Geri Dön

Multi-objective evolutionary algorithms for multi-label classification supported by deep auto-encoder on image and video data

Çok etiketli sınıflama ̇için çok amaçlı evrimsel algoritmaların derin otokodlayıcı desteği ̇ile resim ve video verilerine uygulanması

  1. Tez No: 595946
  2. Yazar: GİZEM NUR KARAGÖZ
  3. Danışmanlar: PROF. DR. MEHMET HALİT SEYFULLAH OĞUZTÜZÜN, PROF. DR. ADNAN YAZICI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 99

Özet

Bu çalışmada, çoklu etiketlenmiş video ve resim verilerinin, ölçeklenebilir çok amaçlı optimizasyon algoritmaları ile sınıflandırılması amaçlanmıştır. Sınıflandırma algoritmasının güvenirliliği ve veri setinden en az öznitellik seçimi çakışan iki zıt durumdur. Veri setindeki ilgisiz ve fazla özellikler algoritmanın çalışma zamanında ve hatta kesinliğinde olumsuz etkiye sahiptir. Dolayısıyla, öznitelik boyutunun indirgenmesi algoritmanın güvenirliğinin öngörülmesini geliştirirken veri serinin işlenme süresini düşürmek için kilit bir role sahiptir. Bu problem, çok amaçlı evrimsel bir algoritma olan NSGA-II algoritması ve çok etiketli makine öğrenmesi teknikleri kullanılarak çözülmüştür. Genetik algoritma tarafından oluşturulan öznitelik alt kümelerinin başarısının tespitinde İkili Alaka Düzeyi(Binary Relevance), Sınıflandırma Zincirleri(Classifiers Chain), Budanmıs Kümeler(Pruned Sets) ve Rastgele k-etiket Kümesi(Random k-Labelsets) Sınıflandırması gibi çok etiketli sınıflandırma teknikleri kullanılmıştır. Bunun yanı sıra taban algoritma olarak, Destek Vektör Makinesi(Support Vector Machine), J48 Karar Ağacı ve Lojistik Bağlanım algoritmaları kullanılmıştır. Ayrıca, güvenilirliği arttırmak adına derin otokodlayıcı uygulanmış ve hem otokodlayıcıdan hem de genetik algoritmadan elde edilen öznitelik altkümeleri birleştirilip, genetik algoritma üzerinden kollektif öğrenmeye uygulanmıştır. Bu yöntemle aşamalı bir güvenilirlik artışı sağlanmıştır. Bu bağlamda, iki farklı veri seti üzerinden çıkarılan lokal öznitelik belirleyicileri ile kapsamlı deneyler yapılmıştır. Veri setlerinden ilki resimlerden oluşan MIR-Flickr veri seti iken, diğeri bir proje için kayıt altına aldığımız videolar ve özniteliklerini oluşturduğumuz kablosuz çoklu-ortam sensör verisetidir. Genetik algoritma için popülasyon nüfusu ve jenerasyon sayısı gibi değişkenler ayarlandıktan sonra hem algoritmanın doğruluğunu arttırmak hem de çalışma süresini kısaltmak adına algoritmanın paralel versiyonu da uygulanmıştır. Sonuçlar, öznitelik seçimi yapılmamış versiyon ile karşılaştırıldığında; MIR-Flickr veri seti için 0.838 den 0.886 ya yükselmişken, diğer veri seti için 0.694 den 0.845 e kadar geliştirilmiştir. Böylece öznitellik sayısı yüzlerden sadece birkaç seviyesine indirilirken, güvenilirlikten de ödün verilmemistir

Özet (Çeviri)

This study proposes multi-objective scalable algorithms for doing multilabel classification on image/video data. The accuracy of the classification and selection of the minimum number of features are two opposite objectives. The number of irrelevant and/or redundant features will have a negative effect on the computation time and can even degrade the accuracy of the classification. Reducing the dimensionality of features plays a key role in improving the prediction accuracy while reducing processing time of the datasets. In this study, the Multiobjective Non-dominated Sorting Genetic Algorithm (NSGA-II) is improved by multi-label machine learning classification techniques. Subsets of non-dominated features are extracted and validated by multi-label classification techniques, such as binary relevance (BR), classifier chains (CC), pruned sets (PS) and Random k-labelset (RAkEL) classification. Base classifiers, Support Vector Machines (SVM), J48-Decision Tree (J48) and Logistic Regression (LR) are used in the classification phase of the algorithms. Also, for the improvement, an autoencoder is implemented and the features extracted by the autoencoder and the genetic algorithm are merged and ensembled on a genetic algorithm for further optimization. Then, the results of the genetic algorithm are progressively improved. We conduct comprehensive experiments with local feature descriptors extracted from two multi-label data sets, MIR-Flickr which consists of images and the Wireless Multimedia Sensor dataset that we have generated from our video recordings. After tuning for the population size and the number of generations, parallel versions of the algorithms are implemented using to speed up execution of the algorithm while improving the prediction accuracy of the algorithm. The results based on the Hamming score are successfully improved from 0.838 to 0.886 (in the MIR-Flickr dataset) and from 0.694 to 0.845 (in the Wireless Multimedia Sensor-WMS dataset) in terms of Hamming scores against versions of the algorithms using all the features of datasets with no feature selection applied. The number of features is greatly reduced, from a hundred to a few without losing accuracy.

Benzer Tezler

  1. Geliştirilmiş SPEA2 ile envanter probleminin çözümü

    Inventory optimization with a novel SPEA2 algorithm

    ALİ BAYRAKDAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ILHAM HUSEYINOV

  2. Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu

    Analysis and optimization of artificial neural networks for image classification

    OZAN ARSLAN

    Doktora

    Türkçe

    Türkçe

    2001

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    PROF. DR. OĞUZ MÜFTÜOĞLU

    PROF. DR. CANKUT ÖRMECİ

  3. Understanding shape preferences in architectural design through evolutionary computation

    Mimari tasarımdaki şekil tercihlerini evrimsel hesaplama ile anlama

    ECENUR YAVUZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    DR. MICHAEL STEFAN BITTERMANN

  4. UTADIS based multi-objective evolutionary algorithms for medical diagnosis problems

    Tıbbi teşhis problemleri için UTADIS temelli çok amaçlı evrimsel algoritmalar

    HALENUR ŞAHİN MAHMUTOĞULLARI

    Doktora

    İngilizce

    İngilizce

    2019

    Endüstri ve Endüstri MühendisliğiOrta Doğu Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. SERHAN DURAN

    DOÇ. DR. ERTAN YAKICI

  5. Heuristic algorithms for solving chemical shift assignment problem in protein structure determination

    Sezgisel algoritmalar ile protein yapı belirlemesindeki kimyasal kayma atama probleminin çözümü

    EMEL MADEN YILMAZ

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE ŞİMA UYAR

    PROF. DR. PETER GÜNTERT