Minimally supervised tracking of animal colonies with iteratively trained object detectors

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: OĞUZ GÖDELEK

Danışman: Hande Alemdar

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Hayvan kolonileri, birçoğu yeterince anlaşılmamış veya keşfedilmemiş olan son derece karmaşık davranışlar sergiler. Bu davranışların etkili bir şekilde belirlenmesi, grup üyelerinin önemli bir kısmının doğal ortamlarında veya deneysel düzeneklerde uzun süreli takip edilmesini gerektirir. Bilgisayarla görü alanındaki son gelişmeler, derin sinir ağlarının zorlu çevre koşullarında bile bir hayvan kolonisindeki bireyleri güvenilir bir şekilde tespit edebileceğini göstermektedir. Bununla birlikte, bilimsel amaçlar için kabul edilebilir bir hata oranına sahip bir sinir ağının eğitilmesi genellikle büyük miktarda insan etiketli eğitim verisi gerektirir. Bu tezde, kendi kendine eğitim olarak adlandırılan en eski yarı denetimli öğrenme yöntemlerinden birini Her Şeyi Bölütle (SAM) isimli yeni bir model ile destekleyerek herhangi bir işaretli veriye ihtiyaç duymayan bir hayvan takibi sistemi öneriyoruz. Kendi kendine öğrenme için ihtiyaç duyulan ilk veri setini SAM tarafından önerilen konumlar ile değiştirerek yüksek doğruluklu obje tespit eden modelleri yinelemeli olarak eğitiyoruz. Yöntemimizin etkinliğini göstermek için, bal arısı kolonisi verilerimizi ve halka açık birkaç hayvan kolonisi tespiti veri kümesini içeren bazı karşılaştırmalı deneyler gerçekleştiriyoruz. Deneysel sonuçlar, önerilen yöntemle elde edilen nesne dedektörlerinin, herhangi bir veri işaretlemeden bilimsel olarak tatmin edici sonuçlara ulaşabileceğini gösteriyor.