Aşırı Sınıf Dengesizliği Altında İnce Doğrusal Yapıların Segmentasyonu: Demiryolu Veri Setlerinde Doğruluk Paradoksu ve Mimari Verimlilik

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.