Yazar "Alasu, Serdar" seçeneğine göre listele

Listeleniyor 1 - 5 / 5
  • Küçük Resim Yok
    Öğe
    Bilgisayarlı Görüde Öz-Denetimli Öğrenme Yöntemleri Üzerine Bir İnceleme
    (2024) Talu, Muhammed; Alasu, Serdar
    Derin öğrenme modelleri son on yılda görüntü sınıflandırma, nesne tespiti, görüntü bölütleme vb. bilgisayarlı görü görevlerinde büyük başarılar elde etmelerine rağmen denetimli öğrenme yaklaşımında olan bu modellerin eğitiminde büyük miktarda etiketli veriye ihtiyaç duyulmaktadır. Bu nedenle, son yıllarda insanlar tarafından manuel olarak etiketlenen veriye ihtiyaç duymadan etiketsiz büyük boyutlu veriden faydalanarak genelleştirilebilir görüntü temsillerini öğrenebilen öz-denetimli öğrenme yöntemlerine ilgi artmıştır. Bu çalışmada, bilgisayarla görü görevlerinde kullanılan öz denetimli öğrenme yöntemleri kapsamlı bir şekilde incelenmiş ve öz denetimli öğrenme yöntemlerinin kategorizasyonu sağlanmıştır. İncelenen öz-denetimli öğrenme yöntemlerinin görüntü sınıflandırma, nesne tespiti ve görüntü bölütleme hedef görevleri için performans karşılaştırmaları sunulmuştur. Son olarak, mevcut yöntemlerdeki sorunlu hususlar tartışılmakta ve gelecek çalışmalar için potansiyel araştırma konuları önerilmektedir.
  • Küçük Resim
    Öğe
    Çizge kesim temelli interaktif görüntü bölütleme yöntemlerinin karşılaştırılması
    (İnönü Üniversitesi, 2018) Alasu, Serdar
    Bu tez çalışmasında, çizge kesim temelli, İnteraktif Çizge Kesim, Grabcut ve Lazy Snapping interaktif görüntü bölütleme yöntemlerinin karşılaştırılması yapılmıştır. Çizge kesim temelli yöntemler, görüntüyü her bir pikselin bir düğüme karşılık geldiği çizgeye dönüştürür ve enerji fonksiyonun minimize edilmesinde maksimum akış-minimum kesim algoritmasını kullanarak çizgeyi ön ve arka plan olarak iki parçaya ayırır. Birinci derece istatistikler ve Gri seviyeli eş oluşum matrisinden (GSEM) elde edilen öznitelikler kullanılarak ön ve arka plan görüntüleri tekdüze ve karışık olarak iki kümeye ayrılmıştır. Çizge kesim temelli interaktif görüntü bölütleme yöntemlerin karşılaştırmasında bu kümeler kullanılmıştır. Bölütleme sonuçlarında, Grabcut yönteminin ön planın tekdüze olduğu görüntü kümelerinde diğer yöntemlerden daha başarılı olduğu görülmüştür. Lazy Snapping yönteminin de ön planın karışık olduğu görüntü kümelerinde diğer yöntemlerden daha iyi bölütleme sonuçları elde ettiği belirlenmiştir. Ayrıca Lazy Snapping yönteminin bütün görüntü kümelerinde bölütleme işlemini en hızlı gerçekleştiren yöntem olduğu görülmüştür. ANAHTAR KELİMELER: İnteraktif Görüntü Bölütleme, Çizge Kesim, Grabcut, Lazy Snapping
  • Küçük Resim Yok
    Öğe
    Interactive Segmentatition Implementation
    (Ieee, 2015) Alasu, Serdar; Talu, Muhammed Fatih
    This paper includes a geodesic distance based interactive segmentation algorithm's Matlab implementation. In the Matlap implementation, a graphic interface by which user creates foreground and background scribbles over the image has been designed. The first step of the algorithm is based on the modelling of the color values on the scribbles and the calculation of foreground/background probabilities of all pixels in the image. In the second step, the calculated probabilities values are accepted as weight values and the segmentation process has been implemented more precision by using geodesic distance method. It can be show that to able to produce precise segmentation results in real-time, the algorithm can be used especially in medical image segmentation applications.
