Geri Dön

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

PDF İndir

  1. Tez No: 982953
  2. Yazar: TUĞÇE TOPRAK
  3. Danışmanlar: PROF. DR. MUSTAFA ALPER SELVER
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Bilgisayarlı görüntüleme, Derin öğrenme, Evrişimli sinir ağları, Panoramik görüntüleme, Yapay zeka, Çoklu sınıflandırma, Computer imaging, Deep learning, Convolutional neural networks, Panoramic imaging, Artificial intelligence, Multi classification
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Derin öğrenme teknikleri, çok sayıda disiplinde karmaşık problemleri çözmede önemli bir potansiyel sergilemektedir; ancak başarıları, büyük ölçekli etiketli veri setlerine ve hesaplama açısından verimli model mimarilerine olan bağımlılık nedeniyle sınırlanmaktadır. Yüksek kaliteli verilerin yetersizliği ve mevcut modellerin sınırlılıkları performans önünde önemli engeller oluşturmaktadır.“Çekişmeli Üretici Ağlar ve Model Tümleştirme Teknikleri Kullanılarak Aktarımlı Öğretimde Veri ve Modele Dayalı Performans İyileştirme”başlıklı bu tez, söz konusu zorlukları farklı açılardan ele almakta ve sentetik veri üretimi, aktarımlı öğrenme, model birleştirme ve veri seti oluşturma stratejileri önermektedir. Böylece hem makine öğrenmesi yöntemlerinin geliştirilmesine hem de uygulamalı alanlarda performans artışına katkı sağlanmaktadır. Tezin ilk bölümü, saçılan sinyal verilerinden hedef sınıflandırmasına odaklanmaktadır. Derin öğrenme modelleri geniş çaplı eğitim verisi gerektirmekte; ancak gerçek yaşamda karmaşık hedefler için yeterli sayıda örnek bulunmamaktadır. Bu sorunu aşmak için, çekişmeli üretici ağlar ile sentetik sinyaller üretilerek modelin daha etkin bir şekilde öğrenmesi sağlanmıştır. Önerilen yaklaşımda, modeller öncelikle temel hedeflerin analitik olarak simüle edilmiş tek boyutlu saçılan verileri ile eğitilmiş, ardından gerçek hedeflerden ölçülmüş sinyaller kullanılarak aktarımlı öğrenme yoluyla ince ayar yapılmıştır. Son aşamada ise, ince ayar yapılmış modellerin tamamlayıcı özellikleri birleştirilerek bir topluluk modeli (ensemble) geliştirilmiş ve mevcut yöntemlere kıyasla doğruluk, duyarlılık ve özgüllük açısından üstün performans elde edilmiştir. Tezin ikinci bölümü, diş hekimliğinde kritik öneme sahip bir probleme odaklanmaktadır: mandibular üçüncü molar (M3M) ile inferior alveolar kanal (IAC) arasındaki temasın belirlenmesi. Panoramik radyografi (PR), başlangıçta standart görüntüleme yöntemidir; ancak sınırlılıkları nedeniyle uzman görüşleri arasında farklılıklar oluşmakta ve genellikle ek olarak konik ışınlı bilgisayarlı tomografi (CBCT) gerekmektedir. CBCT'nin erişilebilirliğinin düşük olması ve ek radyasyon yükü dezavantaj oluşturmaktadır. Bu çalışmada, CBCT ile doğrulanmış 1.478 M3M–IAC çifti içeren ve titizlikle etiketlenmiş, çok modelli verilerden oluşturulmuş ilk halka açık PR veri seti sunulmaktadır. Ayrıca, klinikte kullanılan radyolojik göstergeler el yapımı özellikler olarak çıkarılmış ve derin öğrenme tabanlı özelliklerle birlikte analiz edilmiştir. Deneysel sonuçlar, yapay sinir ağlarının (YSA), hibrit ve birleştirilmiş modellerin hem derin öğrenme modellerinden hem de uzmanlar arası değerlendirmelerden daha yüksek doğruluk ve güvenilirlik sağladığını göstermektedir. Tezin üçüncü bölümü ise karaciğer damar yapılarının abdominal bilgisayarlı tomografi anjiyografisi (CTA) görüntülerinden segmentasyonuna odaklanmaktadır. Bu görev, klinik açıdan büyük önem taşımasına rağmen damar anatomisinin karmaşıklığı, bireyler arası değişkenlik ve görüntüleme artefaktları nedeniyle zorludur. Bu çalışmada, karaciğer nakli donör adaylarına ait 40 CTA görüntüsünden oluşan ve titizlikle etiketlenmiş yeni bir veri seti olan VEELA (Vessel Extraction and Extrication for Liver Analysis) sunulmaktadır. VEELA, hem hepatik hem de portal venleri, damarların oldukça ince ve zor seçilen periferik kısımlarına kadar kapsamlı şekilde anotasyonlamasıyla benzerlerinden ayrılmaktadır. Çeşitli derin öğrenme modelleri üzerinde yapılan karşılaştırmalı analizler, temel performans ölçütlerini ortaya koymakta ve mevcut sınırlılıkları göstermektedir. Veri seti ve eğitimli modeller, CHAOS yarışmasının devamı niteliğindeki VEELA Grand Challenge aracılığıyla araştırmacıların kullanımına sunulmuştur. Sonuç olarak, bu tez, derin öğrenmenin performansını kısıtlayan veri yetersizliği ve model sınırlılıklarını aşmaya yönelik yenilikçi katkılar sunmaktadır. Üretici ağ tabanlı sentetik veri üretimi, aktarımlı öğrenme, model birleştirme ve kamuya açık veri setleri oluşturma yoluyla hem yöntemsel hem de uygulamalı düzeyde ilerlemeler sağlanmıştır. Önerilen yaklaşımların sinyal sınıflandırma, dental radyografi ve karaciğer görüntüleme alanlarına uygulanması, geliştirilen yöntemlerin çok yönlülüğünü ve dönüştürücü potansiyelini ortaya koymaktadır. Bu katkılar, farklı bilimsel ve klinik alanlarda daha doğru, erişilebilir ve genellenebilir çözümler için bir temel oluşturmaktadır.

