Generative adversarial networks for fine-grained retail product recognition
Üretici çekişmeli ağlar ile ayrıntılı perakende ürün tanıma
- Tez No: 981063
- Danışmanlar: DR. ÖĞR. ÜYESİ İPEK BAZ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Perakende ürün tanıma, süpermarket rafları gibi gerçek dünya ortamlarında yer alan ürünleri görseller üzerinden otomatik olarak tanıma ve sınıflandırma problemidir. Bu problem; görsel karmaşıklık, sınıflar arası benzerlik ve sınıf içi küçük farklar nedeniyle oldukça zorludur. Doğru ve hızlı ürün tanıma, perakende otomasyonu, envanter yönetimi ve müşteri uygulamaları için kritik öneme sahiptir. Bu tez çalışmasında, StyleGAN-XL tabanlı sentetik veri üretiminin, perakende ürünlerine ait görsellerin ince sınıf ayrımı (fine-grained classification) problemlerindeki etkisi incelenmiştir. Çalışma kapsamında, her biri 30 sınıftan oluşan atıştırmalıklar ve içecekler olmak üzere iki farklı ürün kategorisi ele alınmıştır. Gerçek dünya verilerinin sınırlı sayıda olması ve sınıflar arasındaki dengesizlik gibi sorunlar nedeniyle, StyleGAN-XL kullanılarak sentetik görseller üretilmiş ve eğitim verisine dahil edilmiştir. Dört farklı deneysel senaryo tasarlanmıştır: Senaryo 1 (%80 sentetik + %20 gerçek veri), Senaryo 2 (yalnızca sentetik veri), Senaryo 3 (yalnızca %20 gerçek veri), Senaryo 4 (yalnızca gerçek veri). Tüm senaryolarda sınıflandırma işlemleri, YOLOv11-CLS modeliyle gerçekleştirilmiş ve model her biri için 100 epoch boyunca aynı hiperparametrelerle eğitilmiştir. Deneysel sonuçlar, özellikle gerçek verinin sınırlı olduğu durumlarda, sentetik verinin sınıflandırma başarımını anlamlı ölçüde artırdığını göstermektedir. İçecek kategorisinde, özellikle görsel olarak ayırt edici ambalajlara sahip bazı sınıflarda doğruluk, hassasiyet ve F1 skoru metriklerinde %100'e ulaşılmıştır. Bu durum, StyleGAN-XL tarafından üretilen sentetik görsellerin ince sınıf ayrımı gerektiren görevlerde etkili olduğunu ortaya koymaktadır. Ancak bu başarı tüm sınıflar için geçerli değildir; bu nedenle gerçek verinin önemi ve veri çeşitliliği hâlâ kritik rol oynamaktadır.
Özet (Çeviri)
Retail product recognition is the task of automatically identifying and classifying products from images, particularly in retail environments such as supermarket shelves. This problem is considered challenging due to visual clutter, inter-class similarity, and subtle intra-class variations. Accurate recognition of products is crucial for retail automation, inventory management, and consumer applications. In this thesis, we explore the impact of synthetic data augmentation using StyleGAN-XL on fine-grained retail product image classification. Two distinct product categories, snacks and beverages, are considered, each comprising 30 classes with varying numbers of original images. Due to the challenges of data imbalance and limited real-world data, synthetic images were generated via StyleGAN-XL to supplement training data. Four experimental scenarios were developed: Scenario 1, combining 80% synthetic and 20% real images; Scenario 2, trained solely on synthetic images; Scenario 3, trained only on 20% of the original dataset; and Scenario 4, trained exclusively on real images. YOLOv11-CLS was employed for classification, trained for 100 epochs with consistent hyperparameters across all scenarios. Results demonstrate that synthetic data significantly improved model performance, particularly when real data was scarce. In the beverage dataset, several individual classes—especially those with visually distinctive packaging—achieved perfect classification metrics (100% precision, recall, and F1-score), indicating that StyleGAN-XL-generated images can effectively capture fine-grained features. However, this level of performancewas not uniformly observed across all classes, emphasizing the continued relevance of real data and the importance of dataset diversity.
Benzer Tezler
- Secure communication for MUM-T: a blockchain and lightweight cryptography framework
MUM-T için güvenli i̇letişim: bir blokzincir ve hafif kriptografi çerçevesi
HALİMCAN YAŞAR
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- Style-based generative adversarial networks for enhancing deep-learning-based person re-identification
Derin öğrenme tabanlı kişi yeniden tanımlamak için stil tabanlı üretici çekişmeli (adversarıal) ağlar
SALEH HUSSIN SALEM HUSSIN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REMZİ YILDIRIM
- Data and model based performance improvement in transfer learning by using generative adversarial networks and model fusion techniques
Çekişmeli üretici ağlar ve model tümleştirme teknikleri kullanarak aktarımlı öğretimde veri ve model tabanlı performans iyileştirme
TUĞÇE TOPRAK
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiDokuz Eylül ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ALPER SELVER
- 3 boyutlu çekişmeli üretici ağlar ile imalata hazır parça üretimi
Manufacturing-ready part generation with 3D generative adversarial networks
MUHAMMED MUSTAFA ÖZCAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN POLAT
- Derin öğrenme ile sentetik tıbbi beyin görüntülerinin üretilmesi
Başlık çevirisi yok
ÜVEYS YILDIZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet ÜniversitesiOptik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RUKİYE KARAKIŞ