Geri Dön

Öğrenme aktarımı ile sınıflandırma

Classification with transfer learning

  1. Tez No: 522308
  2. Yazar: MEHMET OTURAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SENİHA ESEN YÜKSEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 95

Özet

Sadece birkaç örnekten bir nesne kategorisinin öğrenilmesi genellikle doğru sınıflandırma için yeterli değildir. İyi bir şekilde genelleştiren ve yeterli başarı oranına sahip bir sınıflandırıcı elde etmek için birçok eğitim örneğine ihtiyaç vardır. Bununla birlikte, Yeraltı Radarı (GPR) ile hedef tespiti dahil olmak üzere birçok uygulamada, yeterli sayıda etiketlenmiş veri toplanması her zaman mümkün değildir. GPR verisi toplamada, oluşan görüntüler dielektrik geçirgenlik ve manyetik geçirgenlik gibi toprak özelliklerine doğrusal olmayan bir bağımlılık göstermektedir. Bu nedenle, bir toprak tipi için (kuru kum gibi) iyi bir sınıflandırıcıyı eğitmek için yeterli eğitim verisi mevcut olsa bile, Bu sınıflandırıcının başarısı, toprak tipi değiştiğinde (örn. ıslak kum) yeterince iyi olmayabilir. Bu çalışmada, GPR kullanarak farklı ortamlarda gömülü piknik tüpü tespit etmek için çok modelli bilgi aktarımı (BA) önerilmiştir. Önerilen yöntemde, ölçekten bağımsız öznitelik dönüşümü (SIFT) yöntemi ile GPR verilerinden öznitelikler hesaplanmıştır. Daha sonra, en küçük kare destek vektör makinesi (LS-SVM) sınıflandırıcıları, bol miktarda verinin mevcut olduğu üç toprak tipi (kuru kum, kuru kumtaşı ve ıslak kumtaşı) için eğitilmiştir. Daha sonra, adaptif LS-SVM, sadece az miktarda eğitim verisinin olduğu ıslak kumdaki hedef piknik tüpünü tespit eden bir sınıflandırıcıyı eğitmek için kullanılmıştır. Sonuç olarak, (i) birden fazla kaynaktan (yani birden çok toprak türünden) bilgi aktarımının, tek kaynaktan aktarımdan daha iyi sonuçlar ürettiği; ve (ii) hedef sınıftan sadece 3 eğitim verisi ile, tespit oranlarının tek kaynaktan BA ile % 25, çok kaynaktan BA ile de % 32 arttığı gösterilmiştir.

Özet (Çeviri)

Learning an object category from only a few samples is generally not adequate for correct classification. One needs many training samples to obtain a classifier that generalizes well and that has sufficient success rates. However, in several applications, including target detection from Ground Penetrated Radar (GPR) data, collecting a lot of annotated data is not always possible. In a GPR data collection, the images formed show a nonlinear dependence on the soil properties such as the permeability and permittivity. Therefore, even if enough training data were available to train a good classifier for one soil type (such as dry sand); the success of this classifier does not translate well if the soil type is changed (say, to wet sand). In this work, multi-model knowledge transfer (KT) is proposed to detect a picnic tube buried in different media using GPR. In the proposed method, scale invariant feature transform (SIFT) features are extracted from GPR data. Then, least-square support vector machine (LS-SVM) classifiers are trained for three soil types (i.e. dry sand, dry sandstone, and wet sandstone) where there is ample data available. Then, adaptive LS-SVM is used to train a classifier that detects the target picnic tube in wet sand from where there is only scarcely available training data. We show that (i) knowledge transfer from multiple sources (i.e. multiple types of sand) generates better results than single source transfer; and (ii) as little as 3 training data from the unknown source increases the detection rates by 25% for single source KT, and 32% for multiple source KT

Benzer Tezler

  1. Transforming feedback control systems on whiteboard into Matlab via a deep learning based intelligent system

    Derin öğrenme tabanlı akıllı bir sistem ile beyaz tahtadaki geribeslemeli kontrol sistemlerinin Matlab ortamına aktarılması

    DORUKHAN ERDEM

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TUFAN KUMBASAR

  2. On-device deep learning for mobile and wearable computing

    Mobil ve giyilebilir hesaplama için cihaz üzerinde derin öğrenme

    SEVDA ÖZGE BURSA

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜLFEM ALPTEKİN

    DOÇ. DR. ÖZLEM DURMAZ İNCEL

  3. Comparative analysis of deep convolutional neural network models for classification of brain tumors

    Beyin tümörlerinin sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi.

    OZAN AKHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstinye Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN

  4. Evrişimsel sinir ağları ile kelebek türlerinin tespiti

    Detection of butterfly species with convolutional neural networks

    MUSTAFA SERHAT ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HÜSEYİN HAKLI

  5. Derin öğrenme tabanlı kolon kanseri teşhisi

    Deep learning-based colon cancer diagnosis

    ABDURRAHMAN SEFER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ VOLKAN MÜJDAT TİRYAKİ