Hibrit çizge sinir ağları kullanarak görüntü eşleştirme

Abstract

Görüntü eşleştirme, nesne tanıma, 3B yeniden yapılandırma ve otonom navigasyon gibi bilgisayar görüşü uygulamalarında kritik bir görevdir. Çizge sinir ağlarının (ÇSA) ortaya çıkışı, görüntü eşleştirme algoritmalarının doğruluğunu ve verimliliğini artırmak için yeni yollar açmıştır. Bu tez, farklı veri setlerini kullanarak bu yöntemleri değerlendirip geliştirmek için ÇSA'ların görüntü eşleştirme uygulamasını araştırmaktadır. Araştırma başlangıçta, PASCAL VOC ve WILLOW-object class gibi yaygın tanınan veri setlerine ÇSA tabanlı algoritmaların uygulanmasına odaklanmaktadır. Çeşitli görüntü ve açıklamaları ile tanınan bu veri setleri, görüntü eşleştirme algoritmalarını test etmek ve geliştirmek için bir temel olarak hizmet etmektedir Yukarıda bahsedilen veri setleri ile daha iyi ve hızlı sonuçlar elde edebilmek için hibrit bir sistem önerisi sunulmuştur. Bu tez ayrıca, ÇSA'lar ve görüntü eşleştirme üzerine son dönemin önemli makalelerinden elde edilen bulguları entegre etmektedir. Farklı veri setleri üzerinden yapılan karşılaştırmalı analiz, ÇSA tabanlı görüntü eşleştirme algoritmalarının güçlü ve zayıf yönlerine dair kapsamlı bir şekilde anlaşılmasını sağlamak amacıyla yapılmıştır. Bu araştırmanın sonucunun, görüntü eşleştirme görevlerinde ÇSA'ların çok yönlülüğünü ve sağlamlığını göstererek bilgisayar görüşü alanına önemli bir katkı sağlaması amaçlanmıştır. Bu çalışma, sadece ÇSA'ların görüntü eşleştirme konusundaki teorik anlayışı geliştirmekle kalmayıp, aynı zamanda çeşitli bağlamlarda uygulanmalarına dair pratik görüşler sunmaktadır.Image matching is a critical task in computer vision applications such as object recognition, 3D reconstruction, and autonomous navigation. The emergence of Graph Neural Networks (GNNs) has opened new avenues to improve the accuracy and efficiency of image matching algorithms. This thesis investigates the application of GNNs to image matching, aiming to evaluate and enhance these methods using different datasets. The research initially focuses on applying GNN-based algorithms to well-known datasets like PASCAL VOC and WILLOW-object class. These datasets, known for their variety of images and annotations, serve as a foundation for testing and developing image matching algorithmsA hybrid system proposal is presented to obtain better and faster results with the above-mentioned data sets. Additionally, this thesis integrates findings from recent significant papers on GNNs and image matching. The comparative analysis across different datasets is conducted to comprehensively understand the strengths and weaknesses of GNN-based image matching algorithms. The outcome of this research is expected to significantly contribute to the field of computer vision by demonstrating the versatility and robustness of GNNs in image matching tasks. This study not only advances the theoretical understanding of GNNs in image matching but also offers practical insights into their application in various contexts.