Hiyerarşik derin öğrenme yöntemleri ile kara, hava ve deniz araçlarının sınıflandırılması
Classification of land, air, and sea vehicles using hierarchicaldeep learning methods
- Tez No: 973252
- Danışmanlar: DOÇ. DR. ÇİĞDEM ACI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekâ (YZ) teknolojileri, günümüzde askeri gözetleme, keşif ve istihbarat toplama operasyonlarının merkezinde yer almaya başlamıştır. YZ, otomatik hedef tanıma ve takip konularında güçlü yetenekler sergilese de savunma uygulamalarında kullanımı hala önemli zorluklarla karşı karşıyadır. Örneğin, sivil araç tespiti uygulamaları CompCars gibi iyi yapılandırılmış ve belli bir olgunluğa erişmiş veri kümelerinden fayda sağlarken, askeri alanda genel olarak kabul görmüş, model kıyaslamaları için kullanılabilecek türde erişime açık veri kümeleri bulunmamaktadır. Ayrıca, çoğu araç tespit uygulamasında kullanılan geleneksel düz sınıflandırma modelleri, askeri araç sınıfları arasındaki hiyerarşik ilişkileri göz önünde bulundurmamaları (örneğin, tekerlekli roket topçu sistemleri ile mobil radar sistemlerinin daha geniş bir sınıf olan tekerlekli kara araçları kategorisinde toplanması gibi) nedeniyle genel model performansını sınırlamaktadır. Bu sınırlamaların üstesinden gelmek amacıyla, bu çalışmada hava, deniz ve kara alanlarını kapsayan, askeri, sivil ve kolluk kuvvetlerine ait araçları da içeren özel olarak oluşturulmuş bir veri kümesi sunulmaktadır. Söz konusu veri kümesi 22.118 görüntüden oluşmakta olup, toplamda 36.252 etiketlenmiş araç örneği içermektedir. Ayrıca, farklı yapılandırmalarda Faster R-CNN, SSD ve RetinaNet gibi nesne tespit mimarileri ile entegre edilmiş, ResNet152 tabanlı görüntü sınıflandırıcılarını kullanan çeşitli yerelleştirilmiş hiyerarşik sınıflandırma modelleri geliştirilmiştir. Bu modeller, araç kategorileri arasındaki yapısal ilişkilerden faydalanarak tespit doğruluğunu artırmayı hedeflemektedir. Önerilen hiyerarşik modeller, hâlihazırda yüksek başarıya sahip düz sınıflandırma modellerine kıyasla ortalama %6 oranında F1 skoru artışı sağlamıştır. Gözlemlenen iyileştirmeler %5 ile %8 arasında değişmiş olup, bu durum özellikle mevcut düz modellerin hâlihazırdaki yüksek performansı dikkate alındığında, hiyerarşik model kullanımı ile anlamlı bir sınıflandırma doğruluğu artışı olduğunu ortaya koymaktadır. Bu yaklaşım, savunmaya yönelik YZ uygulamalarında daha doğru ve bağlam farkındalığı yüksek tanıma süreçlerini desteklemeyi amaçlamaktadır. Çalışma, yeni bir veri kümesi üzerinde hiyerarşik sınıflandırma stratejilerini kullanarak, askeri ve güvenlik alanındaki otonom gözetleme ve hedef tespit sistemlerine iyileştirmeler sağlamayı hedeflemektedir.
Özet (Çeviri)
Artificial intelligence (AI) technologies have increasingly become central to modern military surveillance, reconnaissance, and intelligence-gathering operations. Although AI demonstrates strong capabilities in automatic target recognition and tracking, its implementation in defense applications still faces significant challenges. For example, while civilian vehicle detection applications benefit from well-structured and mature datasets such as CompCars, there are no publicly accessible, widely accepted datasets available in the military domain suitable for model benchmarking. Furthermore, conventional flat classification models commonly employed in vehicle detection tasks limit overall model performance due to their failure to account for hierarchical relationships among military vehicle classes, such as grouping wheeled rocket artillery systems and mobile radar systems under the broader category of wheeled land vehicles. To overcome these limitations, this study presents a custom-built dataset covering air, sea, and land platforms, encompassing vehicles from military, civilian, and law enforcement domains. The dataset comprises 22,118 images with a total of 36,252 labeled vehicle instances. Additionally, various localized hierarchical classification models have been developed, integrating ResNet152-based image classifiers with object detection architectures such as Faster RCNN, SSD, and RetinaNet under different configurations. These models aim to enhance detection accuracy by leveraging structural relationships between vehicle categories. The proposed hierarchical models achieved an average 6% improvement in F1 score compared to already high-performing flat classification models. Observed performance improvements ranged from 5% to 8%, indicating a meaningful increase in classification accuracy, especially considering the strong baseline performance of the existing flat models. This approach aims to support more accurate and context-aware recognition processes in AI-based defense applications. By introducing a novel dataset and exploring hierarchical classification strategies, the study seeks to contribute enhancements to autonomous surveillance and target detection systems within military and security contexts.
Benzer Tezler
- Interval neural networks for uncertainty quantification in system identification
Sistem tanımlamada belirsizlik nicelemesi için aralıklı yapay sinir ağları
MEHMET ALİ FERAH
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- Uçuşa elverişlilik için derin öğrenme yöntemi ile pist yüzeyi çatlak tespiti yaklaşımı
Deep learning based runway surface crack detection approach for airworthiness
FATMANUR GÜVEN
Yüksek Lisans
Türkçe
2023
Sivil HavacılıkErciyes ÜniversitesiSivil Havacılık Ana Bilim Dalı
PROF. DR. ALPER BAŞTÜRK
- Derin öğrenme ile modülasyon sınıflandırması
Modulation classification with deep learning
SELÇUK BALSÜZEN
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- 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