Context-invariant autoencoder training via unsupervised domain adaptation
Denetimsiz alan uyarlaması ile bağlamdan bağımsız otokodlayıcı eğitimi
- Tez No: 936968
- Danışmanlar: PROF. DR. ALTAN KOÇYİĞİT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 235
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
- Activity recognition invariant to position and orientation of wearable motion sensor units
Giyilebilir hareket algılayıcı ünitelerinin konum ve yönlerinden bağımsız olarak aktivite tanıma
ARAS YURTMAN
Doktora
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ
- Riemann manifoldlarından sasakian manifoldlarına tanımlı konformal yarı-invaryant riemann dönüşümler
Conformal semi-invariant riemannian maps to sasakian manifolds
SÜMEYYE KARAGÖL
- Decentralized time-delay controllers for time-delay systems
Zaman gecikmeli sistemler için zaman gecikmeli merkezi olmayan denetleyiciler
HÜSEYİN ERSİN EROL
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALTUĞ İFTAR
- Dilations of doubly invariant kernels valued in topologically ordered *-spaces
Sıralı *-uzayı değerli çift değişmez çekirdeklerin genleşmesi
SERDAR AY
Doktora
İngilizce
2018
Matematikİhsan Doğramacı Bilkent ÜniversitesiMatematik Ana Bilim Dalı
PROF. DR. AURELIAN BEBE NICU GHEONDEA ELADI
- Stabilization and strong stabilization of lti systems by structured time-delay controllers
Doğrusal zamanla değişmeyen sistemlerin yapılandırılmış zaman gecikmeli denetleyiciler ile kararlılaştırılması ve kuvvetli kararlılaştırılması
SÜLEYMAN MERT ÖZER
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALTUĞ İFTAR
