Unsupervised and semi-supervised domain adaptation for semantic segmentation
Anlamsal bölütleme için denetimsiz ve yarı denetimli alan uyarlaması
- Tez No: 943128
- 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: 89
Özet
Anlamsal bölütleme, bir görüntüdeki her piksele, temsil ettiği nesne ya da bölge kategorisine göre bir sınıf etiketi atanmasını içerir. Denetimli öğrenme kullanarak anlamsal bölütleme için bir makine öğrenimi modeli eğitmek, piksel düzeyinde açıklamalara sahip büyük bir görüntü veri kümesi gerektirir. Ancak, bu ayrıntılı açıklamaları oluşturmak, hassas etiketleme için gereken zaman ve çaba nedeniyle önemli bir zorluktur. Bu tez, sentetik görüntüler ve bunlara karşılık gelen piksel etiketleri kullanılarak bir anlamsal bölütleme modelinin eğitilmesini ve bunun gerçek dünya görüntülerine uyarlanmasını sağlayan çekişmeli alan uyarlama tekniği kullanarak bu sorunu ele almayı amaçlamaktadır. Önerilen model, DeepLabV3+ tabanlı bir anlamsal bölütleme modülü ve Domain-Adversarial Neural Network (DANN) kullanan bir çekişmeşli alan uyarlama modülünden oluşmaktadır. Model, iki eğitim ayarını desteklemektedir: etiketli gerçek dünya görüntülerinin bulunmadığı denetimsiz alan uyarlaması (UDA) ve yalnızca sınırlı sayıda etiketli gerçek dünya görüntüsünün mevcut olduğu yarı denetimli alan uyarlaması (SSDA). Eğitim sürecine etiketli gerçek dünya görüntülerinin dahil edilmesine yönelik çeşitli stratejileri değerlendirmek için bir dizi deney gerçekleştirilmiş ve SSDA için en etkili yöntem belirlenip önerilmiştir. Sonuçlarımız, etiketli sentetik görüntülerden oluşan büyük bir veri kümesinin yanı sıra yalnızca küçük bir etiketli gerçek dünya görüntüsü kümesi kullanan önerilen SSDA yaklaşımının, alan uyarlaması olmadan standart denetimli öğrenme kullanılarak 12,5 kat daha fazla etiketli gerçek dünya görüntüsü ile eğitilen bir DeepLabV3+ modelinin performansına ulaşabileceğini göstermektedir. Bu, karşılaştırılabilir performansa ulaşmak için gereken açıklamalı veri miktarında %92'lik bir azalma anlamına gelmektedir.
Özet (Çeviri)
Semantic segmentation involves assigning a class label to each pixel in an image according to the category of object or region it represents. Training a machine learning model for semantic segmentation using supervised learning requires a large dataset of images with pixel-level annotations. However, creating these detailed annotations is a significant challenge due to the time and effort required for precise labeling. This thesis aims to address this issue by employing an adversarial domain adaptation technique to train a semantic segmentation model using synthetic images with corresponding pixel labels and adapting it to real-world images. The proposed model consists of a semantic segmentation module based on DeepLabV3+ and an adversarial domain adaptation module using a Domain-Adversarial Neural Network (DANN). The model supports two training settings: unsupervised domain adaptation (UDA), where no labeled real-world images are available, and semi-supervised domain adaptation (SSDA), where only a limited number of labeled real-world images are available. A series of experiments have been conducted to evaluate various strategies for incorporating labeled real-world images into the training process, and the most effective method for SSDA is identified and proposed. Our results demonstrate that the proposed SSDA approach, using only a small set of labeled real-world images alongside a large dataset of labeled synthetic images, can achieve the performance of a DeepLabV3+ model trained with 12.5 times more labeled real-world images using standard supervised learning, without domain adaptation. This represents a 92% reduction in the amount of annotated data required to achieve comparable performance.
Benzer Tezler
- Türkçe sözcük anlam belirsizliği giderme
Word sense disambiguation for Turkish
BAHAR İLGEN
Doktora
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EŞREF ADALI
YRD. DOÇ. DR. AHMET CÜNEYD TANTUĞ
- Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition
Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım
MASTANEH TORKAMANI AZAR
Doktora
İngilizce
2020
BiyomühendislikSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
Prof. Dr. SELİM SAFFET BALCISOY
- Corpus-based semantic kernels for supervised and semi-supervised text classification
Eğiticili ve yarı-eğiticili metin sınıflandırması için derlem tabanlı anlambilimsel çekirdekler
AYŞE BERNA ALTINEL
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BANU DİRİ
YRD. DOÇ. DR. MURAT CAN GANİZ
- Developing a comprehensive framework for sentiment analysis in Turkish
Türkçe için kapsamlı bir duygu analizi çatısı geliştirme
CEM RIFKI AYDIN
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNGA GÜNGÖR
PROF. DR. SADIK FİKRET GÜRGEN
DR. ÖĞR. ÜYESİ TEVFİK AYTEKİN
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN