Quantifying and mitigating class imbalance in long-tailed visual recognition
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: ZEYNEP SONAT BALTACI
Asıl Danışman (Eş Danışmanlı Tezler İçin): Sinan Kalkan
Eş Danışman: Emre Akbaş
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Gerçek dünyada nesneler, kategorilere eşit olmayan bir şekilde dağılır. Bu durum gerçekçi görsel tanıma veri kümelerinde uzun kuyruklu bir dağılım olarak kendini gösterir. Geleneksel gradyan tabanlı eğitim stratejileri kullanılarak bu tür dengesiz veri kümeleri üzerinde eğitilen derin öğrenme tabanlı yaklaşımlar, veri kümesinde yeterince temsil edilmeyen sınıflara karşı adil olmayan tanıma performansları sergiler. Bu sözde sınıf dengesizliği, literatürde, dengesizliği sınıf frekansı veya sınıf zorluğu yoluyla ölçerek ve bu ölçümleri örnekleme, kayıp fonksiyonu ağırlıklandırma veya kalibrasyon stratejileri yoluyla dengesizliği azaltmak için kullanarak çalışılmıştır. Bu tezde, sınıflar arasındaki dengesizliği yakalamak için örnek frekansının veya zorluğunun tek başına yeterli olmadığını tartışıyor ve deneysel olarak gösteriyoruz. Ardından, eğitilmiş bir derin ağın tahmin belirsizliğine dayanan yeni bir ölçüt öneriyoruz ve bunun dengesizliği mevcut yaklaşımlardan daha iyi yakalayabildiğini gösteriyoruz. Son olarak, ölçümüzü mevcut dengesizlik azaltma yöntemlerine dahil ediyoruz: kayıp fonsiyonunu yeniden ağırlıklandırma, yeniden örnekleme, marj tabanlı yöntemler ve iki aşamalı eğitim. Tahmine dayalı belirsizliğe dayalı yöntemlerin, uzun kuyruklu CIFAR-10-LT, CIFAR-100-LT ve ImageNet-LT veri kümelerinde mevcut temellere göre iyileştirdiğini veya yakın performans gösterdiğini gösteriyoruz.