Geri Dön

Context-invariant autoencoder training via unsupervised domain adaptation

Denetimsiz alan uyarlaması ile bağlamdan bağımsız otokodlayıcı eğitimi

PDF İndir

  1. Tez No: 936968
  2. Yazar: ÖZGE KÖKTÜRK
  3. Danışmanlar: PROF. DR. ALTAN KOÇYİĞİT
  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: 2025
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Enformatik Enstitüsü
  11. Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Makine öğrenimi modellerinin pratikte kullanımında, genellenebilirlik büyük öneme haizdir. Belirli bir bağlamda elde edilmiş bir veri kümesi üzerinde eğitilen bir model, farklı bağlamlardaki benzer durumlarda genellikle kötü bir başarım sergiler. Bu durum, gerçek hayat uygulamalarında güvenilmez tahminlere ve potansiyel olarak zararlı kararlara yol açabilir. Bu tez denetimsiz alan uyarlaması yoluyla bağlamdan bağımsız otokodlayıcılar için bir eğitim yöntemi önermekte ve farklı bağlamlarda tutarlı kalan temsili özellikleri öğrenmeyi hedeflemektedir. Sonuç olarak herhangi bir uygulama bu alan-bağımsız temsili özelliklerin üzerine inşa edilebilir. Bu çalışmada, giriş görüntülerinin temel yapılarını yakalayan ancak bağlamsal değişikliklerle ilişkili özellikleri göz ardı eden özellikleri çıkarmak için alan-çekişmeli eğitim ve veri artırma stratejileri kullanılmıştır. Deneylerde farklı hava koşulları ve günün çeşitli saatlerinde CARLA (Car Learning to Act) benzetim sisteminden toplanan görüntü verileri kullanılmıştır.

Özet (Çeviri)

In practical use of machine learning models, generalizability is of crucial importance. When a model is trained on a dataset obtained in a specific context, it often performs poorly in similar situations but under different contexts. This can lead to unreliable predictions and potentially harmful decisions in real-life applications. This thesis proposes a training methodology for context-invariant autoencoders through unsupervised domain adaptation, aiming to learn representations that remain stable across varying contexts. Consequently, any application can be built on top of these domain-invariant representations. In this study, domain-adversarial training and data augmentation strategies have been employed to extract features that capture the essential structures of input images while disregarding features associated with contextual changes. For the experiments, image data collected from the CARLA (Car Learning to Act) simulator system under different weather conditions and various times of day have been used.

Benzer Tezler

  1. Tez No

    1000097

    Automotive radar interference mitigation with next generation sequence models

    Yeni nesil dizi modelleri ile otomotiv radarlarında girişim giderme

    ELİF ÖZTÜRK KOÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  2. Tez No

    998805

    Novel deep learning based approaches for clutter removal and target detection in GPR

    Ynr'de kargaşa giderme ve hedef algılama için yeni derin öğrenme tabanlı yaklaşımlar

    YAVUZ EMRE KAYACAN

    Doktora

    İngilizce

    İngilizce

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. IŞIN ERER

  3. Tez No

    944874

    Multi-agent planning with automated curriculum learning

    Otomatik müfredat öğrenmesi ile çoklu ajan planlaması

    ONUR AKGÜN

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

  4. Tez No

    972824

    Doğal dil işleme ve derin öğrenme teknikleri ile metinden görüntü üretimi

    Text-to-image generation using natural language processing and deep learning techniques

    TUNAHAN GÜDER

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet Üniversitesi

    Bilgisayar Ana Bilim Dalı

    DOÇ. DR. KALİ GÜRKAHRAMAN

  5. Tez No

    695392

    Modeling of the ionosphere's disturbance using deep learning techniques

    İyonosfer bozulmaların derin öğrenme teknikleri kullanılarak modellenmesi

    RAHEM ABRI ZANGABAD

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HARUN ARTUNER

Geri Dön