Using a ranking-based loss for long-tailed visual recognition

---

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: BARAN GÜLMEZ

Asıl Danışman (Eş Danışmanlı Tezler İçin): Sinan Kalkan

Eş Danışman: Emre Akbaş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Uzun kuyruklu görsel tanıma, yani bazı sınıfların diğerlerinden çok daha az örneğe sahip olması durumu, öğrenme tabanlı bilgisayarlı görü uygulamalarında kritik bir zorluk oluşturmaktadır. Gerçek dünya görsel tanıma veri setleri genellikle uzun kuyruklu dağılımlar sergilediğinden, bu tür veri setlerinde öğrenme zorluğunun üstesinden gelmek birçok uygulama için çok önemlidir. Bu tezde, uzun kuyruklu görsel tanıma için, Chen ve arkadaşları tarafından orijinal olarak nesne tespiti görevi için önerilen Ortalama Kesinlik (AP) Kaybını inceliyor ve uyarlıyoruz. Standart AP Kaybının, dengesiz sınıf dağılımlarıyla başa çıkmada Çapraz Entropi Kaybı gibi geleneksel kayıp fonksiyonlarına benzer şekilde performans gösterdiğini bulduk. AP Kaybına iki özel değişiklik getirerek, modelin nadir sınıfları tanıma doğruluğunu ve tüm sınıflar arasındaki genel performansını önemli ölçüde iyileştirdik. Bu iyileştirilmiş AP Kaybı versiyonlarını literatürdeki diğer en iyi performans gösteren kayıp fonksiyonlarıyla karşılaştırmak için kapsamlı deneyler yürüttük. Bulgularımız, geliştirdiğimiz AP Kaybı versiyonlarının, diğer en iyi performans gösteren kayıp fonksiyonlarıyla eşdeğer veya onlardan daha iyi performans sunduğunu gösterdi.