| Tez Türü | Yüksek Lisans |
| Ülke | Türkiye |
| Üniversite | Tokat Gaziosmanpaşa Üniversitesi |
| Enstitü | Lisansüstü Eğitim Enstitüsü |
| Anabilim Dalı | Bilgisayar Mühendisliği Anabilim Dalı |
| Tez Onay Yılı | 2026 |
| Öğrenci Adı ve Soyadı | Furkan Sefa DEMİRCİ |
| Tez Danışmanı | PROF. DR. REMZİ YILDIRIM |
| Türkçe Özet | Bu araştırmada, nokta bulutu verilerinin sınıflandırılması için GranCATLite (GranularCross Attention Lite, Tanecikli Çapraz Dikkat) mimarisi geliştirilmiştir. GranCATLite, üçboyutlu nokta bulutu verilerinden nesne sınıflandırma işlemini düşük model karmaşıklığıve sınırlı hesaplama maliyetiyle gerçekleştirmek üzere tasarlanmıştır. Nokta bulutlarınındüzensiz, sırasız ve değişken yoğunluklu yapısı, evrişimsel yöntemlerin doğrudanuygulanmasını güçleştirmektedir. Transformer dikkat mekanizmalarında bütün tokençiftleri arasındaki ilişkilerin hesaplanması ise yüksek sayıda nokta içeren girdilerdebellek ve işlem yükünü artırmaktadır. Bu araştırmada söz konusu kısıtların azaltılmasıamaçlanmıştır. Nokta bulutu, en uzak nokta örnekleme (Farthest Point Sampling, FPS)ve k-en yakın komşu (k-Nearest Neighbors, kNN) tabanlı hiyerarşik gruplama ile farklıölçeklerde işlenerek yerel ve seyrek tokenlar elde edilmiştir. Bu temsiller, öğrenilebilirsınıf tokenının sorgu olarak kullanıldığı granülasyon tabanlı çapraz dikkat mekanizmasınaaktarılmıştır. Gaussian, Laplacian, komşuluk ve kısmi sıralama çekirdekleri birliktekullanılarak tokenlar arasındaki farklı ilişkiler modellenmiştir. Hesaplama verimliliğiniartırmak amacıyla deformable landmark örnekleme ve Moore–Penrose tersininiteratif yaklaşımı uygulanmıştır. Sınıflandırma, sınıf tokenından elde edilen küreseltemsil ile yerel ve seyrek özelliklerin hibrit havuzlama çıktılarının birleştirilmesiylegerçekleştirilmiştir. Deneyler, ModelNet40 veri kümesi üzerinde gerçekleştirilmiştir.GranCATLite modeli, 1.209.247 eğitilebilir parametreyle genel doğrulukta (OA) %93,517ve sınıf ortalamalı doğrulukta (mAcc) %90,262 sonuçları elde edilmiştir. |
| İlgilizce Özet | In this research, the GranCATLite (Granular Cross Attention Lite) architecture wasdeveloped for the classification of point cloud data. GranCATLite was designed toperform object classification from three-dimensional point cloud data with low modelcomplexity and limited computational cost. The irregular, unordered, and variable-densitystructure of point clouds makes the direct application of convolutional methods difficult. InTransformer attention mechanisms, computing the relationships between all token pairsincreases the memory and computational load for inputs containing a large number ofpoints. This research aimed to alleviate these constraints. The point cloud was processedat different scales through hierarchical grouping based on farthest point sampling (FPS)and k-nearest neighbors (kNN), producing local and sparse tokens. These representationswere transferred to a granulation-based cross-attention mechanism in which a learnableclass token was used as the query. Gaussian, Laplacian, neighborhood, and partial-orderkernels were jointly used to model different relationships between the tokens. To improvecomputational efficiency, deformable landmark sampling and an iterative approximationof the Moore–Penrose inverse were applied. Classification was performed by combiningthe global representation obtained from the class token with the hybrid-pooling outputsof the local and sparse features. Experiments were conducted on the ModelNet40dataset. With 1,209,247 trainable parameters, the GranCATLite model achieved an overallaccuracy (OA) of 93.517% and a mean class accuracy (mAcc) of 90.262% |