Özet (Çeviri)

Deep learning techniques have demonstrated remarkable potential in addressing complex real-world problems across multiple disciplines; however, their success critically depends on large-scale annotated datasets and computationally efficient model architectures. The scarcity of high-quality data and the limitations of existing models pose significant barriers to performance. This thesis, titled“Data and Model Based Performance Improvement in Transfer Learning by Using Generative Adversarial Networks and Model Fusion Techniques,”tackles these challenges from different perspectives and across distinct domains. Specifically, it introduces novel strategies for synthetic data generation, transfer learning, model fusion, and dataset creation, thereby contributing both to methodological advancements in machine learning and to their practical applications in medical imaging and signal classification. The first part of this thesis focuses on target classification from scattered signal data. While deep learning models require vast amounts of training data, real-life complex targets often lack sufficient samples for robust model training. To overcome this limitation, generative adversarial networks (GANs) are employed to produce synthetic signals, enabling more effective model convergence. A novel transfer learning system is then proposed: models are initially trained on analytically simulated one-dimensional scattered data of elementary targets, and later fine-tuned using measured signals of real targets. Finally, an ensemble strategy fuses the complementary strengths of these fine-tuned models, leading to a system that achieves superior accuracy, sensitivity, and specificity compared to existing approaches. The second part addresses a clinically significant problem in dentistry: determining the contact relationship between the mandibular third molar (M3M) and the inferior alveolar canal (IAC). Panoramic radiography (PR) is the standard initial imaging modality, but its inherent limitations cause variability among expert evaluations, often necessitating cone-beam computed tomography (CBCT), which is less accessible and involves higher radiation exposure. To mitigate these issues, this study introduces the first publicly available, rigorously annotated PR dataset of 1,478 M3M–IAC pairs, with CBCT-confirmed ground truth. In addition, hand-crafted radiological indicators, commonly used by clinicians, are systematically analyzed alongside deep learning features. Comparative experiments reveal that artificial neural networks (ANNs), as well as hybrid and concatenated models, achieve performance surpassing both deep models and inter-expert agreement, demonstrating the clinical relevance and robustness of the proposed framework. The third part of the thesis focuses on liver vasculature segmentation from abdominal computed tomography angiography (CTA) scans, a task of high clinical importance yet persistent difficulty due to anatomical complexity, variability among patients, and imaging artifacts. To advance research in this domain, the VEELA (Vessel Extraction and Extrication for Liver Analysis) dataset is introduced, comprising 40 annotated CTA scans from liver transplantation donor candidates. Unlike previous datasets, VEELA provides detailed annotations of both hepatic and portal veins, extending into peripheral regions where vessels are thin and challenging to detect. Benchmarking studies with several state-of-the-art deep learning architectures establish baseline metrics and highlight current limitations. The dataset and models are publicly released via the VEELA Grand Challenge, extending the CHAOS initiative and encouraging future research on liver vessel segmentation and clinical applications. In conclusion, this thesis contributes to both the methodological advancement and practical applicability of deep learning in domains where data scarcity and model limitations hinder performance. By leveraging GAN-based synthetic data generation, transfer learning, model fusion, and the creation of publicly available benchmark datasets, it addresses fundamental challenges in machine learning. Beyond methodological innovation, the applications in signal classification, dental radiography, and liver imaging underscore the versatility and transformative potential of the proposed approaches. Together, these contributions pave the way for more accurate, accessible, and generalizable solutions across diverse scientific and clinical fields.

Benzer Tezler

  1. Tez No

    960524

    Özellik mühendisliğinde transfer öğrenme yaklaşımı ve büyük dil modeli entegrasyonuyla açıklanabilir otomatik makine öğrenimi çerçevesi

    Explainable automated machine learning framework with transfer learning approach and large language model integration in feature engineering

    MERVE SIRT

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CAN EYÜPOĞLU

  2. Tez No

    678322

    Active learning based human in the loop deep object detectionfor scalable data annotation

    Ölçeklenebilir veri etiketlenmesi için aktif öğrenme tabanlı insan katılımlı derin nesne tespiti sistemi

    ATABERK ARMAN KAYHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

  3. Tez No

    682118

    Transfer learning based facial emotion recognition and action unit detection

    Transfer öğrenme tabanlı yüz ifadesinden duygu tanıma ve eylem birimi tespiti

    SÜLEYMAN ENGİN BAĞLAYİCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE

  4. Tez No

    714907

    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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. REMZİ YILDIRIM

  5. Tez No

    947971

    Kanal tabanlı özellik temsili ve derin öğrenmeye dayalı uykululuk sınıflandırması

    Drowsiness classification based on channel-based feature representation and deep learning

    MUSTAFA RIFAT ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ

Geri Dön