PriorBox: Long-tail calibration with priors

---

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: ABDULLAH DURSUN

Danışman: Ramazan Gökberk Cinbiş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Derin öğrenme görsel sınıflandırma, nesne tespiti, anlamsal bölütleme, nesne bölütleme ve kilit nokta tespiti gibi zorlu problemlere katkılarıyla bilgisayarlı görü alanına büyük yenilikler getirmiştir. Bu problemler arama motorları, sosyal medya ve askeri uygulamalarda önemli bir yer almaktadır. Maalesef günümüzde araştırma ve gündelik hayat uygulamalarındaki başarımlar arasında veri dağılım ayrımından kaynaklı ciddi farklar bulunmaktadır. Dengesiz veri setlerindeki çok örnekli sınıflara olan eğilimden dolayı çoğu nesne tespit yöntemi dikkate değer başarı düşüşüne uğramaktadır. Bu tez dengesiz veri setleri için sınıf dağılımı ön bilgisi ile basit bir evrişimli sinir ağı kullanarak kalibrasyon çarpanı bulan PriorBox yöntemini önermektedir. PriorBox hazırlaması kolay dağılımsal ve uzamsal ön bilgileri kullandığı için ekstra veri toplama aşaması gerektirmemektedir. Önerilen yöntem yaygın sınıf dengeleme ve hata manipülasyon yöntemlerini kullanmayıp var olan nesne tespit ve bölütleme çalışmalarıyla uyumludur. Örnek sayısı, boyut ve en boy oranı gibi basit ön bilgiler az örnekli sınıfların tespitini çıkarım hızını değiştirmeden iyileştirebilmektedir. LVIS veri seti ve Mask R-CNN modeliyle dengesiz veri setlerinde nesne tespiti ve bölütleme problemleri üzerinde detaylı incelemeler yapılmıştır.