Training Object Detectors by Directly Optimizing LRP Metric


Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye

Tezin Onay Tarihi: 2020

Tezin Dili: İngilizce

Öğrenci: BARIŞ CAN ÇAM

Asıl Danışman (Eş Danışmanlı Tezler İçin): Emre Akbaş

Eş Danışman: Sinan Kalkan

Özet:

Bu tezin odak noktası, derin nesne tespitçi agların, nesne tespitçilerinin iki alt göre- vini (sınıflandırma ve konumlandırma) birleşik olarak degerlendirebilen LRP perfor- mans ölçütünün (Oksuz vd., 2018) eniyilenerek egitilmesidir. Bu hedefe ulaşmak için, yaygın dogrusal a ğırlıklandırma yaklaşımının aksine, geçmişçalışmalarda kullanılan sınırlandırılmışkonumlandırma kayıp fonksiyonları kullanılmışve sınıflandırma görevinin aralıgını sınırlandırabilen yeni bir kayıp fonksiyonu önerilerek dolaylı olarak LRP performans ölçütü eniyilenmiştir. Aralık sınırlandırma yaklaşımına ek olarak, egitim süresince toplanan LRP de ğerlerinin regresyonu ile nesne tespitçilerinin e ği- tilmesi amaçlanmıştır. Önerilen regresyon mimarisinin LRP degerlerini kabul edile- bilir hata oranları ile tahmin edebildigi gösterilmiştir. Buna ra ğmen, regresyon mi- marisinin LRP hata tahmincisi olarak eklenmesi ile nesne tespitçisi egitimi başarısız olmuştur. Son olarak, Chen vd. (2020)’nin önerdigi perceptron ö ğrenme algoritması- nın uyarlanması ile LRP metriginin nesne tespitçisi e ğitmek üzere kayıp fonksiyonu olarak entegre edilmesi saglanmıştır. Bu tezde, perceptron ö ğrenme tabanlı yaklaşım vii irdelenmişve bu yaklaşımın IoU tabanlı konumlandırma kayıp fonksiyonlarına genelleştirilmesi önerilmiştir.