Nesne tespiti ve nesne tabanlı segmentasyonda doğruluğu artırmaya yönelik çok ölçekli etiketleme yöntemleri
Multi-scale annotation methods for improving accuracy in object detection and instance segmentation
- Tez No: 993859
- Danışmanlar: DR. ÖĞR. ÜYESİ TOLGA TURAY, DR. ÖĞR. ÜYESİ ONUR ERDEM KORKMAZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Bilgisayarla görme, Derin öğrenme, Görüntü bölütleme, Nesne tespiti, Computer vision, Deep learning, Image segmentation, Object detection
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu tez çalışması birbirinden bağımsız iki özgün araştırmayı içermektedir: (i) nesne tespiti ve örnek segmentasyonu alanları için çok ölçekli veri etiketleme stratejilerinin geliştirilmesi ve önerilen SML (Small–Medium–Large) ile SML-IS (Small–Medium–Large for Instance Segmentation) etiketleme yöntemleriyle etiket derinliğinin artırılmasının modellerin yakınsama davranışı, ortalama doğruluk metriği (mAP) ve genelleme yeteneği üzerindeki etkilerinin değerlendirilmesi; (ii) görüntü tabanlı tekil veri artırma yöntemlerinin (data augmentation) model performansı (mAP) üzerindeki etkileri incelenmiştir. Yöntem: İlk aşamada, önerilen SML/SML-IS etiketleme tekniği kullanılarak her görüntüde etiketleme derinliği, geleneksel olarak kullanılan orta (Medium, M) ölçekli etiketin yanı sıra küçük (Small, S) ve geniş (Large, L) ölçeklerinde iki yeni anotasyon ile artırılmış ve her örnek için üç ayrı etiket oluşturulmuştur. Yöntem, COCO formatında özel olarak hazırlanan bir veri seti ile Kvasir-SEG tıbbi veri seti üzerinde uygulanmış; Faster R-CNN, Mask R-CNN ve YOLO modelleri eğitilerek SML/SML-IS yöntemlerinin model performansı üzerindeki etkileri karşılaştırmalı olarak değerlendirilmiştir. İkinci aşamada ise, özel hazırlanan veri seti üzerinde sekiz farklı veri artırma tekniği tekil ve kombinasyon hâlinde uygulanmıştır. Bu deneylerde de Faster R-CNN ve YOLO modelleri kullanılmış ve önerilen tekniklerin performansa etkileri karşılaştırmalı analizlerle incelenmiştir. Bulgular: İlk aşamada, önerilen SML/SML-IS etiketleme yöntemi hem nesne tespiti hem de örnek segmentasyonu görevlerinde belirgin performans artışı sağlamıştır. mAP değerlerinde % 6–8 arasında yükseliş gözlenmiş; modellerin daha hızlı yakınsadığı ve daha düşük son kayıp değerlerine ulaştığı belirlenmiştir. Çok ölçekli etiketleme, tek ölçekli etiketlemeye kıyasla daha güçlü bir genelleme kapasitesi ve daha yüksek dayanıklılık sunmuştur. İkinci aşamadaki veri artırma çalışmalarında ise renk temelli (colour-based) tekniklerin genel olarak bozulma temelli (distortion-based) yöntemlerden daha başarılı olduğu; aşırı ve çoklu kombinasyonların over-regularization etkisiyle performansı düşürebildiği, orta düzey kombinasyonların ise dengeli bir performans artışı sağladığı görülmüştür. Sonuçlar: Birbirinden bağımsız şekilde yürütülen her iki çalışmada elde edilen bulgular, hem çok ölçekli anotasyonlarla etiketleme derinliğinin artırılmasının hem de dikkatle seçilmiş veri artırma stratejilerinin model performansı üzerinde önemli etkiler yarattığını göstermektedir. Özellikle tıbbi görüntüleme veya benzeri veri miktarının sınırlı olduğu alanlarda, etiket kalitesinin artırılması ek veri toplamaya gerek kalmadan etkili bir çözüm sunmaktadır. Bu nedenle önerilen SML/SML-IS yaklaşımının pratik uygulamalarda sıkça tercih edilebilecek bir yöntem olacağı öngörülmektedir. Ayrıca veri artırma çalışmalarında elde edilen bulgular, araştırmacılar için model eğitimi sürecinde kullanılabilecek özgün göstergeler sağlamaktadır.
Özet (Çeviri)
Objective: This thesis comprises two independent research studies: (i) the development of multi-scale data annotation strategies for object detection and instance segmentation, and the evaluation of how increasing annotation depth through the proposed SML (Small–Medium–Large) and SML-IS (Small–Medium–Large for Instance Segmentation) methods affects model convergence behaviour, mean Average Precision (mAP), and generalization performance; (ii) the investigation of the effects of image-based single data augmentation techniques on model performance (mAP). Method: In the first stage, the proposed SML/SML-IS annotation technique was applied by enriching each image with two additional annotations—Small (S) and Large (L)—in addition to the traditionally used Medium (M) scale, resulting in three labels per instance. The method was implemented on a custom COCO-formatted dataset and the Kvasir-SEG medical dataset, and Faster R-CNN, Mask R-CNN, and YOLO models were trained to evaluate the performance impact of SML/SML-IS in a comparative manner. In the second stage, eight different data augmentation techniques were applied individually and in combination on a specially prepared dataset. In these experiments, Faster R-CNN and YOLO models were also used, and the effects of the proposed techniques on performance were examined through comparative analyses. Findings: In the first stage, the proposed SML/SML-IS annotation method provided a clear performance improvement in both object detection and instance segmentation tasks. An increase of 6–8% in mAP was observed, and models converged faster with lower final loss values. Multi-scale annotation offered stronger generalization capacity and higher robustness compared to single-scale annotation. In the second stage, colour-based techniques generally performed better than distortion-based methods; excessive and highly combined augmentations led to over-regularization, while moderate combinations yielded balanced performance improvements. Conclusion: The findings obtained from both independently conducted studies demonstrate that increasing annotation depth through multi-scale labelling and employing carefully selected data augmentation strategies create significant improvements in model performance. Particularly in domains such as medical imaging, where the number of available images may be limited, improving annotation quality presents an effective solution without the need for additional data collection. For this reason, the proposed SML/SML-IS approach is expected to become a frequently preferred method in practical applications. Furthermore, the results of the augmentation study provide researchers with unique indicators that can be used during model training processes.
Benzer Tezler
- 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
- X-ışını fındık görüntülerinde kusur belirlemeye yönelik derin öğrenme tabanlı bir yaklaşım
A deep learning based approach for defect detection in x-ray hazelnut images
SULTAN MURAT YILMAZ
Doktora
Türkçe
2025
ZiraatSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
DR. ÖĞR. ÜYESİ ERKAN GÜLER
- Monodepth-based object detection and depth sensing for autonomous vehicle vision systems
Monodepth tabanlı otonom araç görüş sistemleri için nesne tespiti ve derinlik algılama
EMRE ÇETİN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN SEÇİNTİ
- Yapay zeka tabanlı görüntü işleme teknikleri ile nesnelerin modellenmesi
Modeling objects with artificial intelligence-based imageprocessing techniques
ÖMER FARUK EREKEN
Doktora
Türkçe
2026
Yönetim Bilişim SistemleriDokuz Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. ÇİĞDEM TARHAN
- Beyin damar görüntülerinde dallanma ve uç noktalarin derin öğrenme yöntemleri ile tespiti
Detection of branches and end points in cerebral vessel images with deep learning methods
SAMET KAYA
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERNA KİRAZ
PROF. DR. ALİ YILMAZ ÇAMURCU