Metric learning using deep recurrent networks for visual clustering and retrieval
Görsel kümeleme ve bulgetir için derin yinelgeli ağlar kullanarak metrik öğrenme
- Tez No: 528610
- Danışmanlar: PROF. DR. ABDULLAH AYDIN ALATAN
- 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: 114
Özet
Görüntü benzerlik metriğini öğrenmek, özellikle diğer sınıflardan zor ayrışan olumsuz örneklerin çokça barındığı eğitim setlerinin görüntü analizlerinde anahtar rol oynamaktadır. Derin metrik öğrenmenin görsel kümeleme ve bulgetir gibi çalışma alanlarındaki başarısı nedeniyle uygun kayıp fonksiyonu ve örnekleme yöntemini şeçmek, başarımı arttırmak için odak noktası haline gelmektedir. Ancak, varolan metrik öğrenme yaklaşımlarının iki kayda değer sınırlaması mevcuttur; yetersiz küçük yığın örnekleme yöntemleri kullanılması ve verideki üst seviye ilişkileri gözardı etmeleridir. Bu tezde bahsedilen eksiklikleri gidermek için yenilikçi iki yöntem önerilmektedir. İlk olarak, yerel komşuluktaki çoklu benzer örnekleri tanımlamak için yeni bir kayıp fonksiyonu tanıtılmaktadır. Devamında, diğer sınıflardan zor ayrışan temsili olumsuz örnekleri seçmek için yenilikçi bir olumsuz yığın oluşturma yöntemi sunulmuştur. Derin ağların eğitilmesi önerilen yığın oluşturma yöntemi kullanılarak yenilikçi kayıp fonksiyonuyla sağlanmıştır. Üst seviye ilintileri modellemek için yenilikçi bir yinelgeli ağ mimarisi kullanan derin metrik öğrenme çerçevesi önerilmiştir. Üç kamusal veri setinden alınan kapsamlı deneysel sonuçlar sonunda, önerilen yaklaşımların önde gelen metrik öğrenme yöntemleriyle kıyaslandığında rekabetçi ya da daha iyi başarım sağladığı gösterilmiştir.
Özet (Çeviri)
Learning an image similarity metric plays a key role in visual analysis, especially for the cases where a training set contains a large number of hard negative samples that are difficult to distinguish from other classes. Due to the outstanding results of the deep metric learning on visual tasks, such as image clustering and retrieval, selecting a proper loss function and a sampling method becomes a central issue to boost the performance. The existing metric learning approaches have two significant drawbacks; inadequate mini-batch sampling and disregarding higher-order relations between data samples. In this thesis, two novel methods are proposed to alleviate these deficiencies. At first, a novel loss function is introduced to identify multiple similar examples in a local neighborhood. Moreover, a novel batch construction method is presented to select representative hard negatives. The training of a deep network is achieved by using this novel cost function through the proposed batch construction approach. In order to consider higher-order relations between samples, a novel deep metric learning framework that contains recurrent neural networks architecture is proposed. Extensive experimental results on three publicly available datasets show that proposed approaches yield competitive or better performance in comparison with state-of-the-art metric learning methods.
Benzer Tezler
- Ai-based visual odometry implementation on an embedded system
Yapay zeka tabanlı görsel odometrinin gömülü bir sistemde gerçeklemesi
OĞUZHAN BÜYÜKSOLAK
Yüksek Lisans
İngilizce
2023
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Exploring fusion models in computer vision for medical image computing
Başlık çevirisi yok
DUYGU SARIKAYA
Doktora
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolState University of New York at BuffaloDr. JASON J. CORSO
- Derin öğrenme ve kelime gömme modelleri kullanarak parkinson hastalığının analizi
Parkinson disease analysis with deep learning and word embedding models
FEYZA ÇEVİK
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDoğuş ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP HİLAL KİLİMCİ
- Yinelemeli sinir ağları ile sermaye piyasası yön tahmini üzerine bir çalışma
A study on direction prediction of capital markets with recurrent neural networks
MUHİDDİN ÇAĞLAR EREN
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data
Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması
MERVE BOZO
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE