Object augmentation for out-of-context object recognition

---

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: OĞUL CAN ERYÜKSEL

Danışman: SİNAN KALKAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bir görüntüdeki görsel bağlam, ön plan nesneleri ve arka plan hakkında ve bunlar arasında zengin bilgiler içerir. Derin öğrenme modelleri, genel olarak bağlamsal bilgileri dolaylı olarak öğrenir. Bununla birlikte, eğitim veri kümeleri genellikle tüm olası bağlamları içermediğinden, derin modeller bağlamsal ayrıntıları ezberleme eğilimindedir. Bu, nesneler beklenmedik bağlamlarda veya yerlerde görünebileceğinden, modellerin gerçek dünya uygulamalarında düşük tanıma performansına yol açabilir. Bu tür nesnelere bağlam dışı nesneler denir. Bu çalışmada, bağlam dışı nesnelerin daha gürbüz bir şekilde tanınması için nesne düzeyinde bir çeşitleme çerçevesi öneriyoruz. Önerilen çeşitleme metodolojimiz, eğitim aşamasında görüntülere rastgele nesne kaldırma ve nesne yerleştirme işlemleri uygular. Ayrıca, performansı daha da artırmak için nesne düzeyinde çeşitleme kullanan bir karşılaştırmalı öğrenme hattı önerdik. Sonuçlarımız, nesne düzeyinde çeşitleme ve karşılaştırmalı öğrenme kullanılarak modellerin bağlam dışı tanıma performansının normal görüntülerde performans kaybetmeden artırılabileceğini göstermektedir. Önerilen yöntemin etkinliğini analiz etmek için, MS COCO veri setinde çok etiketli bir görüntü sınıflandırma problemi için bir dizi deney yapılmıştır. Ayrıca, önerdiğimiz nesne çeşitliliğini artırma yöntemlerini kullanarak bağlam dışı nesnelerle görüntüler oluşturmak için bir araç sağlıyoruz.