Open-set object recognition
Açık-set nesne tanıma
- Tez No: 745592
- Danışmanlar: DR. ÖĞR. ÜYESİ SHERVIN RAHIMZADEH ARASHLOO
- 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: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Son birkaç on yılda nesne tanıma ve sınıflandırmadaki önemli ilerlemelere rağmen, gerçek dünya senaryolarında tüm sınıflardan temsili eğitim örnekleri toplamanın oldukça pahalı olduğu veya sistemin açıkta kalabileceği çeşitli durumlar vardır. test zamanında öngörülemeyen yeni örneklere. desen sınıflandırma problemi genellikle açık küme olarak adlandırılır. Tanıma görevi, eğitim süresi boyunca modele tüm veri dağıtımına ilişkin sınırlı ve eksik bilgi verildiği durumlarda. Test aşamasında, sınıflandırıcının daha önce görülen sınıfları doğru bir şekilde sınıflandırmasını ve görünmeyenleri etkili bir şekilde reddetmesini gerektiren bilinmeyen sınıflarla karşılaşılabilir. Diğerlerinin yanı sıra, tek sınıflı sınıflandırma, açık küme tanıma problemine makul bir çözüm olarak hizmet eder. Bununla birlikte, mevcut tek sınıflı sınıflandırıcıların sınırlamaları vardır. Klasik çekirdek tabanlı yaklaşımlar, makul performans elde etmek için dikkatlice tasarlanmış özellikler gerektirir, ancak eğitim kümesi safsızlıklarına karşı iyi bir sağlamlık sağlayarak istatistiksel öğrenme teorisinde sağlam bir temele dayanır. Diğer yandan, daha yeni derin öğrenme tabanlı yöntemler, ilgili özellikleri doğrudan verilerden öğrenmeye odaklanır, ancak genellikle genellikle iyi genellemeyen ve her yerde mevcut olan gürültüye karşı sağlam olmayan geçici tek sınıf kayıp işlevlerine dayanır. eğitim setinde kontaminasyon. Bu tezde, iki öğrenme formalizmini ortak bir çatı altında toplayarak hem çekirdek tabanlı hem de derin öğrenme yaklaşımlarının avantajlarından yararlanan yeni bir yaklaşım sunuyoruz. Özellikle, önerilen yöntem, Hilbert uzayındaki diskriminant üzerinde bir Tikhonov düzenlemesine tabi bir çekirdek Fisher boş-uzay kaybını optimize etmek için derin evrişimsel öznitelikleri öğrenir. Bu nedenle, eğitim seti kontaminasyonuna karşı sağlam iken derin bir uçtan uca şekilde eğitilebilir. Çeşitli değerlendirme ayarlarında farklı görüntü veri setleri üzerinde yapılan kapsamlı deneyler sayesinde, önerilen yaklaşımın eğitim setinin bozulduğu ve içerdiği senaryoda anomali tespiti için mevcut en son teknoloji yöntemlerden oldukça sağlam ve daha etkili olduğu gösterilmiştir. gürültülü örnekler Aynı zamanda, önerilen yaklaşımlar, denetimsiz bir senaryoda, veri noktalarını örneklerin çoğuna uygunluklarına göre sıralamak için etkin bir şekilde kullanılabilir.
Özet (Çeviri)
Despite significant advances in object recognition and classification over the past couple of decades, there are various situations where collecting representative training samples from all classes in real-world scenarios is quite expensive, or the system may be exposed to unpredictable novel samples at the test time. The pattern classification problem is commonly referred to as an open-set recognition task in such cases where limited and incomplete knowledge of the entire data distribution is provided to the model during the training time. During test phase, unknown classes can be faced which requires the classifier to accurately classify the previously seen classes while effectively rejecting unseen ones. Among others, one-class classification serves as a plausible solution to the open-set recognition problem. Nevertheless, current one-class classifiers have their limitations. Classical kernel-based approaches require carefully designed features to obtain reasonable performance but rest on a solid basis in statistical learning theory, providing good robustness against training set impurities. More recent deep learning-based methods, on the other hand, focus on learning relevant features directly from the data but typically rely on ad hoc one-class loss functions, which very often do not generalize well and are not robust against the omnipresent noise and contamination in the training set. In this thesis, we introduce a novel approach which leverages the advantages of both kernel-based and deep-learning approaches by bringing the two learning formalisms under a common umbrella. In particular, the proposed method learns deep convolutional features to optimize a kernel Fisher null-space loss subject to a Tikhonov regularisation on the discriminant in the Hilbert space. As such, it can be trained in a deep end-to-end fashion while being robust against training set contamination. Through extensive experiments conducted on different image datasets in various evaluation settings, the proposed approach is shown to be quite robust and more effective than the current state-of-the-art methods for anomaly detection in the scenario where the training set is corrupted and contains noisy samples. At the same time, the proposed approaches can be effectively utilized in an unsupervised scenario to rank the data points based on their conformity with the majority of samples.
Benzer Tezler
- Object-aware interactive perception
Nesne farkındalıklı etkileşimli algılama
ÇAĞATAY KOÇ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SANEM SARIEL UZER
PROF. DR. SİNAN KALKAN
- Derin öğrenme tabanlı nesne tanıma uygulamaları
Deep learning based object recognition applications
EDA GALİP
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiErciyes ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET BAHADIR ÇETİNKAYA
- Derin öğrenme kullanılarak FPGA'lar ile gerçek zamanlı nesne algılama ve tanıma
Real-time object detection and recognition on FPGAS's by using deep learning
VEYSEL YUSUF ÇAMBAY
Yüksek Lisans
Türkçe
2019
Mekatronik MühendisliğiFırat ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL UÇAR
- Çokyüzlü konik sınıflandırıcılar ve uygulamaları
Polyhedral conic classifiers and their applications
HALİL SAĞLAMLAR
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ÇEVİKALP
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN