On calibrating deep object detectors
Derin nesne dedektörlerinin kalibrasyonu
- Tez No: 844792
- Danışmanlar: PROF. DR. SİNAN KALKAN, DOÇ. DR. EMRE AKBAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM
- PriorBox: Long-tail calibration with priors
PriorBox: Ön bilgi ile dengesiz veri kalibrasyonu
ABDULLAH DURSUN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ
- 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
2024
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SITKI ÖZTÜRK
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ AVAROĞLU
- FIXEIN: A mobile and modular eye tracking system
FIXEIN: Mobil ve modüler bir göz takip sistemi
ŞERİF İNANIR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ CAN KARACA