Geri Dön

Object augmentation for out-of-context object recognition

Bağlam dışı nesne tanıma için nesne çeşitliliği artırımı

  1. Tez No: 732914
  2. Yazar: OĞUL CAN ERYÜKSEL
  3. Danışmanlar: DOÇ. DR. SİNAN KALKAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Türkiye'de su hakkı

    The right to water in Turkey

    YILDIZ AKEL ÜNAL

    Doktora

    Türkçe

    Türkçe

    2021

    HukukGalatasaray Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    PROF. DR. ERDOĞAN BÜLBÜL

  2. Defect classification of electronic boards by deep learning

    Elektronik kartların derin öğrenme ile hata sınıflandırması

    DAMLA İLGEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TUĞBA ÖZACAR ÖZTÜRK

  3. Derin öğrenme tabanlı kızıl ötesi hedef tespiti

    Deep learning-based infrared target detection

    KEVSER İREM DANACI

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiSivas Bilim ve Teknoloji Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. DR. ERDEM AKAGÜNDÜZ

  4. Anonim ortaklıklarda payın senede bağlanması

    Başlık çevirisi yok

    BÜŞRA GÖRKEM ÇAY NAİBOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    HukukGalatasaray Üniversitesi

    Özel Hukuk Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HALİL ALİ DURAL

  5. Türk ve Avrupa Topluluğu Rekabet Hukukunda pazar paylaşımı ve pazara girişin engellenmesine yönelik anlaşmalar

    Market sharing and the agreements on prevention of entry to the market according to the Turkish and European Community's Competition Law

    ARZU ÖZGEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    HukukGalatasaray Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    PROF. DR. HALİL ERCÜMENT ERDEM