Derin öğrenme ile sınıftan bağımsız nesne tespiti: Belirginlik odaklı gelecek uygulamalara yönelik bir yaklaşımın geliştirilmesi
Class-agnostic object detection with deep learning for future saliency-based applications
- Tez No: 986849
- Danışmanlar: DOÇ. DR. ORHAN AKBULUT
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnsan görsel sistemi, bir sahneye bakıldığında öncelikle dikkat çekici ve öne çıkan bölgeleri algılar. Bu doğal eğilim, bilgisayarla görme alanındaki çalışmalara da ilham vermiş ve belirgin nesne tespiti kavramını ortaya çıkarmıştır. Belirgin nesne tespiti, görüntüdeki en dikkat çekici nesneleri veya bölgeleri otomatik olarak tanımlamayı amaçlayarak görsel bilginin yorumlanmasında önemli bir temel oluşturur. Günümüzde, bu yaklaşım yalnızca nesne tanıma süreçlerinde değil, aynı zamanda veri etiketleme ve hızlı anotasyon çalışmalarında da verimlilik kazandıran bir ön adım olarak değerlendirilmektedir. Görsel veri, günümüz yapay zeka uygulamalarının temel yapı taşlarından biri haline gelmiş ve özellikle bilgisayarla görme alanında önemli bir rol üstlenmiştir. Derin öğrenme tekniklerinin bu alandaki yükselişi, büyük ölçüde yüksek kaliteli, etiketlenmiş veri kümelerinin var olmasına bağlıdır. Ancak, veri etiketleme; ölçeklenebilirlik, zaman yönetimi ve insan gücü gibi açılardan oldukça zorlu bir süreçtir. Bu durum, etiketleme süreçlerinde verimlilik odaklı yaklaşımlara zemin oluşturmuştur. Klasik olan veri etiketleme yöntemleri genel olarak her nesneye ait bir sınıf etiketi belirlenmesiyken, bu yöntem birçok uygulama için maliyeti yüksek ve zaman alıcıdır. Özellikle etiketleme aşamasında sınıf bilgisine ihtiyaç duyulmadığı ya da sınıfların dinamik olarak veya sonradan belirlendiği senaryolarda, sınıftan bağımsız veri etiketleme yöntemleri daha pratik bir yaklaşım sunmaktadır. Bu yaklaşımlar, yalnızca nesnelerin görüntü içindeki konumlarını tespit edip sınıf ataması öncesindeki süreci hızlandırmayı hedefler. Nesne tespiti sürecinin önemli olduğu bu çalışmada, belirginliğe dayalı nesne tespiti yöntemlerinin de ön etiketleme sürecinde dikkat çekici bölgeleri belirleyerek potansiyel olarak hız ve doğruluk kazandırabileceği görülmüştür. Belirginliğe dayalı nesne tespiti, gelecek çalışmalarda nesne tespiti modellerine entegre edilerek anotasyon maliyetini daha da azaltabilecek ve zorlu senaryolarda destekleyici bir yol üstlenebilecektir. Bu çalışmada farklı mimari modeller ele alınmıştır. İlk modelde, 80 sınıflı COCO 2017 veri kümesi üzerinde önceden eğitilmiş YOLOv8 modellini kullanarak sınıf bilgisine bakmadan nesne tespiti gerçekleştirilmiştir. İkinci modelde aynı varyasyonları kullanarak ve YOLOv11 modeli kullanılarak, tüm nesne kategorilerinin tek bir sınıf altında birleştirildiği sınıf bilgisinden bağımsız bir yapılandırmayla eğitilmiştir. Bu yapılandırma, nesne örneklerini sınıf bilgisi gerektirmeden tespit etmeyi mümkün kılar. Üçüncü modelde ise Faster-RCNN modelini de kullanarak tüm nesne kategorilerinin tek bir sınıf altında birleştirildiği sınıf bilgisinden bağımsız bir yapılandırmayla ilerlenmiş ve bu yaklaşımların sonuçları birbirleriyle kıyaslanmıştır. Önerilen yöntemler, yalnızca görüntülerdeki nesnelerin konumlarına odaklanarak daha hızlı anotasyon yapılmasına imkan tanımaktadır. Her yaklaşım da, görüntü başına çok sayıda nesne örneği içeren senaryolarda daha hızlı anotasyonu kolaylaştırma potansiyeline sahiptir. Sınıf bilgisinden bağımsız yapılandırmamız, farklı nesne tespiti senaryolarında güçlü ve genellenebilir bir performans sergilemiş, anotasyon süreçlerini hızlandırma potansiyelini ortaya koymuştur. Bu kapsamda, çalışma, belirgin nesne tespiti yaklaşımının veri anotasyon süreçlerinde kullanılabilirliğini ortaya koyarak gelecekteki hızlı etiketleme araştırmalarına katkı sunmaktadır. Bu yönüyle çalışma, belirgin nesne tespiti kavramının hızlı veri anotasyonu ve sınıftan bağımsız nesne algılama süreçlerine entegre edilmesi açısından yenilikçi bir yaklaşım sunmaktadır.
