Generative model based approaches to learning with incomplete supervision
Eksik gözetim ile öğrenmeye yönelik üretken modele dayalı yaklaşımlar
- Tez No: 840914
- Danışmanlar: DOÇ. DR. RAMAZAN GÖKBERK CİNBİŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 62
Özet
Derin öğrenme alanındaki gelişmeler, çeşitli tanıma problemlerinde büyük ilerlemelere imkan tanımıştır. Bununla birlikte, ağırlıklı olarak en gelişmiş modeller büyük çaplı ve etiketli eğitim kümelerinin varlığına dayanmaktadır. Bu nedenle, son zamanlarda detaylı etiketlenmiş büyük eğitim kümelerinin yokluğunda ilgilenilen konseptleri modellemeye yönelik büyük ilgi ortaya çıkmıştır. Genellikle sınırlı denetimli öğrenme olarak adlandırılan bu yöntemler, tamamen denetimsiz öğrenmeden gürültülü etiketlerle model eğitimine kadar çeşitlilik göstermektedir. Bu tezde, az sayıda eğitim örneğine dayalı olarak yeni sınıfların modellerinin öğrenilmesi sorununa odaklanıyoruz, bu aynı zamanda az örnekli öğrenme olarak da bilinir. Bu probleme üretici bir perspektiften yaklaşıyoruz; ilk olarak üretken bir model öğrenmeyi hedefliyoruz ve ardından üretken modelin az örnekli sınıflandırma görevi üzerindeki etkisini araştırıyoruz. Bu çalışmanın ana odağı, difüzyon prensiplerine dayanan ve özniteliksel gösterimleri manipüle etmek için bir dönüştürücü içeren üretken bir model tabanında oluşmaktadır. Bu model, koşul girdisi olarak önceden eğitilmiş bir özellik çıkarıcıdan elde edilen görüntü özniteliklerini kullanarak çalışmaktadır. Bu metodolojinin benimsenmesinin bir sonucu olarak, üretken modelin birkaç örnekli bir öğrenme senaryosundaki etkinliğinin ampirik bir değerlendirmesini sunuyoruz.
Özet (Çeviri)
The developments in deep learning have led to great advances in a variety of recognition problems. However, predominantly the state-of-the-art models rely on the availability of large annotated training sets. Therefore, great attention has recently shifted to developing models that can incorporate concepts of interest in the absence of carefully annotated large training sets for them. Commonly referred to as learning with limited supervision, these methods vary from completely unsupervised learning to model training with noisy labels. In this thesis, we focus on the problem of learning classification models of novel classes based on a small number of training examples, also known as few-shot learning. We approach this problem from a generative perspective, where we first aim to learn a generative model and then we explore the effect of the generative model on a few-shot classification task. The primary focus of this study revolves around a generative model that is founded on diffusion principles and incorporates a transformer to manipulate latent patches. This model functions by utilizing image features acquired from a pre-trained feature extractor as its conditional input. As a result of adopting this methodology, we provide an empirical assessment of the generative model's efficacy within a few-shot learning scenario.
Benzer Tezler
- Difüzyon ağları ile görüntü rekonstrüksiyonu ve restorasyonu
Image reconstruction and restoration with diffusion networks
ONUR PARAPAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Hierarchical deep bidirectional self-attention model for recommendation
Hiyerarşik çift yönlü öz dikkat tabanlı derin öğrenme tavsiye modeli
İREM İŞLEK
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ
- Open-set object recognition
Açık-set nesne tanıma
SALMAN MOHAMMAD
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SHERVIN RAHIMZADEH ARASHLOO
- Test verilerine dayalı, makine öğrenmesi ve derin öğrenme yöntemleri ile batarya sağlık durumu tahmini
Battery state of health estimation based on test data using machine learning and deep learning methods
MEHMET ALİ ARSLANTAŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Gsm sektörü için müşteri merkezli bilgi yönetimi değerlendirme modeli tasarımı ve bir uygulama
The design of customer centric knowledge mangement assessment model for gsm ındustry and an aplıcatıon
ATİK KULAKLI