Mass prediction from 2D images

Bu tezin temel amacı, nesnelerin kütlesini 2 boyutlu görüntülerden tahmin etmektir. Başlangıçta kütle tahmini ana amaç olsa da, çalışma boyunca yoğunluğun sabit ve bire normalize edilmiş olduğu varsayılarak kapsam "2 boyutlu görüntülerden hacim tahmini" olarak daraltılmış ve tezin amacı iki boyutlu görüntüler kullanarak nesne hacimlerini tahmin etmeye doğru evrilmiştir. Bu tez, bilgisayar görüşündeki iki kritik ve birbirine bağlı sorunu ele alarak, 2 boyutlu görüntülerden derinlik haritası tahmini ve hacim tahmini için kapsamlı bir çerçeve sunmaktadır. Derinlik haritaları, robotik, artırılmış gerçeklik ve 3 boyutlu yeniden yapılandırma gibi çeşitli uygulamalar için temel olan geometrik bilgilerin yoğun bir temsilini sağlar. Ayrıca, hacim tahmininin tıbbi görüntüleme, üretim ve çevresel izleme gibi alanlarda önemli etkileri vardır. Önerilen metodoloji yalnızca doğru derinlik haritalarını tahmin etmekle kalmaz, aynı zamanda nesne hacimlerini yüksek hassasiyetle tahmin etmek için gelişmiş özellik çıkarma tekniklerini de entegre eder. Metodoloji, klasik görüntü işlemeyi gelişmiş makine öğrenimi teknikleriyle birleştirir. Karmaşık mekansal ve bağlamsal bilgileri yakalamak için, derinlik haritası tahmini için NYU Depth V2 veri kümesi üzerinde eğitilmiş U-Net tabanlı bir mimari kullanılır. Bu derinlik haritaları, hacim tahmini için sağlam ve yorumlanabilir özellik kümeleri oluşturmak üzere ORB (Yönlendirilmiş HIZLI ve Döndürülmüş BRIEF) ve HOG (Yönlendirilmiş Gradyanların Histogramı) gibi özellik çıkarma yöntemleriyle daha fazla işlenir. Model performansını artırmak için, veri dengesizliği Gauss Gürültülü Regresyon için Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOGN) kullanılarak ele alınır ve özellik çıkarmayı daha da iyileştirmek için özellik dikkat mekanizmaları CBAM kullanılarak entegre edilir. Hacim tahmini için, Yığınlama, Oylama, Torbalama ve artırma gibi topluluk yöntemleriyle birlikte LightGBM, CatBoost ve XGBoost gibi çeşitli regresyon modelleri kullanılır. Bu topluluk yöntemleri, tahmin doğruluğunu artırmak için tasarlanmıştır. Ek olarak, İzolasyon Ormanı ve KMeans kümelemesi gibi aykırı değer tespit teknikleri, veri bütünlüğünü geliştirmek için kullanılır ve farklı veri segmentleri için özel modeller oluşturulmasına olanak tanır. Deneysel değerlendirmeler, Ortalama Karesel Hata (MSE), Ortalama Mutlak Hata (MAE) ve R-kare puanları gibi metrikler arasında tahmin doğruluğunda önemli iyileştirmeler olduğunu göstermektedir. SMOGN'yi veri dengeleme için topluluk yöntemleriyle entegre etmek, tahmin performansını önemli ölçüde artırır. Önerilen hibrit çerçeve, yalnızca hacim tahmininde üstün sonuçlar elde etmekle kalmaz, aynı zamanda veri dengesizliğini yönetmek ve çeşitli veri kümeleri arasında model genelleştirilebilirliğini sağlamak için sağlam bir yaklaşım sunar. Bu araştırmadan elde edilen bulgular, veri kümesi dengesizliklerini ele almanın ve modelleri belirli veri özelliklerine göre uyarlamanın önemini vurgulamaktadır. Bu çerçeve, alan uyarlaması, transfer öğrenimi ve gerçek zamanlı uygulama geliştirmede gelecekteki keşifler için bir temel oluşturur ve etkisini mevcut araştırma sınırlarının ötesine, gerçek dünya uygulamalarına kadar genişletir.