Derin öznitelikler ile anlambilimsel görüntü bölütleme

Basit Öğe Kaydı
dc.authorid0000-0002-6842-1528
dc.contributor.authorSünetci, Sercanen_US
dc.contributor.authorAteş, Hasan Fehmien_US
dc.date.accessioned2019-01-15T01:55:55Z
dc.date.available2019-01-15T01:55:55Z
dc.date.issued2018-07-05
dc.departmentIşık Üniversitesi, Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği Bölümüen_US
dc.departmentIşık University, Faculty of Engineering, Department of Electrical-Electronics Engineeringen_US
dc.description.abstractDerin evrişimsel sinir ağları (ESA) pek çok sınıflandırma probleminde olduğu gibi anlambilimsel görüntü bölütlemede de çok ciddi başarı göstermiştir. Fakat derin ağların eğitilmesi hem zaman alıcıdır hem de geniş bir eğitim veri kümesine ihtiyaç duymaktadır. Bir veri kümesinde eğitilen ağın başka bir görev ya da veri kümesine uygulanabilmesi için transfer öğrenme ile yeniden eğitilmesi gerekmektedir. Transfer öğrenmeye alternatif olarak ağ katmanlarından çıkarılan öznitelik vektörleri doğrudan sınıflandırma amaçlı kullanılabilir. Bu bildiride genel ESA mimarilerinden elde edilen özniteliklerin eğitim gerektirmeyen bir görüntü etiketleme yönteminde kullanılmasının sınıflandırma başarımına katkısı incelenmiştir. Derin ağlarda ‘öğrenilmiş’ öznitelikler ile SIFT gibi ‘el yapımı’ özniteliklerin birlikte kullanılmasının etiketleme doğruluğunu artırdığı gösterilmiştir. Varolan ön eğitimli ağların kullanılması sayesinde önerilen yaklaşım herhangi bir veri kümesinde yeniden eğitime gerek olmadan kolayca uygulanabilmektedir. Önerilen yöntem iki veri kümesinde test edilmiş ve etiketleme doğruluğu benzer yöntemlerle karşılaştırmalı olarak sunulmuştur.en_US
dc.description.abstractDeep convolutional neural networks (CNN) have shown significant success in many classification problems including semantic image segmentation. However training of deep networks is time consuming and requires large training datasets. A network trained in one dataset could be applied to another task or dataset through transfer learning and retraining. As an alternative to transfer learning, feature vectors that are extracted from network layers could be directly used for classification purposes. In this paper we investigate the improvement in classification performance when features extracted from generic CNN architectures are used in an image labeling algorithm that does not require training. We show that the use of 'learned' features from deep networks together with 'hand-crafted' features such as SIFT increases the labeling accuracy. Since existing pre-trained networks are used, the proposed approach could be easily applied to any dataset without any retraining. The proposed method is tested in two datasets and labeling accuracies are compared with similar existing methods.en_US
dc.description.versionPublisher's Versionen_US
dc.identifier.citationSünetci, S. & Ateş, H. F. (2018). Semantic image segmentation with deep features. Paper presented at the 26th IEEE Signal Processing and Communications Applications Conference, SIU 2018, 1-4. doi:10.1109/SIU.2018.8404257en_US
dc.identifier.doi10.1109/SIU.2018.8404257
dc.identifier.endpage4
dc.identifier.isbn9781538615010
dc.identifier.issn2165-0608
dc.identifier.scopus2-s2.0-85050795742
dc.identifier.scopusqualityN/A
dc.identifier.startpage1
dc.identifier.urihttps://hdl.handle.net/11729/1445
dc.identifier.urihttp://dx.doi.org/10.1109/SIU.2018.8404257
dc.identifier.wosWOS:000511448500110
dc.identifier.wosqualityN/A
dc.indekslendigikaynakWeb of Scienceen_US
dc.indekslendigikaynakScopusen_US
dc.indekslendigikaynakConference Proceedings Citation Index – Science (CPCI-S)en_US
dc.institutionauthorAteş, Hasan Fehmien_US
dc.institutionauthorid0000-0002-6842-1528
dc.language.isotren_US
dc.peerreviewedYesen_US
dc.publicationstatusPublisheden_US
dc.publisherInstitute of Electrical and Electronics Engineers Inc.en_US
dc.relation.ispartof26th IEEE Signal Processing and Communications Applications Conference, SIU 2018en_US
dc.relation.publicationcategoryKonferans Öğesi - Uluslararası - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/closedAccessen_US
dc.subjectAnlambilimsel bölütlemeen_US
dc.subjectDerin ağlaren_US
dc.subjectESA özniteliklerien_US
dc.subjectClassification performanceen_US
dc.subjectCNN featuresen_US
dc.subjectDeep convolutional neural networksen_US
dc.subjectDeep networksen_US
dc.subjectDeep neural networksen_US
dc.subjectDogsen_US
dc.subjectFeature extractionen_US
dc.subjectFeature vectorsen_US
dc.subjectGeneric CNN architecturesen_US
dc.subjectHand-crafted featuresen_US
dc.subjectHistogramsen_US
dc.subjectImage classificationen_US
dc.subjectImage enhancementen_US
dc.subjectImage labeling algorithmen_US
dc.subjectImage representationen_US
dc.subjectImage segmentationen_US
dc.subjectLabelingen_US
dc.subjectLabeling accuraciesen_US
dc.subjectLearning (artificial intelligence)en_US
dc.subjectNetwork layersen_US
dc.subjectNeural netsen_US
dc.subjectNeural networksen_US
dc.subjectPattern classificationen_US
dc.subjectPre-trained networksen_US
dc.subjectScene labelingen_US
dc.subjectSemantic image segmentationen_US
dc.subjectSemantic image segmentationsen_USe
dc.subjectSemantic segmentationen_USe
dc.subjectSemanticsen_US
dc.subjectTrainingen_US
dc.subjectTraining data setsen_US
dc.subjectTraining datasetsen_US
dc.subjectTransfer learningen_US
dc.titleDerin öznitelikler ile anlambilimsel görüntü bölütlemeen_US
dc.title.alternativeSemantic image segmentation with deep featuresen_US
dc.typeConference Objecten_US
dspace.entity.typePublication

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
1445.pdf
Boyut:
842.9 KB
Biçim:
Adobe Portable Document Format
Açıklama:
Publisher's Version
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.71 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Bildiri Koleksiyonu | Elektrik-Elektronik Mühendisliği Bölümü
Scopus İndeksli Yayınlar Koleksiyonu
WoS İndeksli Yayınlar Koleksiyonu