Dictionary learning for efficient classification with 1-sparse representations
Tek katsayılı seyrek gösterimlerle hızlı sınıflandırma için sözlük öğrenme
- Tez No: 507311
- Danışmanlar: DR. ÖĞR. ÜYESİ ELİF VURAL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Seyrek işaret işlemede sınıflandırma uygulamaları ve çekirdek tabanlı yaklaşımlar
Classification applications of sparse signal processing and kernel based methods
ABDURRAHMAN YEŞİLOĞLU
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENDER METE EKŞİOĞLU
- 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
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENDER METE EKŞİOĞLU
- Dissimilarity based multiple instance learning using dictionary ensembles
Sözlük toplulukları kullanılarak farklılık tabanlı çoklu örnek öğrenme
NAZANIN MOARREF
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF YASLAN
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- 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
2024
Mühendislik BilimleriOndokuz Mayıs ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
PROF. DR. SEDAT AKLEYLEK