Visual semantic segmentation with diminished supervision
Azaltılmış gözetim ile görsel anlamsal bölütleme
- Tez No: 832337
- Danışmanlar: PROF. DR. ABDULLAH AYDIN ALATAN
- Tez Türü: Doktora
- 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: 158
Özet
Konvansiyonel tam öğreticili algoritmaların umut verici performansına rağmen, anlamsal bölütleme önemli ve zorlu bir görev olmaya devam etmiştir. Son çalışmalar, anlamsal bölütleme gibi yapısal çıkarsama görevleri ile başa çıkmak için görüntü tanıma problemlerinde yaygın olarak yer alan derin öğrenme tekniklerinin yeteneklerini kullanmaya çalışmıştır. Bununla birlikte, derin KSA'ları sınıflandırma gibi üst düzey görevler için ideal hale getiren değişmezlik özellikleri derin öğrenme tekniklerinin görsel tanımlama (resmetme) kapasitelerini sınırlandırmıştır. Bu sorunu çözmek için ise, bu tez kapsamında Katmanlı Sinir Ağlarının (KSA) ve olasılıksal grafiksel modelleme temelli Koşullu Rasgele Alanlarının (KRA) güçlerini birleştiren yeni bir derin sinir ağı formunu araştıracağız. Bununla birlikte, derin öğrenmeye dayanan en son teknoloji yöntemler, eğitim sırasında yeterince büyük miktarlarda etiketlenmiş verilerin kullanılmasına dayanmaktadır. Ancak, piksel seviyesinde veya süper piksel seviyesinde etiketleme işlemi zaman alıcı olduğu ve yoğun emek harcamak gerektiği için (yalnızca bir resim için 15-60 dakika), anlamsal bölütleme kapsamında yeterli sayıda etiketli veri bulunmamaktadır. Tam etiketlenmiş verilerin sınırlı kullanılabilirliğinden dolayı, anlamsal bölütleme için çok daha büyük bir ölçekte hazır bulunan zayıf etiketli verileri dikkate alarak çözümler tasarlamak büyük önem arz etmektedir. Bu tez çalışmasında, piksel bazında bir çıkarsama işlemi için, zayıf denetimin çeşitli türlerini (piksel seviyesi etiketlemenin yanı sıra görüntü seviyesi etiketleri, sınırlayıcı kutular veya kısmi etiketler vb.) bütünleştiren birleşik bir yaklaşım önermekteyiz.
Özet (Çeviri)
Despite the promising performance of conventional fully supervised algorithms, semantic segmentation has remained an important, yet challenging task. Recent approaches have attempted to exploit the capabilities of deep learning techniques for image recognition to tackle structured prediction tasks such as semantic segmentation. However, due to the very invariance properties that make deep CNNs good for high-level tasks such as classification, visual delineation capacities for deep learning techniques are limited. To solve this problem, we will investigate a new form of deep neural network that integrates the strengths of Convolutional Neural Networks (CNNs) and Conditional Random Fields (CRFs)-based probabilistic graphical modeling in the scope of this thesis. Besides, most state-of the-art methods based on deep learning rely on a sufficiently huge amount of annotated samples in training. However, there are not enough labeled samples for this task because pixel-level (or superpixel-level) annotation is time-consuming and labor-intensive (15-60 minutes for just one image). Due to the limited availability of complete annotations, it is of great interest to design solutions for semantic segmentation that take into account weakly labeled data, which is readily available at a much larger scale. In thidissertation, we propose a unified approach that incorporates various forms of weak supervision – image-level tags, bounding boxes, or partial labels as well as pixel-level labels – to produce pixel-wise labeling.
Benzer Tezler
- Derin sinir ağları ile çekirdek hücrelerinin tespiti ve segmentasyonu
Nuclei cells detection and segmentation with deep neural network
TOMIYA SAID AHMED ZARBEGA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASEMİN GÜLTEPE
- Deep learning for digital pathology
Dijital patoloji için derin öğrenme
CAN TAYLAN SARI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÇİĞDEM GÜNDÜZ DEMİR
- Derin öğrenme ile histopatolojik görüntü analizi
Histopathological image analysis using deep learning
ŞABAN ÖZTÜRK
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAYRAM AKDEMİR
- Crack detection with deep learning: an exemplary study of data design in architecture
Derin öğrenme ile çatlak tespiti: mimarlıkta veri tasarımı örnek çalışması
ÇAĞLAR FIRAT ÖZGENEL
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. ARZU SORGUÇ
- Uzaktan algılama verileri kullanarak derin öğrenmeye dayalı arazi kullanımı ve arazi örtüsü haritalama modeli geliştirme
Developing a deep learning-based land use and land cover mapping model using remote sensing data
ŞAZİYE ÖZGE ATİK
Doktora
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZHAN İPBÜKER