Yazarlar
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 Erişim2024Sinir ağlarında özelleştirilmiş değerler ile ağırlıkların başlatılması ve sınıflandırma sonuçlarına etkilerinin incelenmesi
Hüseyin Kamer Kara
Evrişimli sinir ağı modellerinin evrişim katmanlarının başlangıç değerlerinin belirlenmesi, ağın öğrenme sürecini ve nihai performansını doğrudan etkileyen kritik bir konudur. Yanlış belirlenmiş başlangıç değerleri, gradyan patlaması veya yok olması gibi sorunlara yol açabilir. Bu nedenle, doğru ağırlık başlatma stratejilerinin geliştirilmesi, derin öğrenme modellerinin etkinliğini ve verimliliğini artırmak için önemlidir. Bu tezde, ESA'lardaki evrişim katmanlarının başlangıç değerlerinin belirlenmesinde kullanılan yöntemlerin avantaj ve dezavantajları karşılaştırılmıştır. Xavier, He, sabit değer ve sıfır değer başlatma gibi yaygın yöntemlerin yanı sıra, Gabor filtreleri gibi yenilikçi yaklaşımlar da ele alınmıştır. Gabor filtrelerinin biyolojik görme sistemini taklit eden özellikleri sayesinde, ağırlık başlatma olarak kullanıldığında ağın öğrenme sürecini hızlandırma ve genelleme performansını artırma potansiyeli bulunmaktadır. Bu yöntemlerin performans üzerindeki etkileri, literatürde yaygın olarak kullanılan FashionMNIST veri seti ve IITD Temassız Avuçizi veritabanı ile test edilmiştir. Deneysel çalışmalarda, ağırlık başlatma yöntemlerinin doğrudan performans üzerindeki etkilerini gözlemlemek için basit ağ modelleri kullanılmıştır. Bu yaklaşım, farklı başlatma stratejilerinin teorik avantajlarını pratikte gözlemlemeyi ve karşılaştırmayı mümkün kılmaktadır. Ortak parametrelerin kullanılması, ağırlık başlatma yöntemlerinin karşılaştırılabilirliğini artırmakta ve hangi yöntemin hangi koşullar altında daha üstün performans sergilediğini anlamayı kolaylaştırmaktadır. Bu metodoloji, çalışmanın sonuçlarının güvenilirliğini ve geçerliliğini artırarak literatüre sağlam ve tekrarlanabilir bulgular sunmayı amaçlamaktadır.
