Milli, Erkan2025-04-182025-04-182025https://dspace.ankara.edu.tr/handle/20.500.12575/92814Çok modlu sistemlerin, tek bir modaliteye sahip sistemlere kıyasla daha güvenilir sonuçlar üretebilme kapasitesine sahip olduğu bilinmektedir, çünkü sahnenin farklı yönlerini algılayabilirler. Bu çalışmada, birçok önde gelen çalışmada olduğu gibi yüksek ön işleme maliyetlerini gerektiren yüzey normali veya yoğun derinlik tahminleri yerine, ham sensör girdilerinin kullanımına odaklanılmıştır. Ham sensör girdileri kullanılarak hem ön işleme hem de model hesaplama maliyetlerini minimize eden düşük maliyetli bir model geliştirilmesi amaçlanmıştır. Bu tez kapsamında, çoklu görev öğrenme mimarisi içerisinde birden fazla sensörden elde edilen veriler entegre edilerek yol bölütleme için maliyet-etkili ve yüksek doğruluğa sahip bir çözüm sunulmaktadır. RGB ve LiDAR derinlik görüntülerinin ağın girdilerini oluşturduğu bir füzyon mimarisi önerilmektedir. Çalışmanın bir diğer katkısı, AÖB/KKS (ataletsel ölçüm birimi/küresel konumlandırma uydu sistemi) ataletsel navigasyon sisteminden elde edilen verilerin, LiDAR-kamera ile senkronize bir şekilde toplanıp kalibre edilerek birleştirilmiş yoğun LiDAR derinlik görüntülerinin hesaplanmasıdır. Önerilen yöntemin performansı, KITTI ve BotanicGarden veri setleri üzerinde gerçekleştirilen deneylerle değerlendirilmiştir ve yöntemin hızlı, yüksek performanslı çözümler sunduğu gösterilmiştir. Ayrıca, Cityscapes veri setinde ham LiDAR verisinin bulunmadığı durumda da yöntemin başarımı analiz edilmiştir. Hem tam hem de yarı çözünürlükte elde edilen bölütleme sonuçlarının, mevcut yöntemlerle rekabet edebilecek düzeyde olduğu görülmüştür. Bu sonuçlar doğrultusunda, yöntemin yalnızca ham LiDAR verilerine bağımlı olmadığı, aksine farklı sensör modaliteleri ile de etkin bir şekilde kullanılabileceği ortaya konulmuştur. Tüm deneylerde elde edilen çıkarım süreleri, yöntemin gerçek zamanlı uygulamalar için oldukça umut verici sonuçlar sunduğunu göstermektedir. Hesaplama maliyetini düşürmek ve kaynakların daha etkin bir şekilde kullanılması amacıyla, geliştirilen mimariye LoRA (Low-Rank Adaptation) eklenerek ek deneyler gerçekleştirilmiş; elde edilen sonuçlar, şekiller ve analizler aracılığıyla sunulmuştur.trÇok modlu sistemlerçoklu görev öğrenmeyol bölütlemesensör tümleşimiLoRAThesis