Otonom Araçlarda Kişi Tespiti için Federe Öğrenmeye Dair Yeni Bir Yöntem
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Elektronik ve Hab.Müh.Böl, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Emin AKPINAR
Asıl Danışman (Eş Danışmanlı Tezler İçin): Bülent Bolat
Eş Danışman: Murat Taşkıran
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Otonom sürüş sistemlerinin en önemli avantajlarından biri olası kazaları önleme ve dolayısıyla ölüm ve yaralanma sayılarını azaltma potansiyeline sahip olmasıdır. Yapay zekanın gelişmesiyle birlikte bu alanda yapılan çalışmalarda büyük bir artış yaşanmaktadır. Bu tür uygulamalarda başarılı bir genelleme performansı elde etmek, modelin farklı arka plan ve mümkün olduğunca çok benzersiz veriyle eğitilmesiyle mümkündür. Ancak bu kadar çeşitli ve büyük veri kümelerinin tek bir topluluk tarafından oluşturulması büyük bir emek ve maliyet gerektirmektedir. Ayrıca bu tür veri kümeleri oluşturulsa bile bu veri kümelerinin doğrudan paylaşılması kişisel veri gizliliği sorunlarını da beraberinde getirecektir. Bu çalışmada, bahsedilen sorunların çözümü için federe öğrenmenin potansiyeli araştırılmakta ve performansı standart eğitim metodolojisi ile kıyaslanmaktadır. Federe öğrenme, veri paylaşımına gerek duyulmaması sayesinde veri gizliliği sorunlarını ortadan kaldırır ve farklı veri kümelerinin bir sunucuyla paylaşılmasına gerek kalmadan birçok veri kümesinin eğitim için birlikte kullanılmasına olanak tanır. Literatürde federe öğrenme için pek çok yaklaşım önerilmiştir. Ancak farklı zorluk ve kapsamlılığa sahip veri kümelerinin kullanıldığı uygulamalarda, oluşturulan küresel model ağırlıkları, uygulamada kullanılan veri kümelerinin iyi bir temsilini yakalamak için yeterli değildir. Bu nedenle yerel model olarak Özellik Piramidi Ağı Kullanan Daha Hızlı Bölgesel Evrişimli Sinir Ağı ResNet50 (Faster R-CNN ResNet50 FPN) kullanılan ve yüksek kayıp değerlerinin elde edildiği ama aynı zamanda daha çok ve benzersiz veriye sahip veri kümelerinin ait olduğu yerel modellere, eğitim sırasındaki kayıp değerinden yararlanarak daha yüksek katsayılar atayan yeni bir federe öğrenme yaklaşımı sunan Kayıp Bağımlı Katsayılarla Federe Öğrenmeyi (FedLDC) öneriyoruz. Çalışmada FedLDC hem federe öğrenmenin ilk örneği olan Federe Ortalama (FedAvg) hem de federe olmayan standart eğitim metodolojisi ile karşılaştırılmıştır. Üç farklı veri kümesi üzerinde yapılan testler sonucunda FedLDC, Caltech Yayada (Caltech Pedestrian) 0,13 ve ŞehirKişilerinde (CityPersons) 0,07 kaçırma oranı ile en başarılı sonuca ulaşırken, AvrupaŞehir Kişileri Gün (EuroCity Persons Day) veri kümesinde 0,10 kaçırma oranı ile 0,08'lik bir kaçırma oranına ulaşan standart eğitim metodolojisi ile rekabetçi sayılabilecek bir performans elde etti.