Geri Dön

Deep metric learning with distance sensitive entangled triplet losses

Derin metrik öğrenme için uzaklığa duyarlı dolaşık üçüz maliyet fonksiyonları

  1. Tez No: 668315
  2. Yazar: KAAN KARAMAN
  3. Danışmanlar: PROF. DR. ABDULLAH AYDIN ALATAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  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: 123

Özet

Metrik öğrenmenin amacı veri kümesindeki örnekler arasındaki anlamsal farkı ölçen bir mesafe tanımlamaktır. En son teknoloji yaklaşımlar, girdileri öznitelik uzayına eşleyen model olarak derin sinir ağlarını kullanır. Literatürde, öznitelik uzayındaki örnekleri ayırt etmek için bu benzerlik ölçütlerine dayalı olarak bir dizi kayıp fonksiyonu tanımlanmıştır. Bu çalışmada, gradyan problemini belirlemek için standart üçlü kayıp fonksiyonunu analiz ettik. Daha açık ifade etmek gerekirse, standart üçlü kaybı fonksiyonunun gradyanlarının, üçlüdeki örnekleri doğru büyüklüklerle doğru yönlere itmediğini gözlemledik. Daha sonra, serbest hareket edebilen bir yüklü cismin kuvvetler nedeniyle haraket etmesi ile kayıp fonksiyonunun kısmi gradyanları nedeniyle eniyilenmesi arasındaki benzerliği gösterdik. Bu durumdan yola çıkarak, dört orijinal maliyet fonksiyonu önerdik. Bu dört kayıp fonksiyonu, diğer üçlü kayıp fonksiyonlarının kusurlarını kademeli olarak çözmektedir. Bu kayıpların standart üçlü kayıp fonksiyonuna göre performans artışı, özellikle METU maliyet fonksiyonu için, kendi tasarladığımız adil deneylerin sonuçlarıyla gösterilmiştir. Ayrıca, yaygın olarak kullanılan bir ince-detaylı veri kümesi üzerinde gerçekleştirilen bu deneylerin sonuçlarını da gösterdik. Bu veri kümesi, CUB-200-2011dir. Ek olarak, bu çatı altında yapılan deneylerde önerilen kayıpların aldığı sonuçlar, derin metrik öğrenme konusundaki aynı kategoride yer alan son teknoloji yöntemlerin performans skor değerleriyle karşılatırılabilecek seviyededir.

Özet (Çeviri)

Metric learning aims to define a distance that is able to measure the semantic difference between the instances in a dataset. The most recent approaches in this area mostly utilize deep neural networks as their models to map the input data into a feature space by finding appropriate distance metrics between the features. A number of loss functions are already defined in the literature based on these similarity metrics to discriminate instances in the feature space. In this thesis, we particularly focus on triplet loss functions in order to designate their gradients. It is argued that the gradients of the vanilla triplet loss function do not force the instances in a triplet along the right direction with the right magnitude. Hence, the similarities between the instances in a triplet and the natural phenomena of a free electrostatic charge being affected by several forces due to the other charged bodies located in certain coordinates in the space are exploited to determine the right direction and magnitude. Considering the partial gradients of the loss function with respect to the anchor, positive and negative instances of any valid triplet generated from the dataset, four novel triplet loss functions are proposed that cope with the problem pointed out. It is shown that these loss gradients gradually solve the drawbacks of the vanilla loss function. The performance increment of these losses, especially the METU loss, over the other triplet losses is presented by the results of several fair experiments on a commonly used fine-grained dataset: CUB200-2011. The results of the proposed techniques are comparable with respect to the score values of the state-of-the-art methods in the deep metric learning topic.

Benzer Tezler

  1. Unsupervised anomaly detection via deep metric learning with end-to-end optimization

    Derin metrik öğrenmesi ile baştan sona optimize edilebilen gözetimsiz anomali tespiti

    SELİM FIRAT YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SÜLEYMAN SERDAR KOZAT

  2. Adversarial robustness for deep metric learning

    Derin metrik öğrenmesi için hasmane dayanıklılık

    EZGİ PAKET

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ

  3. 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

  4. Novel optimization models to generalize deep metric learning

    Derin metrik öğrenmeyi genelleyen yenilikçi optimizasyon modelleri

    YETİ ZİYA GÜRBÜZ

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH AYDIN ALATAN

  5. Deep convolutional neural network based representations for person re-identification

    Kişiyi yeniden tanıma için derin evrişimsel sinir ağı tabanlı modeller

    ALPER ULU

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAZIM KEMAL EKENEL