Few-shot segmentation by enhanced ensemble of base and meta predictions
Meta ve baz tahminleri kullanan geliştirilmiş kolektif öğrenmeyle birkaç örnekli bölütleme
- Tez No: 802824
- Danışmanlar: PROF. DR. İLKAY ULUSOY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 92
Özet
Denetimli öğrenme paradigması, etiketiyle birlikte bol miktarda verinin mevcut olduğunu varsaymaktadır. Veri etiketleme maliyetli ve zaman alıcı bir iş olduğundan, finansal ve ya zamansal kısıtlar olduğunda bu varsayım geçerliliğini yitirir. Buna ek olarak, bazı sınıflar için örnek görüntülerin sayısı az olabilir (Örneğin soyu tükenmekte olan hayvanlara ait görüntüler). Bu durumlara değinmek için, kısıtlı denetim altında yeni görevlerdeki örüntülerin tanınması amacıyla birkaç adımda öğrenme konsepti geliştirilmiştir. Birkaç adımlı öğrenmenin alt başlığı olan birkaç adımlı bölütleme, sınıfı sorgu görüntüsündeki sınıfla eşleşen birkaç destek görüntüsünün rehberliğinde eğitim sırasında görünmeyen sınıfları içeren sorgu görüntülerini bölütleyen genelleyici bir model geliştirmeyi amaçlar. Daha önceki çalışmalarda belirtilen, boyutsal tutarsızlık ve görülen sınıflara yönelik önyargı olmak üzere alana ait iki problem vardır. Boyutsal tutarsızlık sorununu çözmek için, bu tezde önerilen yöntem, destek özellik haritasını çeşitli ölçeklerde sorgu özellik haritasıyla karşılaştırır, bu nedenle ölçeğe bağımlılık ortadan kalkmaktadır. Görülen sınıflara yönelik eğilimi ele almak için, temel öğrenen adı verilen denetimli bir model görülen sınıflara ait pikselleri doğru bir şekilde tanımlamak için mevcut sınıflar üzerinde eğitilir. Meta öğrenici daha sonra temel öğrenenle koordinasyon sağlamak ve görülen sınıflara ait alanları göz ardı etmek için bir topluluk öğrenme modeli kullanır. Bu tez, bu iki hayati sorunu ilk kez aynı anda ele alıyor ve hem PASCAL-5i hem de COCO-20i veri kümelerinde en iyi performansları elde ediyor.
Özet (Çeviri)
Supervised learning approaches assume that there is a large amount of data available with labels. Since data annotation is a costly and time-consuming task, this assumption loses its validity when there are financial or time constraints. In addition, only a small number of samples may be available for specific classes, such as images of endangered animals. To address these issues, the concept of few-shot learning has been developed to recognize patterns from novel tasks with limited supervision. As a sub-task of few-shot learning, few-shot segmentation aims to create a generalizing model that can segment query images from unseen classes during training, using a few support images whose class matches that of the query image. Previous research has identified two specific problems in this domain: spatial inconsistency and a bias toward seen classes. To address the issue of spatial inconsistency, the proposed method in this thesis compares the support feature map to the query feature map at multiple scales, making it scale-agnostic. To address the bias towards seen classes, a supervised model called the base learner is trained on available classes to identify pixels belonging to seen classes accurately. The meta learner then uses an ensemble learning model to coordinate with the base learner and discard areas belonging to seen classes. Our method in this thesis is the first to address these two crucial problems simultaneously and achieves state-of-the-art performance on both PASCAL-5i and COCO-20i datasets.
Benzer Tezler
- Zero-shot and few-shot named entity recognition in environmental sciences domain
Çevre bilimleri alanında sıfır-örnekli ve az-örnekli adlandırılmış varlık tanıma
KEREM MERT DEMİRTAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR ARSLAN
- Attention mechanisms for semantic few-shot learning
Anlamsal az örnekle öğrenme için odaklanmamekanizmaları
ORHUN BUĞRA BARAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
DOÇ. DR. NAZLI İKİZLER CİNBİŞ
- Network attack classification with few-shot learning methods
Az atışlı öğrenme yöntemleri kullanarak ağ saldırı sınıflandırılması
İSMAİL TÜZÜN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PELİN ANGIN
- Audio classification with few-shot learning
Birkaç örnekli öğrenme ile ses sınıflandırma
ENES FURKAN ÇİĞDEM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACER YALIM KELEŞ
- Türkçe bilimsel yayınlar üzerinde birkaç atış ve transfer öğrenme yöntemlerinin değerlendirilmesi
Evaluation of few shot and transfer learning methods on Turkish scientific publications
ÖZGE NUR ÖZARAS
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞAH TÜMÜKLÜ ÖZYER