Anlamsal bölütleme ile piksel seviyesinde anomali tespitinde dağılım dışı ve değişen bağlamlarda farklı veri seti kullanımı
Using different data sets in out-of-distribution data and varying contexts for pixel-level anomaly detection with semantic segmentation
- Tez No: 938956
- Danışmanlar: DOÇ. DR. ALİ SAYGIN, DR. ÖĞR. ÜYESİ ÖZGÜR ERKENT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Görüntülerde piksel seviyesinde anomali tespiti anlamsal bölütleme yöntemleri için önemli bir problemdir. Güncel makine öğrenim modelleri deney ortamında test verileri ile çok iyi sonuçlar verebilir. Fakat bu modeller test verilerinin gerçek dünya verileri ile aynı dağılımdan alındığını varsayarak çalışmaktadır. Dağılıma ait olmayan görsel nesneler üzerinde anomali içeren piksellerde bu modellerin düşük performansı, yapay görüntüler içeren veri setleri ile modeli yeniden eğitmeyi esas alan yöntemlerin kullanılmasını gerektirmektedir. Kullanılan yöntemler iyi sonuç verse bile yeniden eğitimde şu sorunlar ortaya çıkmaktadır: 1-Yeniden eğitim esnasında dağılıma ait olmayan örneklerde anomali tespitinin doğruluk oranı azalabilir, bu durumda model; eğitim öncesi doğru gelen piksellerde aykırı değer olarak algıladığı bir piksel değerini eğitim sonrası hatalı gelen bir pikselin aykırı değeri olarak algılayabilir. 2-Modeli yeniden eğitmeden dışarıdan bir veri seti ile anomali tespitinde, hatalı gelen pikseller için aykırı değer belirsizliği maksimize edilirken doğru gelen örneklerdeki aykırı değer piksellerinin anlamsal bölütleme oranı azalabilir. Bu çalışmada, yukarıda bahsedilen yöntemleri kullanarak modellerin farklı veri setlerinde anomali tespit performansını değerlendirmek için geliştirilen yöntem sunulmaktadır. Yöntem; bir anlamsal bölütleme modelini bir veri seti üzerinde öğrendikten sonra bu modeli farklı bir veri setinde sentetik olarak oluşturulan anomaliler üzerinde eğitmeye dayanmaktadır. Bu şekilde oluşturulan modelin değerlendirilmesi farklı anomali veri setleri üzerinde gerçekleştirilmiştir. Sonuçlar göstermiştir ki anomali tespiti yapan yöntemler eğitim veri setine yüksek oranda bağımlıdırlar. Sonuçlar; Cityscapes, KITTI, Fishyscapes gibi pek çok veri seti üzerinde yapılan deneylerle gösterilmiştir.
Özet (Çeviri)
Anomaly detection at the pixel level in images is an important problem for semantic segmentation methods. Current machine learning models can yield very good results with test data in experimental environments. However, these models operate under the assumption that the test data is drawn from the same distribution as real-world data. The low performance of these models on visual objects that do not belong to the distribution, particularly on pixels containing anomalies, necessitates the use of methods that focus on retraining the model with datasets containing synthetic images. Even if the methods used yield good results, the following issues arise during retraining: 1- The accuracy of anomaly detection on examples that do not belong to the distribution may decrease during retraining, leading the model to misinterpret a pixel value that was previously deemed correct as an outlier after training when it encounters a pixel that is incorrect. 2- When detecting anomalies with an external dataset without retraining the model, the uncertainty of outlier detection for incorrectly classified pixels is maximized, while the rate of semantic segmentation for outlier pixels in correctly classified examples may decrease. This study presents a method developed to evaluate the anomaly detection performance of models across different datasets using the aforementioned methods. The method is based on training a semantic segmentation model on one dataset and then retraining this model on synthetically created anomalies in a different dataset. The evaluation of the model created in this way has been conducted on various anomaly datasets. The results have shown that anomaly detection methods are highly dependent on the training dataset. These results have been demonstrated through experiments conducted on many datasets, including Cityscapes, KITTI, and Fishyscapes.
Benzer Tezler
- Visual semantic segmentation with diminished supervision
Azaltılmış gözetim ile görsel anlamsal bölütleme
MUSTAFA ERGÜL
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN
- Çift Norm-UNET tabanlı anlamsal bölütleme mimarisinin iyileştirilmesi ve uzaktan algılama verileri ile kullanılması
Improvement of semantic segmentation architecture based on Dual Norm-UNET and its utilization with remote sensing data
FENTY JAMES CONTEH
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. STUD. MEMBER OF İREM ÜLKÜ
- Semantic segmentation of panoramic images and panoramic image based outdoor visual localization
Panoramik imgelerde anlamsal bölütleme ve panoramik imge tabanlı dış mekan görsel konumlandırma
SEMİH ORHAN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YALIN BAŞTANLAR
- Derin öğrenme yöntemiyle çok bantlı görüntülerde anlamsal bölütleme
Semantic segmentation in multi-band images with deep learning method
MEHMET ELMACI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL ASLANTAŞ
- Use of spatial information in classification and segmentation of synthetic aperture radar images
Uzamsal bilgilerin yapay açıklıklı uydu görüntülerinin sınıflandırma ve bölütleme işleminde kullanılması
ÜNSAL GÖKDAĞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN BİLGİN