Using a ranking-based loss for long-tailed visual recognition
Uzun kuyruklu görsel tanıma için sıralama tabanlı kayıp fonksiyonu kullanımı
- Tez No: 872493
- Danışmanlar: PROF. DR. SİNAN KALKAN, PROF. 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: 59
Özet
Uzun kuyruklu görsel tanıma, yani bazı sınıfların diğerlerinden çok daha az örneğe sahip olması durumu, öğrenme tabanlı bilgisayarlı görü uygulamalarında kritik bir zorluk oluşturmaktadır. Gerçek dünya görsel tanıma veri setleri genellikle uzun kuyruklu dağılımlar sergilediğinden, bu tür veri setlerinde öğrenme zorluğunun üstesinden gelmek birçok uygulama için çok önemlidir. Bu tezde, uzun kuyruklu görsel tanıma için, Chen ve arkadaşları tarafından orijinal olarak nesne tespiti görevi için önerilen Ortalama Kesinlik (AP) Kaybını inceliyor ve uyarlıyoruz. Standart AP Kaybının, dengesiz sınıf dağılımlarıyla başa çıkmada Çapraz Entropi Kaybı gibi geleneksel kayıp fonksiyonlarına benzer şekilde performans gösterdiğini bulduk. AP Kaybına iki özel değişiklik getirerek, modelin nadir sınıfları tanıma doğruluğunu ve tüm sınıflar arasındaki genel performansını önemli ölçüde iyileştirdik. Bu iyileştirilmiş AP Kaybı versiyonlarını literatürdeki diğer en iyi performans gösteren kayıp fonksiyonlarıyla karşılaştırmak için kapsamlı deneyler yürüttük. Bulgularımız, geliştirdiğimiz AP Kaybı versiyonlarının, diğer en iyi performans gösteren kayıp fonksiyonlarıyla eşdeğer veya onlardan daha iyi performans sunduğunu gösterdi.
Özet (Çeviri)
Long-tailed visual recognition, where certain classes contain far fewer samples than others, poses a critical challenge in learning-based computer vision applications. As real-world visual recognition datasets generally exhibit long-tailed distributions, addressing the challenge of learning in such long-tailed datasets is essential for many applications. In this thesis, for long-tailed visual recognition, we explore and adapt the Average Precision (AP) Loss, which was originally proposed by Chen et al. for the task of object detection. We found that the standard AP Loss performs similarly to traditional loss functions like Cross Entropy Loss on dealing with uneven class distributions. By introducing two specific modifications to AP Loss, we significantly improved the model's accuracy in identifying rare classes and its overall performance across all classes. We conducted thorough experiments to compare these improved AP Loss versions with other top-performing loss functions in the literature. Our findings showed that our modified AP Loss versions provide on par with or better performance than state-of-the-art loss functions.
Benzer Tezler
- On calibrating deep object detectors
Derin nesne dedektörlerinin kalibrasyonu
MUHAMMED ERTUĞRUL GÜNGÖR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SİNAN KALKAN
DOÇ. DR. EMRE AKBAŞ
- Action quality assessment with multivariate time series
Çok değişkenli zaman serileri ile eylem kalite değerlendirmesi
BURÇİN BUKET OĞUL
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SUAT ÖZDEMİR
- İşletmelerde risk derecelendirmesi ve Türkiye'de uygulanması
Başlık çevirisi yok
GÜLEN ALEV SALTIK (NALÇACI)
- A reservation based multi agent intersection management for autonomous vehicles
Otonom araçlar için rezervasyon bazlı çok ajanlı kavşak yönetimi
ATAKAN YASİN YEŞİLYURT
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TURAN SÖYLEMEZ
- Yanmayı geciktirici madde olarak bor minerallerinin odun ve odun-plastik kompozitlerde kullanımı
Using of boron minerals in wood and wood plastic composites as fire retardants
EVREN TERZİ
Doktora
Türkçe
2015
Ağaç İşleriİstanbul ÜniversitesiOrman Endüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SAİP NAMİ KARTAL
PROF. DR. SABRİYE PİŞKİN