Object augmentation for out-of-context object recognition
Bağlam dışı nesne tanıma için nesne çeşitliliği artırımı
- Tez No: 732914
- Danışmanlar: DOÇ. DR. SİNAN KALKAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 60
Özet
Bir görüntüdeki görsel bağlam, ön plan nesneleri ve arka plan hakkında ve bunlar arasında zengin bilgiler içerir. Derin öğrenme modelleri, genel olarak bağlamsal bilgileri dolaylı olarak öğrenir. Bununla birlikte, eğitim veri kümeleri genellikle tüm olası bağlamları içermediğinden, derin modeller bağlamsal ayrıntıları ezberleme eğilimindedir. Bu, nesneler beklenmedik bağlamlarda veya yerlerde görünebileceğinden, modellerin gerçek dünya uygulamalarında düşük tanıma performansına yol açabilir. Bu tür nesnelere bağlam dışı nesneler denir. Bu çalışmada, bağlam dışı nesnelerin daha gürbüz bir şekilde tanınması için nesne düzeyinde bir çeşitleme çerçevesi öneriyoruz. Önerilen çeşitleme metodolojimiz, eğitim aşamasında görüntülere rastgele nesne kaldırma ve nesne yerleştirme işlemleri uygular. Ayrıca, performansı daha da artırmak için nesne düzeyinde çeşitleme kullanan bir karşılaştırmalı öğrenme hattı önerdik. Sonuçlarımız, nesne düzeyinde çeşitleme ve karşılaştırmalı öğrenme kullanılarak modellerin bağlam dışı tanıma performansının normal görüntülerde performans kaybetmeden artırılabileceğini göstermektedir. Önerilen yöntemin etkinliğini analiz etmek için, MS COCO veri setinde çok etiketli bir görüntü sınıflandırma problemi için bir dizi deney yapılmıştır. Ayrıca, önerdiğimiz nesne çeşitliliğini artırma yöntemlerini kullanarak bağlam dışı nesnelerle görüntüler oluşturmak için bir araç sağlıyoruz.
Özet (Çeviri)
The visual context in an image contains rich information about and between foreground objects and the background. Deep learning models learn contextual information implicitly in general. However, since training datasets generally do not include all possible contexts, deep models tend to memorize contextual details. This can lead to poor recognition performance when models are deployed in real-world applications since objects may appear in unexpected contexts or places. These types of objects are called out-of-context objects. In this work, we propose an object-level augmentation framework for more robust recognition of out-of-context objects. Our proposed augmentation methodology applies object removal and object placement operations to images during the training phase. Moreover, we proposed a contrastive learning pipeline using object-level augmentations to increase performance further. Our results show that, by using object-level augmentations and contrastive learning, the out-of-context recognition performance of models can increase without losing performance on regular images. To analyze the effectiveness of the proposed method, we conducted a series of experiments for a multi-label image classification problem on the MS COCO dataset. Moreover, we provide a tool to generate images with out-of-context objects using the proposed augmentation framework.
Benzer Tezler
- Deprem sonrasında binaların hasar tespitinde kullanılan yapay öğrenme algoritmalarının analizi
Analysis of machine learning algorithms used in post-earthquake building damage assessment
SERHAT MÜRSEL KÖROĞLU
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. CANER GÜNEY
- Sabit kanatlı insansız hava araçları için kilitlenme algoritması
Lock-on algorithm for fixed-wing unmanned aerial vehicles
MERVE İSMAİLVELİOĞLU
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- İnsansız hava araçları vasıtasıyla karasal görüntüler üzerinden nesne tespiti
Object detection on terrestrial imagery using unmanned aerial vehicles
SELÇUK ÇİFTÇİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH ÇALLI
- Defect classification of electronic boards by deep learning
Elektronik kartların derin öğrenme ile hata sınıflandırması
DAMLA İLGEN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUĞBA ÖZACAR ÖZTÜRK