Yazarlar
- Kadir Yalçın(1)
- Recep Kiriş(1)
Yayınlar
- Yüksek Lisans TeziAçık Erişim2025Otomatik avuç içi bölütlenmesinin gerçekleştirilmesinde farklı derin öğrenme modellerinin performanslarının incelenmesi
Kadir Yalçın
Tıbbi 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.
- Yüksek Lisans TeziAçık Erişim2021Görüntü segmentasyonu ile entegre edilmiş evrişimli sinir ağları ile deprem sonrası hasarlı binaların otomatik olarak tespiti
Recep Kiriş
Doğal afet türlerinden biri olan depremlerin meydana gelmesinden sonra birçok afetzedenin hayatını kurtarabilmek ve kriz yönetimini daha mükemmel sonuçlandırabilmek için afet bölgesinde bulunan hasarlı binaları mümkün olduğunca en kısa sürede tespit etmek ve tespit edilen hasarlı binalara müdahalelerde bulunmak son derece önemlidir. Günümüzde, deprem sonrasında hasarlı binaların tespiti afet bölgesinde görev alan yetkililer tarafından gözlemlenerek, uydu görüntülerinden veya helikopter gibi hava araçlarından alınan görüntülerden faydalanılarak yapılmaktadır. Yetkililerin gözlemleriyle hasarlı binaların tespiti zaman açısından ciddi kayıplar doğururken, tespitlerin doğruluğu bakımından da güvenilirliği tartışılır düzeydedir. Bu çalışmada, deprem ve sel gibi beklenmedik afetlerden sonra hasarlı veya tahrip olmuş binaların otomatik olarak tespit edilebilmesi için yapay zeka tabanlı sistemler test edilmiştir. Çalışma sırasında görüntü sınıflandırma literatüründe sıklıkla kullanılan VGG-16, VGG-19 ve NASNet evrişimli sinir ağı modelleri kullanılmıştır. Bu modelleri etkili bir şekilde uygulayabilmek için, önce çalışmada kullanılan tüm görüntüler K-Means kümeleme algoritması ile segmentlere ayrılmıştır. Sonrasında, çalışmanın ilk aşaması için, "hasarlı binalar" ve "normal binalar" olarak etiketlenen resimler sınıflandırılmıştır. VGG-19 modeli test setinde %90 doğruluk oranı elde edilmiştir. Çalışmanın ikinci aşamasında "hasarlı binalar", "daha az hasarlı binalar" ve "normal binalar" olarak etiketlenen resimler için çok sınıflı bir sınıflandırma algoritması oluşturulmuştur. Bu aşamada VGG-19, VGG-16 ve NASNet test setinde sırasıyla yaklaşık %69, %66 ve %62.5 doğruluk oranı elde edilmiştir.
