Akademik Veri Yönetim Sistemi
25. Otomatik Kontrol Ulusal Konferansı, Konya, Türkiye, 12 - 14 Eylül 2024, ss.874-879, (Tam Metin Bildiri)
Derin sinir ağları, birçok alanda başarılı sonuçlar elde
edilmesine olanak sağlamış ve geleneksel yöntemlere kıyasla
önemli ilerlemelere yol açmıştır. Bu süreçte, bu yöntemlerle
birlikte kullanılan pek çok yardımcı yöntem de ortaya çıkmıştır.
Bu yöntemlerden biri olan veri artırma, eğitim verisinin sayısını
ve çeşitliliğini artırarak modelin genelleme yeteneğini
güçlendirmeyi amaçlar. Günümüzde, farklı veri türlerine uygun
çok sayıda veri artırma yöntemi geliştirilmiştir. Ancak, bu
yöntemlerin her biri her veri tipi için uygun olmayabilir. Bu
çalışmanın amacı, otonom sürüş sistemlerinde kullanılan sürüş
sahneleri verilerinde, farklı veri artırma yöntemlerinin model
genelleme yeteneği üzerindeki etkilerini kapsamlı bir şekilde
incelemektir. Bu doğrultuda, çeşitli veri artırma teknikleri hem
tek başına hem de bir arada kullanılarak uygulanmıştır.
Çalışmamız, otonom sürüş sistemleri için uygun veri artırma
stratejilerini belirlemeyi ve bu alandaki araştırmacılara
genelleme performansını artırmak için yol göstermeyi
hedeflemektedir. Elde edilen bulgular, otonom sürüş
sistemlerinde kullanılan veri türlerine özel olarak veri artırma
stratejilerinin geliştirilmesine de katkı sağlamaktadır.
Deep neural networks have enabled significant achievements in
various fields and have led to substantial advancements
compared to traditional methods. Alongside these methods,
many auxiliary techniques have emerged. One such technique
is data augmentation, which aims to enhance the generalization
capability of the model by increasing the amount and diversity
of training data. Today, numerous data augmentation methods
have been developed, each suited to different types of data.
However, not all of these methods are equally effective for
every data type. This study aims to comprehensively investigate
the effects of different data augmentation methods on the
generalization ability of models using driving scene data in
autonomous driving systems. To this end, various data
augmentation techniques were applied both individually and in
combination. Our study aims to identify suitable data
augmentation strategies for autonomous driving systems and to
provide guidance for researchers in this field to improve
generalization performance. The findings also contribute to the
development of data augmentation strategies tailored to specific
data types used in autonomous driving systems.