Large scale landmark recognition using global descriptors and encoded features
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: BERK TAŞKIN
Danışman: Mine Elif Karsligil
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Obje tanıma ve anlamsal bölütleme gibi bilgisayarlı görü algoritmalarının öneminin artması ile bu alanda yapılan çalışmalar da son yıllarda popülerlik kazanmıştır. Bunun sonucunda kullanılan veri kümelerinin de boyutlarında artış gözlemlenmiştir. Fakat çalışılan veri kümelerinin boyutlarındaki artış işaretleme yükünü de beraberinde getirmektedir. Çalışmaların büyük çoğunluğunda kullanılan resimler insanlar tarafından işaretlenmiş olmakla beraber, çok büyük veri kümeleri için bu durum uygulanabilir olmaktan çıkmaktadır. Bu çalışmada veri kümesi temizliği için aykırı örnek tespiti, kümeleme ve derin öğrenme tabanlı sınıflandırma tekniklerini kullanan otomatik bir sistem tasarlanmış ve gerçeklenmiştir. Çalışmanın temelini oluşturan Google Landmarks v2 veri kümesi, içerisinde ~ 200B sınıf ve 5M resim örneği bulunduran bir veri kümesidir. Bu veri kümesi öncelikle AutoEncoder, DELF ve DELG'den üç öznitelik vektörünün oluşturulmasında kullanılmıştır. Öznitelik vektörlerinin üretiminin ardından gürültü örneklerini ortadan kaldırmak için aykırı değer tespiti (kNN,Isolation Forest,VAE) ve kümeleme (FAISS) yöntemlerinden faydalanılmıştır. Çalışmanın son bölümünde, bir sınıflandırma modelinin oluşturulmasında yukarıda bahsedilen öznitelik vektörleri ve EfficientNet mimarisi kullanılmıştır. Veri kümesi temizliğinden önce AutoEncoder özelliklerinde %49, DELF özelliklerinde %55, DELG özelliklerinde %57 ve EfficientNet-B5'te %61 doğruluk puanı elde edilmiştir. Bu sonuçlar ışığında veri kümesi temizleme amaçlı EfficientNet kullanımına karar verilmiştir. Temel performans değerlerının eldesi için yapılan detaylı eğitimde %69 doğruluk puanı elde edilmiş ve bunu takiben, veri kümesi, eğitilen modelin tahmin güvenleri kullanılarak temizlenmiştir. Temizlenen veri kümesi kullanılarak sıfırdan yeni bir eğitime başlanmış ve %71 doğruluk puanı elde edilmiştir. Bununla birlikte, sınıflandırma mimarileri kullanılarak veri kümesi temizliğinin mümkün olduğu gözlemlenmiştir.