Özet (Çeviri)
The human visual system, when viewing a scene, first perceives regions that are salient and prominent. This natural tendency has inspired studies in computer vision and led to the emergence of the concept of salient object detection. Salient object detection aims to automatically identify the most attention-grabbing objects or regions in an image, forming an important foundation for interpreting visual information. Today, this approach is considered not only within object recognition pipelines but also as a preparatory step that improves efficiency in data labeling and rapid annotation workflows. Visual data has become one of the fundamental building blocks of contemporary artificial intelligence applications and plays a particularly important role in the field of computer vision. The rise of deep learning in this area largely depends on the availability of high-quality, labeled datasets. However, data annotation is a highly challenging process in terms of scalability, time management, and human effort. This has paved the way for efficiency-oriented approaches in annotation workflows. Traditional data labeling methods typically assign a class label to each object instance, which is costly and time-consuming for many applications. Especially in scenarios where class information is not required at the labeling stage, or where classes are determined dynamically or retrospectively, class-agnostic labeling methods offer a more practical approach. These methods aim to accelerate the pre-classification phase by detecting only the locations of objects within the image. In this study, where the object detection process is central, saliency-based object detection methods were also observed to identify attention-worthy regions during pre-annotation, potentially improving both speed and accuracy. In future work, saliency-based detection can be integrated into object detection models to further reduce annotation costs and serve as supportive guidance in challenging scenarios. This study examines different architectural models. In the first model, object detection was performed without considering class information by using a YOLOv8 model pre-trained on the COCO 2017 dataset with 80 classes. In the second model, using the same variations and the YOLOv11 model, training was conducted in a class-agnostic configuration in which all object categories are merged under a single class. This configuration enables the detection of object instances without requiring class labels. In the third model, a Faster-R CNN-based approach was adopted with the same single-class configuration, and the results of these approaches were compared. The proposed methods focus solely on the locations of objects in images, enabling faster annotation. Each approach has the potential to facilitate quicker annotation in scenarios containing many object instances per image. Our class-agnostic configuration demonstrated strong and generalizable performance across different object detection scenarios, revealing its potential to accelerate annotation processes. In this regard, the study demonstrates the usability of the saliency-based detection paradigm within data annotation workflows and contributes to future research on rapid labeling. Thus, it offers an innovative perspective on integrating the concept of saliency into fast data annotation and class-agnostic object perception.
Benzer Tezler
- Turunçgil yeşillenme hastalığının yapay zeka ile tespiti
Detection of citrus greening disease using artificial intelligence
TURGUT FELEK
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET KÜRKLÜ
PROF. DR. HÜSEYİN BASIM
- Learners' reflections on experiencing augmented reality in the English classroom at tertiary level
Yükseköğrenim düzeyinde İngilizce sınıfında artırılmış gerçeklik deneyimlerine yönelik öğrenci yansıtmaları
OZAN VARLI
Doktora
İngilizce
2022
Eğitim ve Öğretimİstanbul Üniversitesi-CerrahpaşaYabancı Diller Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM ETUŞ
- Histopatolojik görüntüler kullanılarak dikkat tabanlı transfer öğrenme yöntemiyle meme kanseri sınıflandırması
Breast cancer classification using attention-based transfer learning on histopathological images
ABUBAKIR ALI HAMMOOD
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTokat Gaziosmanpaşa ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHİR KAYA
- Code clone detection with convolutional neural network
Konvolüsyonel sinir ağı ile kod klon tespiti
HARUN DİŞLİ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN
- Purchase prediction and item prediction with RNN using different user-item interactions
Farklı kullanıcı-ürün etkileşim türlerini kullanarak özyineli sinir ağları ile ürün ve satış tahminlemesi
FULYA ÇELEBİ SARIOĞLU
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN