Makine öğrenmesi yöntemleri kullanılarak otonom sürüş için anlamsal bölütleme

Abstract

Anlamsal bölütleme, bir görüntüdeki her pikselin ait olduğu sınıfı belirlemeyi amaçlayan bir bilgisayarla görme problemidir. Özellikle otonom araç teknolojilerinin temel bileşenlerinden biri olan bu yöntem, araçların çevresel farkındalığını artırarak nesne tanıma ve sınıflandırma süreçlerinde yüksek katkı sağlar. Bu tez çalışmasının temel amacı, otonom sürüş sistemlerinin gereksinimlerine yanıt verecek şekilde sokak sahnelerinde anlamsal bölütleme uygulamaları gerçekleştirmektir. Bu kapsamda, küresel ve yerel bağlamsal bilgileri etkin biçimde modelleyebilen yeni yaklaşımlar geliştirilmiştir. Çalışmada, çok ölçekli bağlam kullanımındaki yüksek başarılarıyla öne çıkan PSPNet ve DeepLabV3+ mimarilerinden esinlenilerek, bu modellerin geleneksel omurga ağı olan ResNet yerine modern bir yapı olan ConvNext entegre edilmiştir. PSPNet-ConvNext ve DeepLabV3+-ConvNext mimarileri, karşılık gelen ResNet tabanlı sürümleriyle kıyaslanmıştır. Buradaki amaç, PSPNet ve DeepLabV3+ mimarileri içerisinde farklı omurga ağlarının performansa etkilerini incelemektir. Çalışmanın ikinci aşamasında, PSPNet ve DeepLabV3+ mimarilerinin birbirini tamamlayan yapısal avantajlarından faydalanmak amacıyla, her iki modelin çıktılarını bütünleştiren özgün bir topluluk (ensemble) yaklaşımı geliştirilmiştir. Geliştirilen MultiDecNet adlı model, ortak bir kodlayıcı yapı olarak ConvNext omurga ağına sahip olup, çift kod çözücü modülü (PSPNet ve DeepLabV3+) ile donatılmıştır. Bu yeni model, her iki kod çözücüden eş zamanlı çıktı alarak bölütleme doğruluğunu artırmıştır. Cityscapes veri seti üzerinde gerçekleştirilen deneylerde, modellerin performansları mIoU, F1-skoru ve doğruluk metrikleri ile değerlendirilmiş ve geliştirilen modelin mevcut yöntemlere kıyasla daha yüksek başarı sağladığı ortaya konmuştur. Elde edilen bulgular, bölütleme başarımını artırmaya yönelik önemli katkılar sunmakta ve geliştirilen modelin güçlü ve zayıf yönlerini ile kapsamlı bir şekilde ortaya koymaktadır.