Page 8 - E-Tez Bülteni Mart 2025, SAYI 1
P. 8

Tez Özeti

        Kamuflaj görüntülerde yer alan kamufle olmuş nesneler arka planla yakın doku, desen ve renk özelliklerine sahip olduklarından, tespit
        edilmeleri  oldukça  zordur.  Zayıf  sınırlara  ve  arka  plana  benzer  desenlere  sahip  olduklarından  mevcut  ikili  bölütleme  çözümleri
        kamufle olmuş nesnenin tespit edilmesi problemiyle kolayca başa çıkamamaktadır. Kamuflajlı nesne tespiti (COD) arka planla yüksek
        derecede  benzerlik  gösteren  nesnelerin  tespit  edilmesini  amaçlamaktadır.  Bu  tez  çalışmasında  ERVA  1.0  orijinal  kamuflaj  veri  seti
        oluşturularak kullanılmıştır. COD problemi için bu tez çalışmasında bölütleme ve nesne tanıma olmak üzere iki aşamalı bir çözüm
        sunulmaktadır.  ERVA  1.0  veri  seti  üzerinde  yer  alan  tüm  test  görüntülerinin  doku  özellikleri  bölütleme  işlemi  için  Gabor  Filtre
        kullanılarak  çıkarılmıştır.  Çıkarılan  bu  özellikler  K-means  algoritması  yardımıyla  kümelenerek  orijinal  görüntü  doku  özelliklerine  göre
        farklı bölgelere ayrılmıştır. Bu bölgelerdeki nesnelerin tespit edilmesi için LBP ve Öklid uzaklık hesabı kullanılmıştır. Daha sonra nesnenin
        türünün  tahmin  edilmesi  için  derin  öğrenme  tekniklerinden  önceden  eğitilmiş  modeller  kullanılmıştır.  Çalışmada  bölütleme  başarısı
        Structural Similarity yöntemiyle %87.89, Dice Similarity Coefficient yöntemi ile %83.64 başarı oranı hesaplanmıştır. Bölütleme sonrası
        elde edilen nesne türünün tespit edilmesi için derin öğrenme önceden eğitilmiş modeller kullanılmıştır. Artırılmamış veri ile Deney 1 ve
        veri artırma yöntemi uygulanarak artırılmış veri ile Deney 2 yapılmıştır. Deney 1 için en yüksek başarı oranı InceptionResNetV2 modeli
        ile %92.29 ve Deney2 için en yüksek başarı oranı ise DenseNet121 modeli ile %94.81 olarak elde edilmiştir.
            Anahtar kelimeler: Bölütleme, Kamuflaj Görüntüler, Kamuflajlı Nesne Tanıma, Doku Analizi, Kamuflaj Görüntü Sınıflandırma
   3   4   5   6   7   8   9   10   11   12   13