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.

RDL DOI10.71008/gumushane.thesis.2025.225indekslendi

Yalcin, Kadir; Dogan, Ramazan Ozgur; Dogan, Hulya; Bingol, Ozkan

Biometric technologies have been widely adopted in various commercial products, ranging from security systems to personal devices, due to their exceptional reliability and user-friendliness. Among these, palmprint biometrics has gained increasing attention for its advantages, such as ease of use, a larger surface area, and the ability to capture more features compared to other biometric methods. A typical palmprint biometric system involves five key stages: (a) Image Acquisition, (b) Hand Segmentation, (c) Pattern Generation, (d) Feature Extraction, and (e) Verification/Identification. The overall success of the system depends on the effectiveness of each stage, with hand segmentation being crucial for identifying the most relevant features for accurate verification. This study aims to achieve high-accuracy biometric recognition by segmenting hands from images captured in uncontrolled environments with complex backgrounds. Accuracy (ACC), Intersection over Union (IoU), F1-Score, and Dice Coefficient are the four critical metrics used to assess the performance of segmentation techniques. The findings demonstrate that the U-Net + ViT and MA-Net + ResNet34 techniques outperform traditional auto-encoder methods in both quantitative performance metrics and visual analysis, leading to significantly improved hand segmentation for biometric systems.