Aşırı Sınıf Dengesizliği Altında İnce Doğrusal Yapıların Segmentasyonu: Demiryolu Veri Setlerinde Doğruluk Paradoksu ve Mimari Verimlilik
Year: 2026
Type: article
Abstract: Otonom demiryolu sistemlerinin güvenli navigasyonu, ray hattının piksel hassasiyetinde ve kesintisiz olarak tespit edilmesine dayanmaktadır. Ancak demiryolu veri setleri, ray piksellerinin arka plana oranla çok küçük bir alanı kapladığı (~170:1) aşırı sınıf dengesizliği içermekte, bu da geleneksel metriklerin performansı hatalı değerlendirmesine yol açan "Doğruluk Paradoksu"nu ortaya çıkarmaktadır. Bu çalışmada, evrişimli sinir ağı tabanlı U-Net (ResNet-34) ile görsel dönüştürücü tabanlı Segformer (B0-B5) mimarileri, bu zorlu görevin üstesinden gelme yetenekleri bakımından karşılaştırmalı olarak analiz edilmiştir. Sayısal sonuçlar, her iki modelin de %99,8’in üzerinde doğruluk elde ettiğini gösterse de piksel bazlı karmaşıklık matrisleri ve mikro-uzamsal hata analizleri, Segformer varyantlarının yama tabanlı yapısı nedeniyle ray hatlarında kopukluklar ve yüksek oranda yanlış pozitif (FP) gürültüsü ürettiğini kanıtlamıştır. Buna karşın U-Net (R34), 24,4 milyon parametre ile kendisinden 3,5 kat daha büyük olan Segformer-B5 ile istatistiksel olarak benzer (p>0,05) bir performans sergilemiş; uzamsal tümevarımsal yanlılığı sayesinde hat bütünlüğünü çok daha başarılı korumuştur. Deneyler sonucunda U-Net modeli 36,70 mIoU ve 40,72 HD95 skorlarıyla, donanımsal olarak çok daha ağır olan Segformer modellerini geride bırakmıştır. Wilcoxon İşaretli Sıralar Testi sonuçları, U-Net'in düşük ölçekli ViT modellerine karşı üstünlüğünün istatistiksel olarak anlamlı olduğunu doğrulamaktadır. Çalışma sonucunda, ince-uzun yapıların segmentasyonunda model derinliğinden ziyade uzamsal sürekliliği koruyan mimari yapıların kritik öneme sahip olduğu ve parametre artışının bu görevde her zaman performans artışı sağlamadığı gösterilmiştir.
Source: Demiryolu Mühendisliği
Author: Ahmet Akkaya
Institution: Bandırma Onyedi Eylül University
Language: Turkish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7154447056
