Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: İngilizce
Öğrenci: MUHAMMED ERTUĞRUL GÜNGÖR
Asıl Danışman (Eş Danışmanlı Tezler İçin): Sinan Kalkan
Eş Danışman: Emre Akbaş
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Son yıllarda Nesne Tespit modellerinde benzersiz ilerlemeler görülmüştür. Ancak, bu ilerlemeler genellikle nispeten dengeli veri kümeleriyle sınırlıdır. Uzun kuyruklu bir ortamda, dedektörler genellikle bu dağılımın başında bulunan sınıflara doğru bir önyargı sergiler, bu da kuyruktaki sınıflar için düşük performansa neden olur. Uzun kuyruklu öğrenme, gerçek hayattaki nesnelerin bu tipte bir dağılıma sahip olması nedeniyle çok önemlidir. Bu sorunu çözmek için birçok teknik önerilmiştir. Bu tezde, uzun kuyruklu öğrenmenin en etkili dallarından yöntemleri inceliyoruz. Ardından, sınıf örnek boyutlarına dayanan mevcut yöntemlere bir alternatif sunan ve eğitim performans ölçümlerini kullanan iki adet eğitim sonrası sınıf puanı kalibrasyon yöntemi öneriyoruz. Bu yöntemler bahsedilen performans verilerine dayalı faktörleri kullanarak olasılıkları veya sınıf skorlarını güncelliyor. Ayrıca, eğitimin ikinci aşamasında sıralama tabanlı bir kayıp fonksiyonu kullanan üçüncü bir yöntem tanıtıyoruz. Bu yöntemleri, zorlu bir uzun kuyruklu veri kümesi olan LVIS'i kullanarak değerlendiriyoruz ve sonuçlarımızı son yaklaşımlarla karşılaştırıyoruz. Sonuçlarımız, yöntemlerimizin LVIS ile beraber sunulan temeli iyileştirdiğini ve benzer yaklaşımlara kıyasla rekabetçi bir performans sunduğunu göstermektedir.