vision problem that aims to determine the class to which each pixel in an image belongs. This method, which is one of the basic components of autonomous vehicle technologies, provides a high contribution to object recognition and classification processes by increasing the environmental awareness of vehicles. The main purpose of this thesis is to perform semantic segmentation applications in street scenes in order to meet the requirements of autonomous driving systems. In this context, innovative approaches that can effectively model global and local contextual information have been developed. Inspired by PSPNet and DeepLabV3+ architectures, which stand out with their high success in multi-scale context usage, ConvNext, a modern structure, has been integrated instead of ResNet, the traditional backbone network of these models. PSPNet-ConvNext and DeepLabV3-ConvNext architectures have been compared with their corresponding ResNet-based versions. In the second phase of the study, in order to benefit from the complementary structural advantages of PSPNet and DeepLabV3+ architectures, a unique ensemble approach that integrates the outputs of both models was developed. The developed model, named MultiDecNet, has a ConvNext backbone network as a common encoder structure and is equipped with a dual decoder module (PSPNet and DeepLabV3+). This new model has increased the segmentation accuracy by receiving simultaneous output from both decoders. In the experiments conducted on the Cityscapes dataset, the performances of the models were evaluated with mIoU, F1 score and accuracy metrics and it was revealed that the developed model provided higher success compared to existing methods. The findings provide significant contributions to increasing segmentation performance and comprehensively reveal the strengths and limitations of the developed model.
Benzer Tezler
- Sample-efficient deep learning methods for autonomous systems
Otonom sistemler için verimli örneklemeli derin öğrenme yöntemleri
YUNUS BİÇER
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE
- Improving lane change decisions in autonomous driving using adversarial learning
Otonom sürüşte şerit değiştirme kararlarının karşıt öğrenme yöntemiyle iyileştirilmesi
AYTUĞ ONURHAN EFİL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Otonom araçlarda şerit takip ve kontrol sisteminin makine öğrenmesi kullanılarak geliştirilmesi
Development of lane following and control system in autonomous vehicles using machine learning
FATMA NUR ORTATAŞ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYozgat Bozok ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH ÇETİN
- Improved trajectory tracking via multi obstacle avoidance utilizing nonlinear model predictive controller
Doğrusal olmayan model öngörülü kontrol kullanılarak çoklu engellerden kaçınma ile geliştirilmiş yörünge takibi
ÖNDER HOROZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FUAT ERGENÇ
- Alzheimer tanısı için derin öğrenme tabanlı analiz
Deep learning based analysis for Alzheimer's diagnosis
RAVZA BEGÜM ATAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ALİ AYDIN
DR. ÖĞR. ÜYESİ MUHAMMED ERDEM İSENKUL