Geri Dön

Öz denetimli yöntemlerle görsel özellik ayrıştırma

Visual attribute disentanglement using self-supervision

  1. Tez No: 781617
  2. Yazar: ABDURRAHMAN AKIN AKTAŞ
  3. Danışmanlar: PROF. DR. İMAN ASKERBEYLİ, DOÇ. DR. HACER YALIM KELEŞ
  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: 2023
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Oto-kodlayıcı mimarisi kullanarak mermer yüzey anomali tespiti

    Marble surface anomaly detection using autoencoder architecture

    MUHAMMAD YAHYA ABDULLAH

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    PROF. DR. CEMİL ÖZ

  2. Deshufflegan: Self-supervised learning for generative adversarial networks

    Deshufflegan: Çekişmeli üretken ağlar için öz-denetimli öğrenme

    GÜLÇİN BAYKAL CAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  3. 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

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  4. Aldatıcı televizyon reklamlarına karşı tüketicinin korunması

    The protection of consumer against deceptive television commercials

    ÖZLEM ÖZTÜRK

    Yüksek Lisans

    Türkçe

    Türkçe

    2007

    Radyo-TelevizyonGazi Üniversitesi

    Radyo Televizyon ve Sinema Ana Bilim Dalı

    DOÇ. DR. AHMET ÇİFTÇİ

  5. 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

    İngilizce

    2021

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. NESİP ÖMER EREM