Geri Dön

Dictionary learning for efficient classification with 1-sparse representations

Tek katsayılı seyrek gösterimlerle hızlı sınıflandırma için sözlük öğrenme

  1. Tez No: 507311
  2. Yazar: EGE ENGİN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ELİF VURAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 97

Özet

Seyrek gösterimler, bir sinyalin, kendi özelliklerini taşıyan az sayıda sinyalin lineer kombinasyonu olarak gösterilmesini hedefler. Sözlük modellemesi sayesinde seyrek gösterimlerin verilerin analizinde ve işlenmesinde faydalı olduğu geçtiğimiz yıllarda gözlemlenmiştir. Sınıflandırma problemlerinde denetimli sözlüklerin her sınıftaki verilerin yapısına uygun bir şekilde öğrenilmesi ve daha sonra verilerin bu denetimli sözlükte gösterilmesi sınıflandırıcıların performansını önemli ölçüde arttırmaktadır. Fakat, yüksek sözlük boyutları ve seyrek gösterim hesaplama işleminin karmaşıklığı özellikle sınırlı hafıza ve hesaplama kaynaklarına sahip platformlarda bahsedilen yöntemlerin kullanımını zorlaştırmaktadır. Bu tezde test numunelerinde hızlı ve verimli sınıflandırma hedefleyen bir denetimli sözlük öğrenme yöntemi önerilmiştir. Yöntemimiz düşük hesaplama karmaşıklığı ve hafıza kullanımı elde edebilmek amacıyla seyrekliği 1 olan gösterimlerle test numunelerinin doğru sınıflandırılmasına imkan sağlayan analitik gösterimli denetimli sözlükler öğrenmektedir. Çalışmamızda hem sözlük atomlarının kendi sınıfındaki ve diğer sınıflardaki numunelerle arasındaki uzaklıklarını, hem de atomlar arasında çeşitlilik sağlayan bir uyumsuzluk terimini içeren bir optimizasyon problemi vasıtasıyla analitik fonksiyonlar türünden ifade edilen atomlar öğrenilmiştir. Önerilen yöntemin performansı farklı veri kümeleri ile ölçüldü. Önerilen yöntemin referans denetimli ve denetimsiz sözlük öğrenmesi yöntemleriyle karşılaştırılması yönetimimizin başarılı sınıflandırma sonuçlarına ulaştığını göstermiştir.

Özet (Çeviri)

Sparse representations have the goal of expressing a given signal as a linear combination of a small number of signals that capture well its characteristics. Dictionary models allowing sparse representations have proven to be quite useful for the treatment and analysis of data in recent years. In particular, the learning of dictionaries in a manner adapted to the characteristics of each data class in a supervised learning problem and representing the data with the learned dictionaries significantly improve the accuracy of classifiers. However, large dictionary sizes and the complexity of the computation of sparse representations may limit the applicability of these methods especially over platforms with limited storage and computational resources. In this thesis, we study the problem of supervised dictionary learning for fast and efficient classification of test samples. In order to achieve low computational complexity and efficient usage of memory, our method learns analytically represented supervised dictionaries that allow an accurate classification of test samples based on 1-sparse representations. We adopt a representation of dictionary atoms in a two-dimensional analytical basis, where the atoms are learned with respect to an objective involving their distance to the samples from the same class and different classes, as well as an incoherence term encouraging the variability between dictionary atoms. The performance of the proposed method is evaluated with experiments on different image datasets. The comparison of the method to reference supervised and unsupervised dictionary learning methods suggests that it provides satisfactory classification performance under 1-sparse signal representations.

Benzer Tezler

  1. Seyrek işaret işlemede sınıflandırma uygulamaları ve çekirdek tabanlı yaklaşımlar

    Classification applications of sparse signal processing and kernel based methods

    ABDURRAHMAN YEŞİLOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ENDER METE EKŞİOĞLU

  2. Analiz ve sentez seyreklik için sözlük öğrenme algoritmaları ve görüntü işlemede uygulamaları

    Dictionary learning algorithms for analysis and synthesis sparsity and applications in image processing

    ÖZDEN BAYIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ENDER METE EKŞİOĞLU

  3. Dissimilarity based multiple instance learning using dictionary ensembles

    Sözlük toplulukları kullanılarak farklılık tabanlı çoklu örnek öğrenme

    NAZANIN MOARREF

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. YUSUF YASLAN

  4. Sparse coding via high dimensional model representation for hyperspectral images

    Hiperspektral görüntüler için yüksek boyutlu model gösterilim aracılığıyla seyrek kodlama

    KAMILA MUMINOVA

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜHA TUNA

  5. Post-quantum password authenticated key exchange schemes and their primitives for resource-constrained devices

    Kuantum sonrası parola kimlik doğrulamalı anahtar değişim şemaları ve kaynak kısıtlı cihazlar için bunların bileşenleri

    KÜBRA SEYHAN

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik BilimleriOndokuz Mayıs Üniversitesi

    Hesaplamalı Bilimler Ana Bilim Dalı

    PROF. DR. SEDAT AKLEYLEK