Source separation via weakly-supervised and unsupervised deep learning
Zayıf denetimli ve denetimsiz derin öğrenme ile kaynak ayrıştırma
- Tez No: 881333
- Danışmanlar: PROF. DR. AHMET CELAL CEM SAY, DR. ÖĞR. ÜYESİ SERAP KIRBIZ ŞİMŞEK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 123
Özet
Kaynak ayrıştırma, son yıllarda önemli bir araştırma konusu olup, derin öğrenme yaklaşımlarının uygulanması bu alana büyük bir katkı sağlamıştır. Denetimli yöntemler, bu katkının temel direkleri olmasına rağmen, bu tür modellerin eğitimi sıklıkla gerçek uygulamalarda karşımıza çıkan karışım işaretlerini yeterince temsil etmesi mümkün olmayan sentetik karışım veri kümeleri gerektirmektedir. Bu tezde, karışım işaretini oluşturan kaynak işaretlerine erişim olmadan eğitilen tek kanallı kaynak ayrıştırma yöntemlerine odaklanılmaktadır. Böylece, kaynak işaretleri bulunmayan gerçek karışım işaretlerine uygulanabilen modellerin eğitilmesi mümkün olmaktadır. Bu şekilde, modellerin büyük miktarda etiketlenmemiş veya zayıf etiketlenmiş veriler üzerinde ek etiketleme çabasına gerek kalmadan eğitilmesi mümkün olmaktadır. Bu probleme üç farklı şekilde yaklaşılmaktadır. İlk olarak, karışım işaretini oluşturan kaynak işaretlerinin sınıf etiketlerini kullanan, ayrıştırmaya dayalı zayıf denetimli bir model geliştirilmektedir. Bu zayıf sınıf denetimi yaklaşımı, negatif olmayan matris ayrıştırma ve üretken çekişmeli ağlar kullanılarak üst üste bindirilmiş el yazısı rakamları içeren görüntülere uygulanmaktadır. İkinci olarak, zayıf sınıf denetimi yaklaşımımızı ses işaretlerine uygulayabileceğimiz varyasyonel otokodlayıcılar kullanan bir ayrıştırma tabanlı model sunmaktayız. Üçüncü olarak, yalnızca karışım işaretlerine ihtiyaç duyarak kendi kendini denetleyen bir şekilde eğitilen, tamamen denetimsiz iki yöntem tanıtmaktayız. Deneylerimizin sonucunda, önerilen zayıf denetimli ve denetimsiz yöntemlerin uygulanabildiği ve tamamen denetimli temel modellerle benzer başarıma sahip olduğu gözlenmektedir. Sonuç olarak daha yüksek başarım elde edebilmek için, gerçek uygulamalarla uyumlu olacak şekilde denetimli eğitimin, zayıf denetimli ve denetimsiz yöntemlerle değiştirilmesinin mümkün olduğu gözlenmektedir.
Özet (Çeviri)
Source separation has been a key research area over the past several decades, and the emergence of deep learning approaches has revolutionized the field. Although supervised methods have been the pillars of this revolution, training such models often requires synthetic mixture datasets that may not represent real-world mixture signals adequately. In this thesis, we focus on single-channel source separation methods that are trained without having access to the underlying isolated source signals. This enables the training of source separation models solely on real-world mixture recordings that do not have corresponding source signals at hand. Therefore, it enables the models to be trained on a large amount of unlabeled or weakly-labeled data without additional labeling effort. We approach this problem in several different ways. First, we start with developing a decomposition-based weakly-supervised model that utilizes the class labels of the sources that are present in mixtures. We apply this weak class supervision approach to superimposed handwritten digit images using both non-negative matrix factorization (NMF) and generative adversarial networks (GANs). Second, we introduce another decomposition-based model that employs variational autoencoders (VAEs) to apply our weak class supervision approach to audio signals. Third, we introduce two purely unsupervised methods, which are trained exclusively on the mixture signals in a self-supervised fashion. The results of our experiments demonstrate that the proposed weakly-supervised and unsupervised methods are viable and mostly on par with the fully supervised baselines. We conclude that it is possible to replace supervised training with weakly-supervised and unsupervised methods in compatible real-world applications for better results.
Benzer Tezler
- Kazıkların davranışlarının sonlu elemanlar metodu ile belirlenmesi
Başlık çevirisi yok
ZEKİ HANAVDELOĞLU
Yüksek Lisans
Türkçe
1998
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. M. ATİLLA ANSAL
- Time-domain blind source separation for convolutive mixtures using second-order statistics
Evrişimsel karışımlar için zaman alanında ikinci dereceden istatistiklerle gözü kapalı kaynak ayrıştırma
CEMİL DEMİR
Yüksek Lisans
İngilizce
2007
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Y.DOÇ.DR. KEREM HARMANCI
- Savaş uçakları harici yük ayrılmasının panel yöntemi yardımıyla sayısal benzeşimi
Computer simulation of an external store separation via a panel method from a military aircraft
ŞEVKİ METO
- Örneklem tabanlı gürbüz konuşma tanıma
Exemplar based noise robust speech recognition
FATİH AKTÜRK
Yüksek Lisans
Türkçe
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENDER METE EKŞİOĞLU
- Multi-modal deception detection from videos
Videolardan çoklu-modalite ile aldatmaca kestirimi
MEHMET UMUT ŞEN
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiPROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT