Few-shot Segmentation by Enhanced Ensemble of Base and Meta Predictions
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRİK VE ELEKTRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: ALPER KAYABAŞI
Danışman: İlkay Ulusoy
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Denetimli öğrenme paradigması, etiketiyle birlikte bol miktarda verinin mevcut olduğunu varsaymaktadır. Veri etiketleme maliyetli ve zaman alıcı bir iş olduğundan, finansal ve ya zamansal kısıtlar olduğunda bu varsayım geçerliliğini yitirir. Buna ek olarak, bazı sınıflar için örnek görüntülerin sayısı az olabilir (Örneğin soyu tükenmekte olan hayvanlara ait görüntüler). Bu durumlara değinmek için, kısıtlı denetim altında yeni görevlerdeki örüntülerin tanınması amacıyla birkaç adımda öğrenme konsepti geliştirilmiştir. Birkaç adımlı öğrenmenin alt başlığı olan birkaç adımlı bölütleme, sınıfı sorgu görüntüsündeki sınıfla eşleşen birkaç destek görüntüsünün rehberliğinde eğitim sırasında görünmeyen sınıfları içeren sorgu görüntülerini bölütleyen genelleyici bir model geliştirmeyi amaçlar. Daha önceki çalışmalarda belirtilen, boyutsal tutarsızlık ve görülen sınıflara yönelik önyargı olmak üzere alana ait iki problem vardır. Boyutsal tutarsızlık sorununu çözmek için, bu tezde önerilen yöntem, destek özellik haritasını çeşitli ölçeklerde sorgu özellik haritasıyla karşılaştırır, bu nedenle ölçeğe bağımlılık ortadan kalkmaktadır. Görülen sınıflara yönelik eğilimi ele almak için, temel öğrenen adı verilen denetimli bir model görülen sınıflara ait pikselleri doğru bir şekilde tanımlamak için mevcut sınıflar üzerinde eğitilir. Meta öğrenici daha sonra temel öğrenenle koordinasyon sağlamak ve görülen sınıflara ait alanları göz ardı etmek için bir topluluk öğrenme modeli kullanır. Bu tez, bu iki hayati sorunu ilk kez aynı anda ele alıyor ve hem PASCAL-5i hem de COCO-20i veri kümelerinde en iyi performansları elde ediyor.