Anlamsal bölütleme ile piksel seviyesinde anomali tespitinde dağılım dışı ve değişen bağlamlarda farklı veri seti kullanımı

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, -, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: MAHMUT FERİT YILDIZ

Danışman: ALİ SAYGIN, ÖZGÜR ERKENT

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Görüntülerde piksel seviyesinde anomali tespiti anlamsal bölütleme yöntemleri için önemli bir problemdir. Güncel makine öğrenim modelleri deney ortamında test verileri ile çok iyi sonuçlar verebilir. Fakat bu modeller test verilerinin gerçek dünya verileri ile aynı dağılımdan alındığını varsayarak çalışmaktadır. Dağılıma ait olmayan görsel nesneler üzerinde anomali içeren piksellerde bu modellerin düşük performansı, yapay görüntüler içeren veri setleri ile modeli yeniden eğitmeyi esas alan yöntemlerin kullanılmasını gerektirmektedir. Kullanılan yöntemler iyi sonuç verse bile yeniden eğitimde şu sorunlar ortaya çıkmaktadır: 1-Yeniden eğitim esnasında dağılıma ait olmayan örneklerde anomali tespitinin doğruluk oranı azalabilir, bu durumda model; eğitim öncesi doğru gelen piksellerde aykırı değer olarak algıladığı bir piksel değerini eğitim sonrası hatalı gelen bir pikselin aykırı değeri olarak algılayabilir. 2-Modeli yeniden eğitmeden dışarıdan bir veri seti ile anomali tespitinde, hatalı gelen pikseller için aykırı değer belirsizliği maksimize edilirken doğru gelen örneklerdeki aykırı değer piksellerinin anlamsal bölütleme oranı azalabilir. Bu çalışmada, yukarıda bahsedilen yöntemleri kullanarak modellerin farklı veri setlerinde anomali tespit performansını değerlendirmek için geliştirilen yöntem sunulmaktadır. Yöntem; bir anlamsal bölütleme modelini bir veri seti üzerinde öğrendikten sonra bu modeli farklı bir veri setinde sentetik olarak oluşturulan anomaliler üzerinde eğitmeye dayanmaktadır. Bu şekilde oluşturulan modelin değerlendirilmesi farklı anomali veri setleri üzerinde gerçekleştirilmiştir. Sonuçlar göstermiştir ki anomali tespiti yapan yöntemler eğitim veri setine yüksek oranda bağımlıdırlar. Sonuçlar; Cityscapes, KITTI, Fishyscapes gibi pek çok veri seti üzerinde yapılan deneylerle gösterilmiştir.