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: Belirtilmemiş.
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
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Çeltik kabuklarının yalıtım malzemesi olarak kullanılması
Başlık çevirisi yok
B.CİHAN ÇELEBİ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KIRBIYIK
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