Weakly supervised approaches for image classification in remote sensing and medical image analysis
Uzaktan algılama ve tıbbi görüntü analizinde zayıf denetimli görüntü sınıflandırma yaklaşımları
- Tez No: 655372
- Danışmanlar: DOÇ. DR. SELİM AKSOY, DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 103
Özet
Zayıf denetimli öğrenme (ZDÖ), çeşitli öğrenme problemlerini çözmek için gürültülü etiketler içeren verilerden faydalanmayı amaçlamaktadır. Biz ZDÖ yaklaşımlarını uzaktan algılama ve tıbbi görüntü analizi olmak üzere iki farklı alanda incelemekteyiz. Uzaktan algılama alanında, bir nesneyi birçok benzer alt kategoriden birine sınıflandırmayı amaçlayan çok kaynaklı ince taneli nesne tanıma problemine odaklanmaktayız. Bu problemde, verilen sınıf etiketine sahip bir nesne görüntüde bulunmakta, fakat nesnenin görüntü içindeki kesin konumu bilinmemektedir. Bu soruna ZDÖ perspektifinden yaklaşmakta ve iki paralel dal ile nesnelerin aynı anda lokalizasyonunu ve sınıflandırılmasını yapabilen tek kaynaklı bir derin öge dikkat modeli önermekteyiz. Daha sonra bu modeli, konum belirsizliği içermediği varsayılan bir referans kaynağın birden fazla kaynağın birleştirilmesine yardımcı olmak amacıyla kullanıldığı çok kaynaklı bir senaryoya uygun eklemelerle genişletmekteyiz. Önerilen tüm birleştirme stratejilerinin en gelişkin yöntemler ile karşılaştırıldığında daha yüksek doğruluk sağladığını ortaya koymaktayız. Ayrıca, her bir modeli çeşitli parametre karmaşıklık ayarlarında değerlendirerek derinlemesine bir karşılaştırma da yapmakta ve artan model kapasitesinin varsayılan kapasite ayarının daha üzerinde bir performans sergilediğini göstermekteyiz. Tıbbi görüntü analizi alanında, meme biyopsi tüm slaytlarından gelen değişken şekil ve boyutlardaki ilgi bölgeleri (İB) üzerinde meme kanseri sınıflandırması problemini ele almaktayız. Bu problemle ilgili yaklaşımlar tipik olarak İB'lerden örneklenen sabit boyutlu pencerelerin sınıflandırma sonuçlarının görüntü düzeyinde sınıflandırma puanları elde etmek için birleştirilmesi şeklinde olmaktadır. İlk olarak, İB'nin tamamının sınıflandırılması doğrultusunda, pencerelerden gelen bilginin komşu pencereler üzerinde kademeli bir şekilde iletilmesini amaçlayan bir çizge evrişimsel ağ (ÇEA) aracılığıyla yerel pencere arası bağlamdan faydalanmayı hedefleyen genel bir yöntem önermekteyiz. Zorlu bir veri kümesinde gerçekleştirdiğimiz 3 sınıflı bir İB sınıflandırma problemi üzerine yaptığımız deneylerde birkaç temel yaklaşımla yaptığımız kıyaslamalar sonucunda, önerilen modelin yaygın olarak kullanılan birleştirme kurallarından daha iyi performans sergilediğini göstermekteyiz. İkinci olarak, uzaktan algılama deneylerimizde kullandığımız ZDÖ sistemini yeniden gözden geçirip 4 sınıflı bir İB sınıflandırma problemine uygulamaktayız. Bu ZDÖ problemi için özel olarak tasarlanmış, İB çiftlerinden gelen pencere ve etiketleri birleştirerek öge dikkat modelinin birden çok etikete sahip örneklerden öğrenme yeteneğinden yararlanmayı amaçlayan yeni bir eğitim yöntemi önermekte ve bu önerilen yöntemin birkaç temel yaklaşıma kıyasla üstün performans sergilediğini gözlemlemekteyiz.
Özet (Çeviri)
Weakly supervised learning (WSL) aims to utilize data with imprecise or noisy annotations to solve various learning problems. We study WSL approaches in two different domains: remote sensing and medical image analysis. For remote sensing, we focus on the multisource fine-grained object recognition problem that aims to classify an object into one of many similar subcategories. The task we work on involves images where an object with a given class label is present in the image without any knowledge of its exact location. We approach this problem from a WSL perspective and propose a method using a single-source deep instance attention model with parallel branches for joint localization and classification of objects. We then extend this model into a multisource setting where a reference source assumed to have no location uncertainty is used to aid the fusion of multiple sources. We show that all four proposed fusion strategies that operate at the probability level, logit level, feature level, and pixel level provide higher accuracies compared to the state-of-the-art. We also provide an in-depth comparison by evaluating each model at various parameter complexity settings, where the increased model capacity results in a further improvement over the default capacity setting. For medical image analysis, we study breast cancer classification on regions of interest (ROI) of arbitrary shapes and sizes from breast biopsy whole slides. The typical solution to this problem is to aggregate the classification results of fixed-sized patches cropped from ROIs to obtain image-level classification scores. We first propose a generic methodology to incorporate local inter-patch context through a graph convolution network (GCN) that aims to propagate information over neighboring patches in a progressive manner towards classifying the whole ROI. The experiments using a challenging data set for a 3-class ROI-level classification task and comparisons with several baseline approaches show that the proposed model that incorporates the spatial context performs better than commonly used fusion rules. Secondly, we revisit the WSL framework we use in our remote sensing experiments and apply it to a 4-class ROI classification problem. We propose a new training methodology tailored for this WSL task that combines the patches and labels from pairs of ROIs together to exploit the instance attention model's capability to learn from samples with multiple labels, which results in superior performance over several baselines.
Benzer Tezler
- Land cover and land use classification of multi-modal high-resolution satellite images using multi-task deep learning approach
Çok görevli derin öğrenme tekniği ile çok kipli yüksek çözünürlüklü uydu görüntülerinin arazi örtüsü ve arazi kullanımı sınıflandırılması
BURAK EKİM
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Fisher kernel based models for image classification and object localization
Başlık çevirisi yok
RAMAZAN GÖKBERK CİNBİŞ
Doktora
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversité de GrenobleDR. CORDELIA SCHMID
DR. JAKOB VERBEEK
- Scene classification using spatial pyramid of latent topics
Gizli temalardan uzaysal piramit oluşturularak sahne sınıflandırılması
EMRAH ERGÜL
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDeniz Harp Okulu KomutanlığıBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NAFİZ ARICA
- Utilizing multiple instance learning for computer vision tasks
Bilgisayarlı görü problemlerinin çoklu örnekle öğrenme ile değerlendirilmesi
FADİME ŞENER
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. PINAR DUYGULU ŞAHİN
YRD. DOÇ. DR. NAZLI İKİZLER CİNBİŞ
- Object detection with minimal supervision
Asgari denetim ile nesne tespiti
BERKAN DEMİREL
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
DOÇ. DR. NAZLI İKİZLER CİNBİŞ