Sketch recognition with few examples
Az örnek ile çizim tanıma
- Tez No: 435861
- Danışmanlar: DOÇ. DR. TEVFİK METİN SEZGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 58
Özet
Çizim tanımanın ilgilendiği alan el ile çizilen dijital mürekkepleri sembolik bilgisayar ifadelerine çevirmektir. Çizim tanımanın ilk günlerinden beri alandaki çalışmaların çok büyük bir bölümü belirli ve iyi tanımlanmış veri tabanları için isabetli tanıyıcı modellerini geliştirmek üzerine odaklanmıştır. Bu gibi çalışmalar geleneksel makine öğrenmesi yaklaşımlarını kullanmaktadır. Bu yaklaşımlarda, önceden belirlenmiş sınıfların ve her sınıf için çokça etiketli örneğin bulunduğu varsayılır. Fakat pratikte bu varsayımların karşılanması güçtür. Gerçekte bir çizim tanıma sistemini geliştiren tasarımcının elinde hiç bir etiketli veri yoktur ve veri etiketleme külfeti ile karşı karşıyadır. Bu çalışmada etiketleme külfetini hafifletmek amacı ile geliştirilen, az sayıda etiketli ve çok sayıda etiketsiz veri kullanarak eğitilen sistemler sunmaktayız. Sunduğumuz sistemler çok küçük boyuttaki etiketlenmiş örnek kümesini öz-öğrenme yöntemleri ile etiketsiz örnekler arasından yeni örnekleri etiketleyerek otomatik olarak genişletmeyi hedefler. Otonom etiketlemenin sonucunda yeterli boyutta etiketli eğitim verisi ortaya çıkar ve bu veriler ile sınıflandırıcılar eğitilebilir. Bu çalışmada uygulaması ve çalışma zamanı karmaşıklığı birbirinden farklı dört öz-öğrenme yöntemi sunulmuştur. Sunulan yöntemlerden biri içeriksel eşdizimli örüntüleri kullanarak, tasdik edilebilir düzeyde daha çeşitli örnekler içeren eğitim örnek kümeleri elde etmektedir. Büyük veri setleri ile yürütülen titiz deneyler sonucu, sunulan içeriksel tabanlı özgün yöntemin tanıma performansını önemli ölçüde yükselttiği gözlemlenmiş ve raporlanmıştır.
Özet (Çeviri)
Sketch recognition is the task of converting hand-drawn digital ink into symbolic computer representations. Since the early days of sketch recognition, the bulk of the work in the domain has focused on building accurate recognition algorithms for specific domains, and well defined databases. These lines of work adopt traditional machine learning approaches. They assume the presence of a fixed set of symbol classes, and availability plenty of annotated examples per class. However, in practice, these assumptions do not hold. In reality, the designer of a sketch recognition system starts with no labeled data at all, and faces the burden of data annotation. In this work, we propose to alleviate the burden of annotation by building systems that can learn from very few labeled examples, and large amounts of unlabeled data. Our systems perform self-learning by automatically extending a very small set of labeled examples with new examples extracted from unlabeled sketches. The end result is a sufficiently large set of labeled training data, which can subsequently be used to train classifiers. We present four self-learning methods with varying levels of implementation difficulty and runtime complexities. One of these methods leverages contextual co-occurrence patterns to build verifiably more diverse set of training instances. Rigorous experiments with large sets of data demonstrate that this novel approach based on exploiting contextual information leads to significant leaps in recognition performance.
Benzer Tezler
- Türk halılarının görüntü veri tabanı kullanarak saklanması ve sorgulanması
Başlık çevirisi yok
BARBAROS GÜNAY
Yüksek Lisans
Türkçe
1998
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHİTTİN GÖKMEN
- Sketch recognition with self-supervised deep learning
Öz denetimli derin öğrenme ile çizim tanıma
TANER GÜLEZ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA SERT
- El çizimlerinin biyometrik bilgiyle tanınması için iyileştirilmiş bir yöntem geliştirilmesi
Developing an improved method for recognition of sketch with biometric information
BİLAL BEKTAŞ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY TUGAY BİLGİN
- Active learning for sketch recognition and active scene learning
Çizim tanıma için aktif öğrenme ve aktif sahne öğrenimi
ERELCAN YANIK
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TEVFİK METİN SEZGİN
- Sayısal video ve çizim verilerinde anlamsal kavram tanıma
Semantic concept recognition in digital video and sketch data
EMEL BOYACI
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MUSTAFA SERT