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: Belirtilmemiş.
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
- Futbolcularda görülen hamstring yaralanmalarının termal görüntüleme ve yapay zeka ile tespiti
Detection of hamstring injuries on football players with thermal imaging and artificial intelligence
MEHMET CELALETTİN ERGENE
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT CEYLAN
DR. ÖĞR. ÜYESİ AHMET BAYRAK
- Yüksek çözünürlüklü hava görüntülerinde az örnekli öğrenme yöntemiyle ağaçlık alan bölütlemesi
Woodland segmentation in high-resolution aerial imagery using few-shot learning
ZEHRA MERVE GÜL
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. MURAT GEZER
- Malatya İl'i çevresinde erozyonun önemi ve alınması gerekli havza geliştirme önlemleri
Başlık çevirisi yok
ŞEVKET DOĞAN
Yüksek Lisans
Türkçe
1994
Ormancılık ve Orman Mühendisliğiİstanbul ÜniversitesiOrman Mühendisliği Ana Bilim Dalı
PROF. DR. SÜLEYMAN ÖZHAN
- Estimation and restoration for heat haze effects in image and video processing
Görüntü ve video işlemede ısı dalgalanması etkilerinin tahmini ve restorasyonu
ÖZLEM ALPERGÜN TANAS
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Unified local-global prompt learning for few-shot vision-language adaptation via optimal transport
Optimal taşıma aracılığıyla az örnekli görme-dil uyarlaması için birleşik yerel-global istem öğrenme
DENİZ KİZAROĞLU
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiVeri Bilimi Ana Bilim Dalı
PROF. DR. ALPTEKİN TEMİZEL