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