Tez No	İndirme	Tez Künye	Durumu
771614		Kamufle görüntülerden nesne algılama için derin öğrenmeye dayalı yeni yaklaşım / A new approach based on deep learning for object detection from camouflaged images Yazar:RABEB HENDAOUI Danışman: PROF. DR. VASİF NABİYEV Yer Bilgisi: Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2022 135 s.
"Kamuflaj nesnesi algılama" (COD) terimi genellikle bir ortamdaki gizli nesnelerin algılanmasını tanımlamak için kullanılır. Kamuflajlı nesnelerin tespitinde nesneler ve bulundukları ortamlar çok benzer olduğundan ve geniş veri setlerinin bulunmaması ilgili çalışmaların yapılmasını zorlaştırmaktadır. Tezde, derin öğrenmeye dayalı yeni bir COD yaklaşımı önerilmiştir. İlk aşamada, özellikler bir omurga ağından (ResNet) elde edilir. Bu özellikler daha sonra, geniş bir alıcı alandan zengin bağlam özelliklerini çıkaran ve özellik haritaları arasındaki entegrasyonu geliştiren başlangıç modülüne aktarılır. Önerilen modülün, segmentasyonu önemli ölçüde iyileştirdiği gözlemlenmiştir. İkinci adımda, düşük seviyeli öznitelikler anlamsal bilgi açısından zengin öznitelikler ile yoğun bir şekilde birleştirilir. Üçüncü adımda, kamufle edilen nesneyi arka plandan daha iyi ayırt etmek için bir dikkat mekanizması kullanılmaktadır. Dönüşüm dikkati, kanal dikkati ve uzamsal dikkat modülleri, hedef bölge hakkında daha fazla bilgi çıkarmak ve gereksiz bilgileri bastırmak için kullanılır. Modüller üzerinde yapılan deneyler, tüm kombinasyonların kamufle edilmiş nesneleri doğru bir şekilde tespit ettiğini ortaya koymuştur. Ayrıca önerilen yöntem yaygın olarak kullanılan veri setleri üzerinde test edilmiş ve performansı değerlendirilmiştir. Buna ek olarak, önerilen model tıbbi görüntü bölütlemesi için de değerlendirilmiş ve kabul edilebilir sonuçlarla kamufle edilmemiş nesne tespiti elde edilmiştir.
The term "camouflage object detection" (COD) is often used to describe the detection of hidden objects in an environment. Since the objects and their environments are very similar and the lack of large datasets in the detection of camouflaged objects makes it difficult to carry out related studies. In this thesis, a new COD approach based on deep learning is proposed. In the first stage, features are extracted from a backbone network (ResNet). Those features are then fed into a proposed inception module, which extracts rich context features from a large receptive field and improves integration between feature maps. It is observed that the proposed module significantly improves the segmentation. In the second step, low-level features are densely combined with features rich in semantic information. In the third step, an attention mechanism is used to better distinguish the camouflaged object from the background. Transform attention, channel attention and spatial attention modules are used to extract more information about the target region and suppress redundant information. Experiments on the modules show that all combinations accurately detect camouflaged objects. Furthermore, the proposed method is tested on widely used datasets and its performance is evaluated. In addition, the proposed model is also evaluated for medical image segmentation and uncamouflaged object detection with acceptable results are obtained.