Novel optimization models to generalize deep metric learning
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK VE ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: YETİ ZİYA GÜRBÜZ
Danışman: ABDULLAH AYDIN ALATAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Derin metrik öğrenme (DMÖ), imge gibi anlamsal bilgi içeren verilere parametrik bir fonksiyonun, fonksiyonun değerleri arasındaki l2-uzaklığı anlamsal yakınlığı yansıtacak şekilde yakıştırılmasını amaçlar. Bu davranışa sahip fonksiyonlar görüntü uzayındaki ikişerli sınıf-içi/-dışı yakınlık kısıtlarının ihlalini cezalandıran ampirik beklenen kayıp değerlerinin en-küçültülmesi ile hesaplanır. Kayıp formülasyonlarında her sınıf için öğrenilebilir görüntü vektörü içeren vekil-tabanlı yaklaşımlar en iyilerdir. Bu çalışmada öncelikle vekil-tabanlı yaklaşımların genelleştirme hatalarının karakterizasyonu incelenmiştir. DMÖ bir şans-kısıtlı en-iyileme problemi olarak yeniden tanımlanmıştır. Özenli teorik analiz ile yinelemeli olarak vekil-tabanlı kayıpların en-küçültülmesi ve vekillerin yeni örnekler ile ilklendirilmesinin DMÖ için daha iyi genelleme sağlayabileceği gösterilmiştir. İkincil olarak, DMÖ için elzem gereklilik olan eğitim-dışı sınıflar üzerine genelleme çalışılmıştır. Sıkça kullanılan etkin bir bilgi ortaklama yöntemi olan bütünsel ortalama (BO) incelenmiştir. Teorik ve deneysel bulgular ile BO'nun etkinliği her bir öznitelik vektörünün anlamsal bir olguyu temsil etmesi ve BO'nun bu olguların dışbükey bileşimi olmasıyla açıklanmıştır. Bu kapsamda BO, öğrenilebilir bir ortaklama yöntemi ile genelleştirilmiştir. Önerilen yöntem BO'ya iki ayrık özellik kazandırmaktadır: i) istenmeyen bilgiyi atmayı öğrenerek anlamsal olguların altkümesini seçebilme, ii) her olgunun önemini gözeten ağırlıkları öğrenebilme. Ek olarak, önerilen yöntemin eğitim-dışı sınıflar için genelleyebilmesine yönelik yenilikçi bir ceza fonksiyonu biçimlendirilmiştir. Bu tez çalışması kapsamında sunulan katkıların etkinliği yaygın kullanılan 4 adet referans veri-seti üzerinde yapılan kapsamlı deneysel çalışmalar ile gösterilmiştir.