Tez No	İndirme	Tez Künye	Durumu
771998		Employment of cycle-spinning in deep learning / Derin ögrenmede döngülü çevirim yönteminin kullanımı Yazar:ÜLKÜ UZUN Danışman: PROF. DR. ALPTEKİN TEMİZEL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Enformatik Enstitüsü / Bilişim Sistemleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Evrişimli sinir ağları = Convolutional neural networks	Onaylandı Doktora İngilizce 2022 124 s.
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.
Cycle-spinning (CS) method has been used in wavelet domain processes such as signal denoising, and image enhancement with great success. In this thesis, CS is adapted to be used in deep-learning algorithms, particularly it is integrated into GANbased raindrop removal and CNN based image classification, and object detection models. Experiments on commonly-used architectures, such as AlexNet, DenseNet, ResNet, YOLOv5, EffcientDet, CenterNet, and TensorFlow Object Detection (TFOD) show that the application of the CS method produces favorable results with higher perceptual quality in terms of full-reference metrics for raindrop removal, increased accuracy in classification and better object detection performance. It is shown that the proposed method reduces the signal degradation caused by aliased components when it is employed before down-sampling and it can increase the performance, without introducing any extra learnable parameters. Another advantage of the CS method is that it inherently provides a smoothing-out effect and, as such, it has potential uses in denoising.