Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Mühendislik Fakültesi, Elektronik ve Haberleşme Mühendisliği, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: UĞUR ÖZENÇ
Danışman: Alp Ertürk
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Son yıllarda, derin öğrenme tabanlı yaklaşımlar, diğer birçok alandaki başarılarına paralel olarak, yeryüzü gözlemi ve uzaktan algılama alanlarında da geniş çapta benimsenmiştir. XAI, derin öğrenme süreçlerini ve çıktılarını araştırmacılar ve son kullanıcılar için daha anlaşılır hale getirmeyi amaçlar. Bu çalışmanın amacı, derin öğrenme kullanılarak uydu görüntülerinde nesne tespitinin post-hoc açıklanabilirliği için XAI metodolojilerinin performansını araştırmak ve değerlendirmektir. Bu çalışmada, özellikle DIOR veri kümesindeki optik uydu görüntüleri için nesne tespiti, You Only Look Once (YOLO) v5 modeli kullanılarak gerçekleştirilmiştir. Ardından, GradCAM, GradCAM++, GradCAMElementWise, XGradCAM, EigenCAM, LayerCAM ve ScoreCAM sınıf aktivasyon haritalama tabanlı XAI yöntemleri post-hoc açıklanabilirlik için kullanılmıştır. Bu XAI yöntemlerinin yorumlanabilirlik performanslarını nicel olarak değerlendirmek için iki yaklaşım kullanılmıştır. Birinci yaklaşım, M1, XAI yöntemlerinin çıktısının eşik değerinin üzerindeki bölgeleri maskeleyerek veri kümesindeki her bir görüntü için arka planı korur, ikinci yaklaşım, M2, ise arka planı maskeleyip yalnızca ilgili pikselleri, yani eşik değerinin üzerindeki bölgeleri korur. Fikir, M1 yaklaşımı için daha yüksek performans düşüşüne ve M2 yaklaşımı için daha düşük performans düşüşüne neden olan XAI yönteminin, daha kesin bir post-hoc yorumlanabilirlik sonucu sağlamasıdır. Niceliksel değerlendirme, ScoreCAM'ın diğer yöntemlere göre daha doğru bir post-hoc açıklanabilirlik sağladığını, M1 için daha büyük bir performans kaybı ve M2 için daha küçük bir kayıp yaşattığını göstermiştir.