Öz denetimli yöntemlerle görsel özellik ayrıştırma
Visual attribute disentanglement using self-supervision
- Tez No: 781617
- Danışmanlar: PROF. DR. İMAN ASKERBEYLİ, DOÇ. DR. HACER YALIM KELEŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Bu çalışmada, öz denetimli bir yöntem kullanılarak, önceden eğitilmiş çekişmeli üretici ağların gizli uzaylarındaki temel anlamsal eksenleri belirleyebilen bir yaklaşım sunulmaktadır. Bu bağlamda, yenilikçi bir yaklaşım olan Yön-Ayrıştırıcı model önerilmektedir. Bu evrişimsel model ResNet18 öznitelik çıkarıcısı mimarisini ikiz ağ kurgusunda kullanmaktadır. Bir üretici ağ tarafından öz denetimli olarak oluşturulan görseller ile Yön-Ayrıştırıcı modelin eğitimi için veri kümesi oluşturulmaktadır. Oluşturulan verilerle eğitilen Yön-Ayrıştırıcı model, daha önce rastlamadığı iki verinin görsel özelliklerinin üretici ağın gizli uzayındaki farkını kodlayan yön vektörünü bulabilecek şekilde eğitilmektedir. MNIST ve FreyFaces veri kümeleri ile önceden eğitilmiş InfoGAN ve DCGAN modelleri kullanılarak yeni veri kümeleri elde edilmiştir. Çok modlu MNIST verilerinde tutarlı veri örnekleri oluşturabilmek için sezgisel bir benzerlik metriği kullanılmıştır. Bunun için önceden eğitilmiş birer değişimsel otokodlayıcı ve sınıflandırıcı ile gömme vektörleri oluşturulmuştur. Bu veriler ile elde edilen deneysel sonuçlar, Yön-Ayrıştırıcı model ile belirlenen yönler ile tayin edilen anlamsal özelliklerin farklı veri örneklerine uygulandığında verinin tutarlı bir şekilde değiştirildiğini göstermektedir.
Özet (Çeviri)
In this work, a self- supervised approach that can identify the semantic axes in the latent spaces of pre-trained adversarial generative networks is presented. Thus, a novel Direction-Disentangler model is proposed. This convolutional model employs the ResNet18 feature extractor architecture in a twin network fashion. In a self-supervised manner, a dataset for training the Direction-Disentangler model is created with the images generated by a generator network. This data is used to train the Direction-Disentangler model to identify the direction in the generator's latent space that encodes the discriminative features between two reference images. New datasets were obtained by using pre-trained InfoGAN and DCGAN models for the MNIST and FreyFaces dataset. A heuristic distance metric was used to generate consistent data samples for the multimodal MNIST data. For this purpose, a pre-trained variational autoencoder and classifier were employed to create embedding vectors. The experimental results using these datasets show that the identified direction can be applied to different reference images and is effective for editing their relevant semantic attributes.
Benzer Tezler
- Oto-kodlayıcı mimarisi kullanarak mermer yüzey anomali tespiti
Marble surface anomaly detection using autoencoder architecture
MUHAMMAD YAHYA ABDULLAH
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL ÖZ
- Deshufflegan: Self-supervised learning for generative adversarial networks
Deshufflegan: Çekişmeli üretken ağlar için öz-denetimli öğrenme
GÜLÇİN BAYKAL CAN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- Self-supervised deep convolutional neural network training for low-dose CT reconstruction
Düşük dozlu BT geriçatması için derin evrişimli sinir ağlarının öz denetimli eğitimi
MEHMET OZAN ÜNAL
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSA YILDIRIM
- Aldatıcı televizyon reklamlarına karşı tüketicinin korunması
The protection of consumer against deceptive television commercials
ÖZLEM ÖZTÜRK
Yüksek Lisans
Türkçe
2007
Radyo-TelevizyonGazi ÜniversitesiRadyo Televizyon ve Sinema Ana Bilim Dalı
DOÇ. DR. AHMET ÇİFTÇİ
- Reclaiming autonomy: Architectural design's core and engagement of researchers and practitioners (Iranian case)
Otonomiye geri dönüş: Mimari tasarımın özü ve araştırmacılar ve uygulamacıların katılımı (İran örneği)
ALIREZA KHARAZMI NEZHAD
Doktora
İngilizce
2021
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. NESİP ÖMER EREM