Geri Dön

On calibrating deep object detectors

Derin nesne dedektörlerinin kalibrasyonu

  1. Tez No: 844792
  2. Yazar: MUHAMMED ERTUĞRUL GÜNGÖR
  3. Danışmanlar: PROF. DR. SİNAN KALKAN, DOÇ. DR. EMRE AKBAŞ
  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: 2024
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 126

Özet

Son yıllarda Nesne Tespit modellerinde benzersiz ilerlemeler görülmüştür. Ancak, bu ilerlemeler genellikle nispeten dengeli veri kümeleriyle sınırlıdır. Uzun kuyruklu bir ortamda, dedektörler genellikle bu dağılımın başında bulunan sınıflara doğru bir önyargı sergiler, bu da kuyruktaki sınıflar için düşük performansa neden olur. Uzun kuyruklu öğrenme, gerçek hayattaki nesnelerin bu tipte bir dağılıma sahip olması nedeniyle çok önemlidir. Bu sorunu çözmek için birçok teknik önerilmiştir. Bu tezde, uzun kuyruklu öğrenmenin en etkili dallarından yöntemleri inceliyoruz. Ardından, sınıf örnek boyutlarına dayanan mevcut yöntemlere bir alternatif sunan ve eğitim performans ölçümlerini kullanan iki adet eğitim sonrası sınıf puanı kalibrasyon yöntemi öneriyoruz. Bu yöntemler bahsedilen performans verilerine dayalı faktörleri kullanarak olasılıkları veya sınıf skorlarını güncelliyor. Ayrıca, eğitimin ikinci aşamasında sıralama tabanlı bir kayıp fonksiyonu kullanan üçüncü bir yöntem tanıtıyoruz. Bu yöntemleri, zorlu bir uzun kuyruklu veri kümesi olan LVIS'i kullanarak değerlendiriyoruz ve sonuçlarımızı son yaklaşımlarla karşılaştırıyoruz. Sonuçlarımız, yöntemlerimizin LVIS ile beraber sunulan temeli iyileştirdiğini ve benzer yaklaşımlara kıyasla rekabetçi bir performans sunduğunu göstermektedir.

Özet (Çeviri)

Recent years have seen unprecedented progress in Object Detection models. However, these advancements are typically limited to relatively balanced datasets. On long-tailed datasets, detectors often exhibit a bias towards head classes, resulting in subpar performance for tail classes. Long-tailed learning is crucial as the objects in real life follow this type of distribution. Numerous techniques have been proposed to address this issue. In this thesis, we review methods from the most influential branches of long-tailed learning. We then propose two post-hoc class score calibration methods that utilize training performance measurements, offering an alternative to existing methods that rely on class sample sizes. These methods update the probabilities or logits, using factors computed from different performance evaluation results. Furthermore, we introduce a third method that employs a ranking-based loss function during the second stage of training. We evaluate these methods using a challenging long-tailed dataset LVIS and compare our results with recent approaches. Our results demonstrate that our methods improve upon the baseline established with LVIS and present competitive performance compared to similar approaches.

Benzer Tezler

  1. Analyzing rain removal images for accurate and secure object detection using YOLO

    YOLO kullanarak doğru ve güvenli nesne tespiti için yağmur giderme görüntülerinin analiz edilmesi

    AHMED JASIM MOHAMMED ALANTAKI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM

  2. PriorBox: Long-tail calibration with priors

    PriorBox: Ön bilgi ile dengesiz veri kalibrasyonu

    ABDULLAH DURSUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ

  3. Delta robot kullanılarak nesne algılamaya dayalı PLC kontrollü sıralama sistemi uygulaması

    Delta robot sorting system controlled with PLC based on object detection

    MOHAMMED ELKHADIR CHACHOUA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SITKI ÖZTÜRK

  4. Otonom araçlar için gerçek zamanlı nesne tanıma ve uzaklık tahmini sistem tasarım ve uygulaması

    Real-time object recognition and distance estimated system design and implementation for autonomous vehicles

    SALİH PALAMUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ERDİNÇ AVAROĞLU

  5. FIXEIN: A mobile and modular eye tracking system

    FIXEIN: Mobil ve modüler bir göz takip sistemi

    ŞERİF İNANIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALİ CAN KARACA