Explainable deep learning for car image classification via concept bottleneck models
Kavramsal darboğaz modelleri ile açıklanabilir derin öğrenme tabanlı araba görüntü sınıflandırması
- Tez No: 985010
- Danışmanlar: PROF. DR. FATİH VEHBİ ÇELEBİ, DR. ÖĞR. ÜYESİ AYŞE KELEŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Kavramsal Darboğaz Modeli (Concept Bottleneck Model - CBM) mimarisinin araç görsellerinin sınıflandırılmasına yönelik yenilikçi bir derin öğrenme (deep learning) uygulaması sunmaktadır ve yapay zekâ alanında yorumlanabilirlik ile şeffaflık ilkelerine odaklanmaktadır. Araştırmanın temel amacı, yalnızca araç türlerini yüksek doğrulukla sınıflandıran bir sistem geliştirmek değil, aynı zamanda modelin karar mekanizmasını insan tarafından anlaşılabilir görsel kavramlar aracılığıyla açıklayabilen bir yapı oluşturmaktır. Bu kapsamda iki aşamalı bir CBM mimarisi uygulanmıştır. İlk aşamada, ResNet-18 tabanlı bir kavram tahminleyici (concept predictor) model eğitilerek araç görsellerinden“2 kapılı”,“üstü açılabilir”,“köşeli”gibi 20 adet ikili görsel özelliğin tahmini gerçekleştirilmiştir. İkinci aşamada ise, bu kavramsal çıktıları girdi olarak kullanan tam bağlantılı bir yapay sinir ağı aracılığıyla araç sınıfı etiketleri tahmin edilmiştir.Model, Cabrio, Coupe, Crossover, Hatchback, Pickup, Sedan, StationWagon ve SUV olmak üzere toplam sekiz farklı araç sınıfını ayırt edebilecek şekilde eğitilmiştir. Modelin eğitimi ve değerlendirilmesi için, etiketlenmiş araç görselleri ve bu görseller için elle belirlenen görsel kavramlardan oluşan özel bir veri kümesi kullanılmıştır. Deneysel sonuçlar, sınıflandırma görevinde %82 doğruluk oranına ulaşıldığını ve modelin her bir tahmininde kavramsal açıklamalar sunabildiğini göstermektedir. Önerilen yaklaşım, geleneksel uçtan uca (end-to-end)“kara kutu”modellerin aksine, karar süreçlerinin içsel kavramlarla izlenebilir olmasını sağlayarak modelin yorumlanabilirliğini önemli ölçüde artırmaktadır. Bu yönüyle insan merkezli doğrulama, model hata analizi ve sistem güvenilirliği gibi kritik mühendislik süreçlerine katkı sunmaktadır. Gelecekteki çalışmalar, belirsizlik tahmini (uncertainty estimation) entegrasyonu ve veri kümesinin genişletilerek modelin genelleme kabiliyetinin artırılması yönünde sürdürülecektir.
Özet (Çeviri)
This study presents an innovative deep learning application of the Concept Bottleneck Model (CBM) architecture for the classification of car images, with a particular focus on interpretability and transparency in the field of artificial intelligence. The main objective of the research is not only to develop a system that can classify vehicle types with high accuracy, but also to construct a model capable of explaining its decision-making process through human-understandable visual concepts. In this context, a two-stage CBM architecture was implemented. In the first stage, a ResNet-18 based concept predictor model was trained to estimate 20 binary visual attributes such as“2-door,”“sunroof,”or“boxy”from car images. In the second stage, a fully connected neural network was trained to predict the vehicle class labels using the predicted conceptual outputs as input. The model was designed to distinguish between 8 car types: Cabrio, Coupe, Crossover, Hatchback, Pickup, Sedan, StationWagon, and SUV. For the training and evaluation of the model, a custom dataset composed of labeled vehicle images and manually annotated visual concepts was used. Experimental results demonstrated that the model achieved a classification accuracy of 82% and was able to provide conceptual explanations for each prediction. Unlike traditional end-to-end“black box”models, the proposed approach significantly enhances model interpretability by enabling decision processes to be traced through internal concepts. In this way, it contributes to critical engineering processes such as human-centered validation, model debugging, and system reliability analysis. Future work will focus on integrating uncertainty estimation and expanding the dataset to improve the model's generalization capability.
Benzer Tezler
- Açıklanabilir yapay zeka ve akustik sinyaller kullanılarak endüstriyel makinelerde anomali tespiti
Anomaly detection in industrial machines using explainable ai and acoustic signals
BETÜL SENA ÇAĞLAR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Derin pekiştirmeli öğrenmeye dayalı otonom sürüş için açıklanabilir yapay zeka
Explainable artificial intelligence (xai) for deep reinforcement learning based autonomous driving
MUHSİN KOMPAS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İBRAHİM KÖK
- Kalp rahatsızlıklarının tespitinde EKG sinyalleri üzerinde açıklanabilir derin öğrenme modellerinin geliştirilmesi
Development of explainable deep learning models on ECG signals for detection of cardiac disorders
FATMA MURAT DURANAY
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YAKUP DEMİR
DOÇ. DR. ÖZAL YILDIRIM
- Metin verilerinde bağlam temelli açıklanabilir duygu analizi için hibrit derin öğrenme modeli geliştirme
Development of a hybrid deep learning model for context-aware explainable sentiment analysis in textual data
ERCAN ATAGÜN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR BİROĞUL
DR. ÖĞR. ÜYESİ GÜNAY TEMÜR
- Mikroskobik kan yayma görüntülerinde orak hücre tespiti için hibrit görüntü iyileştirme ve açıklanabilir derin öğrenme yaklaşımı
A robust and explainable deep learning pipeline with hybrid image enhancement for sickle cell detection
TOLGA AŞAR
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAHYA DOĞAN