Geri Dön

Learning-based methods for multi-modal and multi-spectral data

Çoklu-model ve çoklu-spektral verilerde öğrenme tabanlı yöntemler

  1. Tez No: 650197
  2. Yazar: SAVAŞ ÖZKAN
  3. Danışmanlar: PROF. DR. GÖZDE AKAR
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  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: 144

Özet

Veriye dayalı çözümler günlük hayatımızın vazgeçilmez bir parçası haline geldi. Bu çözümler genellikle büyük miktarda denetlenen veri tüketmektedir. Ek olarak, insan bilgi düzeyine doğru bir şekilde ulaşabilmek için geniş bir öğrenilebilir parametreler bütünü eğitilmelidir. Bununla birlikte, bu bağımlılıklar, özel öğrenme yapıları aracılığıyla alana özgü özelliklerin tam olarak kullanılmasıyla aşılabilir. Bu tez, özellikle farklı sensör tiplerini ve uygulama alanlarını kullanarak denetimsiz ve çok modlu verileri ele almaktadır. İlk yönümüz, veriye özgü özellikler uygun şekilde modellenebilirse, sağlam temsillerin denetim olmaksızın verilerden hesaplanabileceğini kanıtlamaktır. Bu amaçla, zengin içerik bilgisi sağlayan multispektral veriler kullanılır. Spektral malzeme imzaları ve bunların karışım oranları verilerden kör olarak elde edilirmektedir. İkinci yön, çok modlu verilerin karmaşık görsel görevleri çözmek için teorik ve pratik faydalar sunduğunu göstermektir. Özellikle, biyomedikal verileri çeşitli görsel modalitelerden bölümlere ayırabilen yeni bir NN modeli öneriyoruz. Üstünlük, hem eğitim hem de test aşamalarında veri modaliteleri hakkında hiçbir bilginin sağlanmamasıdır. Bu özellik, kaçınılmaz olarak bu modelin uygulanabilirliğini artırmaktadır. Ayrıca çözüm tek bir modelde birleştirildiği için öğrenilebilir parametrelerin sayısı azalmıştır. Bu amaçla, NN yapısında yeni modifikasyonlar sunuyoruz ve farklı modaliteler için alanları kümelemeyi ve uyarlamayı amaçlayan GAN kullanılır. Son olarak, daha doğru çözümler için büyük miktarda veriye ihtiyaç duyulan multispektral verilerin regresyon optimizasyonu için multimodal öğrenmeyi uygulanmaktadır. Regresyon ve sınıflandırma görevlerini aynı anda çözerek bu sınırlama ortadan kaldırılır. Benzer şekilde, deneysel sonuçlar, her iki yöntemin de bütün önceki yöntemlere kıyasla performansı önemli ölçüde artırdığını göstermektedir.

Özet (Çeviri)

Data-driven solutions have become essential parts of our daily lives. These solutions generally consume a large amount of supervised data. Additionally, a large-body of learnable parameters must be trained to be able to reach the level of human knowledge accurately. However, these dependencies can be overcome by making full use of domain-specific features via specialized learning structures. This thesis addresses unsupervised and multimodal data by utilizing different sensor types and application domains in particular. Our first direction is to prove that robust representations can be computed from data without supervision if data-specific features can be appropriately modeled. For this purpose, multispectral data is used, which provides rich content information. Spectral material signatures and their fractional abundances are obtained from the data blindly. The second direction is to show that multimodal data offers theoretical and practical benefits to solve complicated visual tasks. In particular, we propose a novel NN model that is able to segment biomedical data from diverse visual modalities. The superiority is that no information about data modalities is provided at both train and test phases. This feature inevitably improves the applicability of this model. Furthermore, the number of learnable parameters is decreased since the solution is combined within a single model. For this purpose, we present novel modifications in the NN structure, and GAN is used that aims to cluster and adapt domains for different modalities. Lastly, we apply multimodal learning for the regression optimization of multispectral data, where a large amount of data is mainly required for more accurate solutions. This limitation is eliminated by solving the regression and the classification tasks concurrently. Similarly, experimental results show that both methods significantly improve the performance compared to all baselines.

Benzer Tezler

  1. Geodesic based hybrid similarity criteria for approximate spectral geodesic based hybrid similarity criteria for approximate spectral clustering of large medical data sets

    Büyük medikal veri setlerinin yaklaşık spektral öbeklenmesi için jeodezik tabanlı benzerlik ölçütleri

    BERNA YALÇIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. İSA YILDIRIM

  2. 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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  3. İnvolüsyonel sinir ağları ile hiperspektral verilerin analizi

    Analysis of hyperspectral data with involutional neural networks

    MÜCAHİT CİHAN

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT CEYLAN

  4. Aiding agricultural practices with the exploration of earth observation data via machine learning

    Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi

    MEHMET FURKAN ÇELİK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ESRA ERTEN

  5. Uzaktan algılama verileri kullanarak derin öğrenmeye dayalı arazi kullanımı ve arazi örtüsü haritalama modeli geliştirme

    Developing a deep learning-based land use and land cover mapping model using remote sensing data

    ŞAZİYE ÖZGE ATİK

    Doktora

    Türkçe

    Türkçe

    2021

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. CENGİZHAN İPBÜKER