Yüksek Lisans Adayı: Mehmet Can Baytekin
EABD: Bilişim Sistemleri
Tarih: 19.01.2023 / 13:30
Yer: -

Özet: Bu tez çalışmasında, derin öğrenme tabanlı nesne testip algoritmalarında sıklıkla kullanılan geleneksel Bölge Öneri Ağı'nı (RPN) geliştirmek için DA2RPN adlı dinamik anchoları ve dinamik atama bölgeleri üretebilen Bölge Öneri Ağı önermekteyiz. Klasik Bölge Öneri Ağı, nihai sonuçları üretmek için tespit katmanı tarafından girdi olarak alınan nesne önerilerini önceden belirlenmiş bir dizi bağlantı kutuları yerleştirerek üretir. Bölge Öneri Ağı bazı sorunlara sahiptir, bunlar her özellik haritası noktası için anchor kutularının yerleştirilmesi ve bağlantı kutularını etiketlemek için birleşim üzerinden kesişme puanlarına dayalı statik eşik değerlerinin kullanılmasıdır. Bununla birlikte, nesneler yalnızca görüntü düzleminde bulunduğundan, çoğunlukla görüntü düzleminin dışında bulunan çapalar, nesneleri algılamak için kullanışlı değildir.

Öte yandan, aynı kesişme-birleşim değerlerine sahip bağlantı kutusu-zemin doğruluk kutusu çiftleri, farklı nesnelerin algılanması için eşit derecede yararlı olmayabilir. Bir çapa, o nesne için en iyi aday olabilir, ancak başka bir çapa, aynı iou değerlerine sahip olsalar bile, başka bir nesne için kötü bir seçim olabilir. Bu sorunları azaltmak için, özellik haritası noktası başına farklı sayıda çapa üretiyoruz ve yer gerçeği kutusu başına seçilen çapaların kalitesine uyarlanan dinamik bir eşikleme mekanizması kullanıyoruz. Ek olarak, eğitimi kolaylaştırmak ve dinamik bağlantı oluşturmanın neden olduğu seyrekliği önlemek için bağlantı boyutlarını ayırıyoruz. COCO veri seti üzerinde denediğimiz sonuçlarımız, Bölge Öneri Ağı üzerinde iyileştirmeler göstermiştir.