EMPLOYMENT OF CYCLE-SPINNING IN DEEP LEARNING

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Enformatik Enstitüsü, Bilişim Sistemleri Anabilim Dalı, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: ÜLKÜ UZUN

Danışman: Alptekin Temizel

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Döngülü-Çevirim (DÇ) yöntemi, sinyal gürültü giderme ve görüntü iyileştirme gibi dalgacık alanı süreçlerinde büyük başarı ile kullanılmaktadır. Bu tezde DÇ yöntemi, derin ögrenme algoritmalarında kullanılmak üzere uyarlanmış, özellikle GAN tabanlı yagmur damlası giderme modellerine ve CNN tabanlı görüntü sınıflandırma ve nesne algılama modellerine entegre edilmiştir. AlexNet, DenseNet, ResNet, YOLOv5, EffcientDet, CenterNet ve TensorFlow Object Detection (TF-OD) gibi yaygın olarak kullanılan mimariler üzerinde yapılan deneyler, DÇ yönteminin yagmur damlalarının giderilmesine etkisi referans bazlı metriklerle değerlendirildiğinde daha yüksek algısal kalite verdigini göstermektedir. Sınıflandırmada ve nesne tespiti problemlerinde ise dogruluk ve daha yüksek nesne tespiti algılama performansı görülmüştür. Önerilen yöntemin, alt-örnekleme (downsampling) aşamasından önce kullanıldıgı takdirde ekstra ögrenilebilir herhangi bir parametreye ihtiyaç duymadan örtü¸sme (aliasing) nedeniyle ortaya çıkan sinyal bozulmalarını azalttığı ve genel performansı arttırabileceği gösterilmiştir. DÇ yönteminin bir başka avantajı da doğası gereği bir yumuşatma etkisi sağlaması ve bu nedenle gürültü gidermede potansiyel kullanımlara sahip olmasıdır.