Curriculum domain generalization for computer vision
Bilgisayarla görü için müfredat tabanlı alan genelleme
- Tez No: 967840
- Danışmanlar: Assoc. Prof. ÖZNUR TAŞTAN OKAN, Prof. ERCHAN APTOULA
- 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: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 57
Özet
Alan genellemesi, modellerin eğitim sırasında erişimi olmayan, görülmemiş alanlarda da iyi performans göstermesini amaçlar. ADRMX (Remix Kayıplı Alan Özelliklerinin Toplamsal Ayrıştırılması), görülmemiş alanlara genelleme yeteneğini artırmak için veri artırmaya dayalı bir yaklaşımdır. ADRMX, alanlardan bağımsız ve alana özgü özellikleri toplamsal bir mimariyle ayrıştırır ve gizil uzayda remix kaybı uygular; böylece kaynak alanlar arasında aynı sınıfa ait temsilleri karıştırarak sentetik örnekler üretir. Farklı alanlarda aynı sınıfa ait örneklerin özellik temsillerini karıştıran ADRMX yönteminden yola çıkarak, bu tez Kademeli Özellik Hizalaması (PFA) yöntemini sunar. PFA, müfredat temelli bir remix stratejisidir. Remix işlemi, en yakın alan çiftlerinden başlayarak en uzaklara doğru ilerler ve karıştırma katsayıları, alanlar arası sınıf merkezleri arasındaki mesafeye göre dinamik olarak ayarlanır; bu sayede çok farklı özelliklerin gerçekçi olmayan şekilde karışması önlenir ve ortaya çıkan sentetik örneklerdeki gürültü azaltılır. Özellik karıştırmayı anlamsal yakınlığa göre düzenleyen PFA, giderek zorlaşan alan değişimlerine kademeli bir uyum sağlar. PACS ve OfficeHome veri setlerinde biralanı-dışarı-bırak protokolü altında, PFA sürekli olarak ADRMX ve diğer güncel alan genelleme tekniklerinden daha iyi performans göstermekte, özellikle zorlu OfficeHome veri setinde belirgin kazanımlar elde etmektedir. Bu sonuçlar, özellik karıştırmada müfredat temelli bir yakvilaşımın, bilgisayarla görü modellerinin karmaşık alan değişimlerine karşı dayanıklılığını önemli ölçüde artırabileceğini göstermekte ve görülmemiş verilerdeki ciddi değişimlerle başa çıkmak için yeni yönler önermektedir.
Özet (Çeviri)
Domain generalization aims to train models to perform well on unseen domains without access to data from those domains during training. ADRMX (Additive Disentanglement of Domain Features with Remix Loss) is an augmentation based design to improve generalization to unseen domains. ADMRX disentangles domain- invariant and domain-specific features via an additive architecture and applies a latent-space remix loss, mixing same-class representations across source domains to generate synthetic samples. Building on the ADRMX method, which mixes feature representations of same-class samples across different domains, this thesis introduces Progressive Feature Alignment (PFA). PFA is a curriculum-driven remixing strategy. Remixing proceeds from the closest to the most distant pairs of domains, with mixing coefficients dynamically adjusted based on class centroid distances across do- mains to prevent unrealistic blending of dissimilar features and reduce noise in the resulting synthetic examples. By organizing feature remixing according to semantic proximity, PFA enables a gradual adaptation to increasingly challenging shifts. Under the leave-one-domain-out protocol on the PACS and OfficeHome benchmarks, PFA consistently outperforms ADRMX and other state-of-the-art domain generalization techniques, yielding especially strong gains on the more challenging Office- Home dataset. These results demonstrate that a curriculum-driven approach to feature remixing can substantially enhance the robustness of computer vision models to complex domain variation, suggesting new directions for tackling severe shifts in unseen data.
Benzer Tezler
- Shape complexity: Relative and emergent, with applications in deep learning
Derin öğrenmede uygulamalarıyla göreli ve belirgen şekil karmaşıklığı
MAZLUM FERHAT ARSLAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA SİBEL TARI
- Temel tasarım eğitiminde çoklu zekâ kuramı üzerinden uzamsal becerinin gelişimine etki eden bir izlence önerisi
A curriculum proposal affecting the development of spatial ability through multiple intelligence theory in basic design education
ANDAY TÜRKMEN
Doktora
Türkçe
2022
MimarlıkMimar Sinan Güzel Sanatlar Üniversitesiİç Mimarlık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMEL BAŞARIK AYTEKİN
- MEB okul öncesi eğitim programında 21. yüzyıl becerileri ile P4C yönteminin uygulanabilirlik durumu
The applicability of 21st-century skills and the P4C method in the MEB preschool education curriculum
AYLİN TOKTAMIŞ
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimYıldız Teknik ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. MEHMET GÜROL
- Abant İzzet Baysal Üniversitesi Sınıf Öğretmenliği bölümü ilköğretimde program geliştirme dersi hedeflerinin gerçekleşme düzeyi
Başlık çevirisi yok
MERİÇ KANBUR
Yüksek Lisans
Türkçe
1997
Eğitim ve ÖğretimAbant İzzet Baysal ÜniversitesiSınıf Öğretmenliği Ana Bilim Dalı
PROF. DR. MÜRÜVVET BİLEN
- Ortaöğretim Türk edebiyatı dersi öğretim programı kazanımlarının bilişsel açıdan incelenmesi
Analyzing the cognitive domain of the secondary education Turkish literature curriculum
AYŞİN TAHAOĞLU
Yüksek Lisans
Türkçe
2014
Eğitim ve Öğretimİhsan Doğramacı Bilkent ÜniversitesiEğitim Programları ve Öğretimi Ana Bilim Dalı
YRD. DOÇ. DR. RASİM ÖZYÜREK