Dengesiz görüntü veri kümelerinde nesne tanıma için görsel transformatör tabanlı öznitelik çıkarma ve makine öğrenmesi sınıflandırıcılarını dayalı hibrit bir yaklaşım
A hybrid approach based on visual transformer-based feature extraction and machine learning classifiers for object recognition in unbalanced image datasets
- Tez No: 992678
- Danışmanlar: DR. ÖĞR. ÜYESİ YILDIZ AYDIN
- 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: Erzincan Binali Yıldırım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, Görsel Transformatör (Vision Transformer, ViT) modelinden elde edilen özniteliklerin klasik makine öğrenmesi sınıflandırıcıları olan LightGBM, AdaBoost, ExtraTrees ve Lojistik Regresyon ile birleştirilerek nesne tanıma performansının artırılmasını amaçlamaktadır. Araştırmada, Caltech-101 veri seti üzerinde gerçekleştirilen deneyler sonucunda farklı öznitelik çıkarıcı–sınıflandırıcı kombinasyonları karşılaştırılmıştır. Özellikle ViT ve Lojistik Regresyon kombinasyonu, önerilen yöntem olarak öne çıkmış ve %95,5 doğruluk ile %89,7 duyarlılık değerlerine ulaşmıştır. Bu sonuçlar, önerilen yaklaşımın mevcut son teknoloji yöntemlere kıyasla önemli ölçüde daha yüksek performans sergilediğini ortaya koymaktadır.Elde edilen bulgular, ViT modelinden çıkarılan özniteliklerin klasik sınıflandırıcılarla sentezlenmesinin nesne tanıma görevlerinde kayda değer ilerlemelere yol açabileceğini göstermektedir. Önerilen hibrit yöntem, derin öğrenme tabanlı otomatik öznitelik çıkarımının yüksek temsil gücünü; geleneksel makine öğrenimi sınıflayıcılarının anlaşılabilirliği ve düşük hesaplama maliyeti gibi avantajlarıyla birleştirerek doğruluk, işlem performansı ve genel sistem verimliliği açısından önemli iyileştirmeler sağlama potansiyeline sahiptir. Ayrıca, gerçek zamanlı analizler ve sınırlı donanıma sahip akıllı sistem uygulamaları için etkin bir çözüm alternatifi olarak öne çıkmaktadır.
Özet (Çeviri)
This study aims to improve object recognition performance by combining features obtained from the Vision Transformer (ViT) model with classical machine learning classifiers such as LightGBM, AdaBoost, ExtraTrees, and Logistic Regression. In the research, different feature extractor-classifier combinations were compared as a result of experiments conducted on the Caltech-101 dataset. In particular, the combination of ViT and Logistic Regression stood out as the recommended method, achieving 95.5% accuracy and 89.7% sensitivity. These results demonstrate that the proposed approach exhibits significantly higher performance compared to existing cutting-edge methods. The findings show that synthesizing features extracted from the ViT model with classical classifiers can lead to significant improvements in object recognition tasks. The proposed hybrid method offers high representational power for deep learning-based automated feature extraction; By combining the advantages of traditional machine learning classifiers, such as intelligibility and low computational cost, it has the potential to deliver significant improvements in accuracy, processing performance, and overall system efficiency. Furthermore, it stands out as an effective alternative solution for real-time analytics and intelligent system applications with limited hardware.
Benzer Tezler
- Dengesiz ve uzun kuyruklu dağılımlar ile dayanıklı tıbbi görüntü sınıflandırması
Robust medical image classification with imbalanced and long-tailed distributions
ZEYNEP ÖZDEMİR
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER ÖZGÜR TANRIÖVER
DOÇ. DR. HACER YALIM KELEŞ
- A novel approach based on bagging and boosting for imbalanced classification problems
Dengesiz sınıflandırma sorunlarına torbalama ve arttırma esaslı yeni bir yaklaşım
MUHAMMED ŞAFAK PİNAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiAbdullah Gül ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKGÜN
- Deri kanseri sınıflandırılmasında derin öğrenme modellerinin performans analizi
Performance analysis of deep learning models in skin cancer classification
MUSTAFA ADIGÜZEL
Yüksek Lisans
Türkçe
2025
DermatolojiAtatürk ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASEMİN GÜLTEPE
- 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
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- New proposed methods for synthetic minority over-sampling technique
Sentetik azınlık aşırı örnekleme tekniği için yeni önerilen yöntemler
HAKAN KORUL
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN