Addressing class imbalance, label uncertainty, and crispness in edge detection
Kenar tespitinde sınıf dengesizliği, etiket belirsizliği ve kenar keskinliğinin ele alınması
- Tez No: 973074
- Danışmanlar: DOÇ. DR. EMRE AKBAŞ, PROF. DR. SİNAN KALKAN
- Tez Türü: Doktora
- 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: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kenar tespiti, bir görüntüdeki önemli yerel değişiklikleri tespit etmeyi amaçlayan temel bir görevdir. Görüntü segmentasyonu, derinlik tahmini, nesne tespiti ve optik akış tahmini gibi çeşitli bilgisayarlı görme problemlerinde yaygın olarak kullanılmaktadır. Bu tez, kenar tespiti problemini üç ana perspektiften yeniden ele almaktadır: (P1) ciddi sınıf dengesizliğini, (P2) bir RGB görüntüye ait birden fazla etiketin neden olduğu etiket belirsizliği ve (P3) mevcut yöntemlerde sık görülen kalın kenar tahminleri sorununu aşmak için, uçtan uca eğitilebilir bir şekilde tek piksel genişliğinde kenar haritalarının üretilmesi. P1 ve P2 sorunlarını birlikte ele alarak, kenar tespiti için temelde yeni bir yaklaşım olarak sıralama tabanlı kayıp fonksiyonlarının kullanımını öneriyoruz. RankED iki ana bileşenden oluşur: sıralama kaybı ve düzenleme kaybı. Sıralama Kaybı, kenar ve arka plan pikselleri arasındaki ciddi dengesizliği hafifletirken, düzenleme kaybı, hesaplanan etiket belirsizliğine dayalı olarak yüksek güvenilirlikteki kenarlara düşük güvenilirliktekilere göre öncelik verir. Deneysel sonuçlar, RankED'in üç yaygın kenar tespiti veri kümelerinde mevcut yöntemlere kıyasla tutarlı bir şekilde üstün performans sergilediğini göstermektedir. RankED'i, temsiliyet kapasitesini artırmak ve tahmini belirsizliklerden yararlanmak için hiperbolik gömme vektörler ile daha da geliştirdik (RankHED). RankHED, Multi-Cue, NYUD-v2 ve BSDS500 veri kümelerinde ODS, OIS ve AP metrikleri açısından güncel en iyi performansı elde etmektedir. Son olarak, P3'ü ele almak için herhangi bir kenar tespiti işlem hattına entegre edilebilen yeni bir eşleme tabanlı denetim yöntemi olan MatchED' yi öneriyoruz. MatchED' nin, keskinliğe odaklı değerlendirme protokolleri (CEval) kapsamında en güncel kenar tespiti yöntemlerinde ODS, OIS ve AP metriklerinde yaklaşık 20 puanlık bir iyileşme sağlamakla kalmayıp, aynı zamanda standart değerlendirme (SEval) altında maksimum dışı baskılama (Non-maximum Supression) ve iskelet tabanlı inceltme algoritmalarından da üstün performans sergilediğini gösteriyoruz.
Özet (Çeviri)
Edge detection is a fundamental task that aims to identify significant local changes in intensity within an image. It is widely used in various computer vision problems such as image segmentation, depth estimation, object detection, and optical flow estimation. This thesis revisits the edge detection problem by addressing three main challenges: (P1) heavy class imbalance, (P2) label uncertainty due to multiple annotations for a single RGB image, and (P3) the generation of one-pixel-wide edge maps in an end-to-end trainable manner to overcome the common issue of thick edge predictions in existing methods. To jointly address P1 and P2, we introduce the use of ranking-based loss functions as a fundamentally new approach to edge detection. RankED has two main components: A ranking loss and a sorting loss. The Ranking Loss mitigates the severe imbalance between edge and background pixels, whereas the Sorting Loss prioritizes high-confidence edges over low-confidence ones based on computed label uncertainty. We experimentally show that RankED consistently outperforms existing approaches on three widely-used edge detection datasets, NYUDv2, BSDS500, and Multi-Cue. We further enhance RankED with hyperbolic embedding to improve representation capacity and exploit predictive uncertainty, resulting in RankHED, which achieves new state-of-the-art performance on the NYUDv2, BSDS500, and Multi-Cue datasets across ODS, OIS, and AP metrics. Finally, we propose a new matching-based supervision method, MatchED, which can be integrated into any edge detection pipeline to address P3. We demonstrate that MatchED not only yields approximately 20-point improvements for SOTA edge detection methods in ODS, OIS, and AP under crispness-emphasized evaluation protocols (CEval), but also outperforms NMS and skeleton-based thinning algorithms under standard evaluation (SEval).
Benzer Tezler
- A composed technical debt identification methodology to predict software vulnerabilities
Yazılım zafiyetlerini tahmin etmek için kapsamlı bir teknik borç tanımlama yöntemi
RUŞEN HALEPMOLLASI
- Mikroskobik kan yayma görüntülerinde orak hücre tespiti için hibrit görüntü iyileştirme ve açıklanabilir derin öğrenme yaklaşımı
A robust and explainable deep learning pipeline with hybrid image enhancement for sickle cell detection
TOLGA AŞAR
- Developing data-driven models for anomaly detection in automotive and additive manufacturing applications
Otomotiv ve eklemeli imalat uygulamalarında anomali tespiti için veri odaklı modeller geliştirme
SHAWQI MOHAMMED OTHMAN FAREA
- Türkçe e-ticaret yorumlarında transformer tabanlı duygu analizi
Transformer-based sentiment analysis on Turkish e-commerce reviews
MUHAMMET ŞAMİL İKİZOĞLU
- Improvements in recommender systems: Addressing data sparsity and class imbalance with attribute integration and network science
Tavsiye sistemlerinde iyileştirmeler: Veri seyrekliği ve sınıf dengesizliğinin öznitelik entegrasyonu ve ağ bilimi ile ele alınması
ELİF ECE ERDEM
Yüksek Lisans
İngilizce
2024
Galatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
