2026-10-23T18:47:56Zhttps://gumushane-rdlopen.rawdatalibrary.net/oai/request

oai:gumushane-rdlopen.rawdatalibrary.net:gumushane/217072026-10-22T12:06:06Zopenairedrivercom_gumushane_10000col_gumushane_10001

Otomatik avuç içi bölütlenmesinin gerçekleştirilmesinde farklı derin öğrenme modellerinin performanslarının incelenmesiInvestigation of the performances of different deep learning models in the implementation of automatic palm print segmentationKadir YalçınDr. Öğr. Üyesi Ramazan Özgür DoğanSemantic segmentationImage segmentationImage processing-computer assistedImage recognitionDigital image processingMedical imagingArtificial intelligenceArtificial intelligence and machine learning coursePattern recognitionHuman-computer interactionAnlamsal bölütlemeGörüntü bölütlemeGörüntü işleme-bilgisayarlıGörüntü tanımaSayısal görüntü işlemeTıbbi görüntülemeYapay zekaYapay zeka ve makine öğrenmesi dersiÖrüntü tanımaİnsan-bilgisayar etkileşimiTıbbi görüntüleme teknolojilerindeki ilerlemeler, özellikle derin öğrenme tabanlı yöntemlerin kullanımıyla, el bölütleme gibi spesifik görevlerde dikkat çekici başarılar elde etmiştir. El bölütleme, biyometrik doğrulama sistemlerinde kimlik tespiti için kritik bir öneme sahiptir. Avuç içi damar yapıları, parmak uzunlukları ve deri dokusu gibi benzersiz biyometrik özelliklerin doğru bir şekilde çıkarılması, el bölütleme algoritmalarının doğruluğuna bağlıdır. Bu tez çalışmasında, el bölütleme probleminin çözümü için oto kodlayıcı tabanlı U-Net, MA-Net, FPN ve PSP-Net modelleri, Vision Transformer, EfficientNet-B5 ve ResNet-34 omurgaları ile değerlendirilmiştir. Modeller, Doğruluk (ACC), Intersection over Union (IoU), Dice katsayısı ve F1 skor gibi metriklerle analiz edilmiştir. Sonuçlar, Vision Transformer ile entegre edilen U-Net modelinin bölütleme de en yüksek başarı sağladığını göstermiştir (IoU: 0.8917, Dice: 0.9892). MA-Net, ResNet-34 omurgasıyla kullanıldığında en yüksek doğruluk değerine (0.9921) ulaşmıştır. Ayrıca bu kombinasyon, en yüksek F1 skorunu (0.9584) da elde etmiştir. EfficientNet-B5, MA-Net ve FPN ile etkili sonuçlar sunmuştur. Çalışmanın sonuçları, derin öğrenme modelleriyle elde edilen bölütleme başarısının biyometrik doğrulama sistemlerinin güvenilirliğini artırabileceğini ortaya koymaktadır. Özellikle U-Net - Vision Transformer ve MA-Net – ResNet-34 kombinasyonları, elin bölütlenmesinde yüksek performans göstermiştir. Bu bulgular, el bölütleme uygulamalarında model ve omurga seçimlerinin kritik olduğunu vurgulamaktadır.Advances in medical imaging technologies, particularly with the use of deep learning based methods, have achieved remarkable success in specific tasks such as hand segmentation. Hand segmentation is of critical importance for identification in biometric verification systems. Accurate identification of unique biometric features such as palm vein structures, finger lengths and skin texture depends on the accuracy of hand segmentation algorithms. In this study, autoencoder based U-Net, MA-Net, FPN and PSP-Net models have been evaluated with Vision Transformer, EfficientNet-B5 and ResNet-34 backbones for solving the hand segmentation problem. The models were analyzed with metrics such as Accuracy (ACC), Intersection over Union (IoU), Dice coefficient and F1 score. The results showed that the U-Net model integrated with Vision Transformer provided the highest success in segmentation (IoU: 0.8917, Dice: 0.9892). MA-Net achieved the highest accuracy value (0.9921) when used with ResNet-34 backbone. In addition, this combination achieved the highest F1 score (0.9584). EfficientNet-B5 provided effective results with MA-Net and FPN. The results of the study revealed that the segmentation success obtained with deep learning models could increase the reliability of biometric verification systems. In particular, U-Net - Vision Transformer and MA-Net – ResNet-34 combinations showed high performance in hand segmentation. The findings emphasize that model and backbone selections are critical in hand segmentation applications.Gümüşhane University2025Master Thesishttps://rdlopen.rawdatalibrary.net/r/gumushane/21707https://doi.org/10.71008/gumushane.thesis.2025.225trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://gumushane-rdlopen.rawdatalibrary.net/tr/items/gumushane/21707