Yüksek Lisans Adayı: Beyza Ecem Erce

EABD: Veri Bilişimi

Tarih: 26.05.2025 / 15:00

Yer: A-212

Özet: Anlamsal bölütleme, bir görüntüdeki her piksele, temsil ettiği nesne ya da bölge kategorisine göre bir sınıf etiketi atanmasını içerir. Denetimli öğrenme kullanarak anlamsal bölütleme için bir makine öğrenimi modeli eğitmek, piksel düzeyinde açıklamalara sahip büyük bir görüntü veri kümesi gerektirir. Ancak, bu ayrıntılı açıklamaları oluşturmak, hassas etiketleme için gereken zaman ve çaba nedeniyle önemli bir zorluktur. Bu tez, sentetik görüntüler ve bunlara karşılık gelen piksel etiketleri kullanılarak bir anlamsal bölütleme modelinin eğitilmesini ve bunun gerçek dünya görüntülerine uyarlanmasını sağlayan çekişmeli alan uyarlama tekniği kullanarak bu sorunu ele almayı amaçlamaktadır. Önerilen model, DeepLabV3+ tabanlı bir anlamsal bölütleme modülü ve Domain-Adversarial Neural Network (DANN) kullanan bir çekişmeşli alan uyarlama modülünden oluşmaktadır. Model, iki eğitim ayarını desteklemektedir: etiketli gerçek dünya görüntülerinin bulunmadığı denetimsiz alan uyarlaması (UDA) ve yalnızca sınırlı sayıda etiketli gerçek dünya görüntüsünün mevcut olduğu yarı denetimli alan uyarlaması (SSDA). Eğitim sürecine etiketli gerçek dünya görüntülerinin dahil edilmesine yönelik çeşitli stratejileri değerlendirmek için bir dizi deney gerçekleştirilmiş ve SSDA için en etkili yöntem belirlenip önerilmiştir. Sonuçlarımız, etiketli sentetik görüntülerden oluşan büyük bir veri kümesinin yanı sıra yalnızca küçük bir etiketli gerçek dünya görüntüsü kümesi kullanan önerilen SSDA yaklaşımının, alan uyarlaması olmadan standart denetimli öğrenme kullanılarak 12,5 kat daha fazla etiketli gerçek dünya görüntüsü ile eğitilen bir DeepLabV3+ modelinin performansına ulaşabileceğini göstermektedir. Bu, karşılaştırılabilir performansa ulaşmak için gereken açıklamalı veri miktarında %92’lik bir azalma anlamına gelmektedir.