  • Küçük Resim Yok
    Öğe
    Mısır Tohumu Embriyolarının Bölütlenmesinde Tam Evrişimsel Ağ Tabanlı Mimarilerin Tam Bağlı Şartlı Rastgele Alanlar ile Entegrasyonu
    (2022) Alasu, Serdar; Talu, Muhammed Fatih
    Haploid ve diploid mısır tohumlarının sınıflandırılması mısır ıslahında önemli bir konudur. R1-nj renk markörü sayesinde haploid ve diploid mısır tohumları embriyolarındaki renklenme farklılıkları dikkate alınarak görsel olarak ayırt edilebilmektedir. Bu nedenle, mısır tohumu embriyolarının bölütlenmesi haploid ve diploid mısır tohumlarının sınıflandırılması için önemli bir ön-işlemdir. Bu çalışmada, mısır tohumu görüntülerinin otomatik embriyo bölütlemesinde tam evrişim ağ tabanlı derin öğrenme mimarilerinin (FCN8s, SegNet ve U-Net) bölütleme performansları değerlendirilmektedir ve bölütleme çıktılarının tam bağlı Şartlı Rastgele Alanlar yöntemiyle düzgünleştirilmesi incelenmektedir. Böylece tam bağlı Şartlı Rastgele Alanların bölütleme sonucuna etkisi araştırılmıştır Ayrıca bu çalışma için mısır tohumu görüntüleri piksel seviyesinde etiketlenerek referans görüntüler elde edilmiş ve haploid ve diploid mısır tohumu görüntüleri için yeni bir semantik görüntü bölütleme veri seti oluşturulmuştur. Çalışma sonuçları göstermiştir ki, tam evrişim ağ tabanlı derin öğrenme mimarileri ile tam bağlı Şartlı Rastgele Alanlar’ın birlikte kullanımı, görüntü bölütleme sonucunu ortalama IoU performans değerlendirme metriğinde FCN8s, SegNet ve U-Net derin öğrenme mimarileri için sırasıyla 0.0139, 0.0076, 0.0024 iyileştirdiği görülmüştür.
  • Küçük Resim Yok
    Öğe
    Scattering-Based Self-Supervised Learning for Label-Efficient Cardiac Image Segmentation
    (Mdpi, 2026) Alasu, Serdar; Talu, Muhammed Fatih
    Deep learning models based on supervised learning rely heavily on large annotated datasets and particularly in the context of medical image segmentation, the requirement for pixel-level annotations makes the labeling process labor-intensive, time-consuming and expensive. To overcome these limitations, self-supervised learning (SSL) has emerged as a promising alternative that learns generalizable representations from unlabeled data; however, existing SSL frameworks often employ highly parameterized encoders that are computationally expensive and may lack robustness in label-scarce settings. In this work, we propose a scattering-based SSL framework that integrates Wavelet Scattering Networks (WSNs) and Parametric Scattering Networks (PSNs) into a Bootstrap Your Own Latent (BYOL) pretraining pipeline. By replacing the initial stages of the BYOL encoder with fixed or learnable scattering-based front-ends, the proposed method reduces the number of learnable parameters while embedding translation-invariant and small deformation-stable representations into the SSL pipeline. The pretrained encoders are transferred to a U-Net and fine-tuned for cardiac image segmentation on two datasets with different imaging modalities, namely, cardiac cine MRI (ACDC) and cardiac CT (CHD), under varying amounts of labeled data. Experimental results show that scattering-based SSL pretraining consistently improves segmentation performance over random initialization and ImageNet pretraining in low-label regimes, with particularly pronounced gains when only a few labeled patients are available. Notably, the PSN variant achieves improvements of 4.66% and 2.11% in average Dice score over standard BYOL with only 5 and 10 labeled patients, respectively, on the ACDC dataset. These results demonstrate that integrating mathematically grounded scattering representations into SSL pipelines provides a robust and data-efficient initialization strategy for cardiac image segmentation, particularly under limited annotation and domain shift.