Derin öğrenme algoritmaları ile otonom araçların görme algılarının geliştirilmesinde yeni bir yaklaşım
A new approach to develop visual perception of autonomous vehicles with deep learning algorithms
- Tez No: 975539
- Danışmanlar: DR. ÖĞR. ÜYESİ ZAHRA ELMI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Sabahattin Zaim Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, otonom araçların yol yüzeyi algısının geliştirilmesi ve özellikle çukur tespitinde karşılaşılan zorlukların aşılmasına yönelik yenilikçi bir derin öğrenme yaklaşımını ele almaktadır. Mevcut derin öğrenme modellerinin (CNN, vs.) sınırlılıkları literatürde tartışılırken, çalışmada Vision Transformer (ViT) ve Uzun Kısa Süreli Bellek (LSTM) modellerinin hibrit bir yapı altında entegrasyonu önerilmiştir. Geliştirilen model, farklı aydınlatma, perspektif ve yol yüzeyi koşullarını içeren çeşitli veri setleri üzerinde eğitilmiş ve veri artırma teknikleri ile desteklenmiştir. Deneysel sonuçlar, hibrit modelin çukur tespitinde yüksek doğruluk (%94.2) ve yüksek kesinlik (%99.17) ve yüksek bir duyarlılık (%90.61) sağladığını, bu sayede otonom sürüş sistemlerinin çevresel algısını ve yol güvenliğini artırmada etkili bir çözüm sunduğunu ortaya koymaktadır.
Özet (Çeviri)
This study addresses the enhancement of visual perception in autonomous vehicles, focusing specifically on the detection of road potholes. While the limitations of conventional deep learning models (e.g., CNNs) are well documented in the literature, this research proposes a novel hybrid approach that integrates Vision Transformer (ViT) and Long Short-Term Memory (LSTM) networks. The developed model is trained and validated on diverse datasets comprising images captured under various lighting conditions, perspectives, and road surface types, supported by advanced data augmentation techniques. Experimental results demonstrate that the hybrid model achieves high accuracy (94.92%), high precision (99.17%) and high recall (90.61%) in potholes detection, offering an effective solution to improve the environmental perception and road safety of autonomous driving systems.
Benzer Tezler
- DRONE AND BIRD CLASSIFICATION USING CONVOLUTIONAL NEURAL NETWORKS
EVRİŞİMSEL SİNİR AĞI YÖNTEMİ İLE İNSANSIZ HAVA ARACI VE KUŞ SINIFLANDIRMASI
EDA KARALA
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Applications of deep reinforcement learning for advanced driving assistance systems
İleri sürüş destek sistemleri için derin pekiştirmeli öğrenme uygulamaları
MUHARREM UĞUR YAVAŞ
Doktora
İngilizce
2023
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Sivil Havacılıkİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN