Person re-identification using novel regularization methods in deep networks
Derin öğrenme ağlarında özgün regularizasyon yöntemleri kullanarak kişi yeniden kimliklendirme
- Tez No: 678277
- Danışmanlar: PROF. DR. YUSUF SİNAN AKGÜL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Gebze Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 117
Özet
Kişi yeniden kimliklendirme (KYK), geniş bir veritabanından bir sorgu kişisine ait görüntüleri getirme problemidir. Halka açık alanlarda güvenlik kamera ağlarına talebin artmasından dolayı KYK problemini iyileştirmeyi amaçlayan çalışmalar da daha fazla rağbet görmeye başlamıştır. KYK problemi için geliştirilen modeler eğitim/test verisi arasındaki kişi farklılıkları ve değişen görüntüleme koşullarından dolayı test verisi üzerinde düşük performans gösterir. Bu şekilde test üzerinde düşük performans gösteren modellerin genelleştirme kapasitesi düşüktür ve bu probleme“overfitting”denir. Bu tez çalışmasında, KYK modellerinin genelleştirme kapasitesini artırmak amacıyla bir topluluk öğrenme yöntemi önerilmektedir. Topluluk öğrenme yöntemleri birçok temel öğrenicinin kararlarının birleştirilmesiyle oluşmaktadır ve bu modellerin genelleştirme kapasitesi temel öğrenicilere göre daha yüksektir. Ancak derin ağlardan oluşan bir topluluk öğrenme modeli geliştirmek pahalı bir yöntemdir. Bu zorluğu aşmak için bu çalışmada çok dallı bir derin ağ tasarımı yapılarak birçok temel öğrenicinin aynı derin ağ üzerinde eğitilmesi önerilmektedir. Literatürde çokça kullanılan üç adet veri kümesi üzerinde gerçekleştirilen deneyler ve bunların detaylı analizleri önerilen yöntemin var olan yöntemlerden daha iyi performans gösterdiğini ortaya koymaktadır. Önerilen yöntem ayrıca İkili Yapay Sinir Ağları'na uyarlanmıştır. Yapılan deneyler önerilen yöntemin görüntü sınıflandırma probleminde İkili Sinir Ağları'nı hem doğruluk hem de eğitim sırasında model kararlılığı açısından iyileştirdiğini, KYK'da ise topluluk öğrenicisi yöntemine göre çok daha iyi performans gösterdiğini ortaya koymaktadır. Bu sonuçlar önerilen yöntemin sadece verimli bir topluluk öğrenme yöntemi olmadığını, aynı zamanda derin ağlar için etkili bir regularizasyon yöntemi olduğunu da göstermektedir.
Özet (Çeviri)
Person Re-Identification (ReID) aims at retrieving the images of a query person from a large set of gallery images. It has been an attractive research field in computer vision due to the ever-increasing demand for camera networks in public spaces. In recent years, significant improvements have been observed in person ReID task in parallel with the developments in deep learning. However, due to the large discrepancy between the training/test distributions, the ReID models generally lack in generalizing to the test data, which is the phenomenon known as overfitting. In this thesis, we propose an ensemble method to increase the generalization capability of the ReID models. Ensemble models, which consist of multiple base learners whose decisions are combined in test time, deal with the overfitting problem effectively and increase the generalization capability. However, training an ensemble of deep networks is computationally inefficient. To overcome this difficulty, we create diverse and accurate base learners in a single network by designing a multi-branch architecture. Detailed analysis of the experiments on three benchmark datasets demonstrates the effectiveness of our approach, which outperforms the state-of-the-art approaches. We adapt the proposed approach to Binary Neural Networks. Our experiments show that the proposed approach improves the Binary Neural Networks in terms accuracy and training stability in image classification task and outperforms the conventional ensemble model by a large margin in person ReID, which indicates that our model is not only an ensemble model, but also an effective regularizer for deep networks.
Benzer Tezler
- Face recognition and person re-identification for person recognition
Kişi tanıma için yüz tanıma ve kişinin yeniden tanınması
EMRAH BAŞARAN
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
PROF. DR. MUHİTTİN GÖKMEN
- 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
- Person re-identification using convolutional neuralnetworks
Evrişimli sinir ağları kullanarak kişiyi yeniden tanımlama
FATİH AKSU
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEM DİREKOĞLU
- Derin öğrenme ile kişi kimliğinin yeniden tanımlanması
Person re-identification using deep learning
SARA AKAN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
- Benzerliğe dayalı derin siyam ağları ile çok nesneli takipte kişileri yeniden tanımlama
Similarity based person re-identification for multi-objecttracking using deep siamese network
HARUN SULJAGIC
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. NUMAN ÇELEBİ