Geri Dön

Quantifying and mitigating class imbalance in long-tailed visual recognition

Uzun kuyruklu görsel tanımada sınıf dengesizliğinin ölçülmesi ve azaltılması

PDF İndir

  1. Tez No: 745390
  2. Yazar: ZEYNEP SONAT BALTACI
  3. Danışmanlar: DOÇ. DR. SİNAN KALKAN, DR. ÖĞR. ÜYESİ EMRE AKBAŞ
  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: Belirtilmemiş.

Özet

Gerçek dünyada nesneler, kategorilere eşit olmayan bir şekilde dağılır. Bu durum gerçekçi görsel tanıma veri kümelerinde uzun kuyruklu bir dağılım olarak kendini gösterir. Geleneksel gradyan tabanlı eğitim stratejileri kullanılarak bu tür dengesiz veri kümeleri üzerinde eğitilen derin öğrenme tabanlı yaklaşımlar, veri kümesinde yeterince temsil edilmeyen sınıflara karşı adil olmayan tanıma performansları sergiler. Bu sözde sınıf dengesizliği, literatürde, dengesizliği sınıf frekansı veya sınıf zorluğu yoluyla ölçerek ve bu ölçümleri örnekleme, kayıp fonksiyonu ağırlıklandırma veya kalibrasyon stratejileri yoluyla dengesizliği azaltmak için kullanarak çalışılmıştır. Bu tezde, sınıflar arasındaki dengesizliği yakalamak için örnek frekansının veya zorluğunun tek başına yeterli olmadığını tartışıyor ve deneysel olarak gösteriyoruz. Ardından, eğitilmiş bir derin ağın tahmin belirsizliğine dayanan yeni bir ölçüt öneriyoruz ve bunun dengesizliği mevcut yaklaşımlardan daha iyi yakalayabildiğini gösteriyoruz. Son olarak, ölçümüzü mevcut dengesizlik azaltma yöntemlerine dahil ediyoruz: kayıp fonsiyonunu yeniden ağırlıklandırma, yeniden örnekleme, marj tabanlı yöntemler ve iki aşamalı eğitim. Tahmine dayalı belirsizliğe dayalı yöntemlerin, uzun kuyruklu CIFAR-10-LT, CIFAR-100-LT ve ImageNet-LT veri kümelerinde mevcut temellere göre iyileştirdiğini veya yakın performans gösterdiğini gösteriyoruz.

Özet (Çeviri)

Objects are distributed unevenly in real world, which manifests itself as a long-tailed distribution in realistic visual recognition datasets. Deep learning based approaches trained on such imbalanced datasets using conventional gradient-based training strategies exhibit unfair recognition performances towards classes that are under-represented in the dataset. This so-called class imbalance has been studied in the literature by measuring imbalance via either class frequency or class hardness, and using those measures to mitigate imbalance by sampling, loss weighting or calibration strategies. In this thesis, we argue and empirically show that sample frequency or hardness alone is not sufficient for capturing imbalance among classes. Then we propose a novel measure based on predictive uncertainty of a trained deep network and demonstrate that it can capture imbalance better than existing approaches. Finally, we incorporate our measure to existing imbalance mitigation methods: loss reweighting, resampling, margin-based methods, and two-stage training. We show that predictive uncertainty-based methods improve over or perform on par with existing baselines on long-tailed datasets CIFAR-10-LT, CIFAR-100-LT and ImageNet-LT.

Benzer Tezler

  1. Tez No

    958908

    Kentsel ısı adası etkisinin doğa tabanlı çözümlerle azaltılması: İstanbul örneği

    Mitigating urban heat island effects through nature-based solutions: the case of İstanbul

    GİZEM BAYDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Bilişim Ana Bilim Dalı

    PROF. DR. FATİH TERZİ

  2. Tez No

    990242

    Orman yangınlarının mekânsal dağılımı ve hava kalitesine etkilerinin uydu verileri ve makine öğrenme yöntemleri ile analizi: 2025 Türkiye ve kaliforniya (LA) yangınları

    Analysis of spatial distribution of forest fires and their impacts on air quality using satellite data and machine learning methods: 2025 turkey and california (LA) fires

    İLAY NUR TÜMER

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ELİF SERTEL

  3. Tez No

    1021744

    Google trends tabanlı otc analjezik talep tahmini: Türkiye'de genetik algoritma ile optimizasyonlu ve belirsizlik-farkındalıklı kuantil sinir ağı

    Google trends-based otc analgesic demand forecasting - genetically optimized and uncertainty aware quantile neural network in Türkiye

    FIRAT KEBAPCI GÜNDÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. SAMET GÜMÜŞ

  4. Tez No

    1018231

    Politika duyarlı text-to-SQL ajanının postgresql satır düzeyi güvenlik (RLS) ile uygulamalı değerlendirilmesi

    Applied evaluation of the policy-sensitive text-to-SQL agent with postgresql row level security (RLS)

    ALI ATIA ALI KOUNDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL HAKKI CEDİMOĞLU

  5. Tez No

    976791

    Covid 19 pandemisi sürecinde ölüm oranlarının karşılaştırmalı analizi

    Comparative analysis of mortality rates during the Covid 19 pandemic process

    HALİL BOZOĞLU

    Doktora

    Türkçe

    Türkçe

    2025

    Sağlık YönetimiTrakya Üniversitesi

    Sağlık Kurumları Yönetimi Ana Bilim Dalı

    DOÇ. DR. EMRE ATILGAN

Geri Dön