Filtreler

2016 - 20195
Filtreleri Sıfırla

Ayarlar

Yazar: Sünetci, Sercan × Erişim Hakkı: info:eu-repo/semantics/closedAccess ×

Arama Sonuçları

Listeleniyor 1 - 5 / 5
  • Küçük Resim
    Yayın
    Kernel kod-tablosu kodlaması ile sahne etiketleme
    (IEEE, 2017-06-27) Ateş, Hasan Fehmi; Sünetci, Sercan
    Sahne bölütleme ve etiketlemede son yıllarda süperpiksel tabanlı yaklaşımların başarılı olduğu görülmektedir. Öncelikle görüntü bir süperpiksel algoritması ile görsel olarak tutarlı küçük parçalara bölütlenmekte; daha sonra her süperpiksel için çeşitli öznitelik betimleyicileri hesaplanıp sınıflandırma yapılmaktadır. Bu bildiride süperpiksel öznitelikleri için Kernel Kodtablosu Kodlama (KKT) yaklaşımı önerilmiştir. KKT’de öznitelik vektörleri için sabit nicemleme yerine birden fazla kodsözcüğüne yumuşak eşlemleme yapılmaktadır. Kodsözcüklerine atanan ağırlıklar bir kernel uzaklık fonksiyonu ile hesaplanmaktadır. KKT yöntemi SuperParsing görüntü ayrıştırma algoritmasında SIFT özniteliklerinin kodlanması için kullanılmıştır. Geliştirdiğimiz yöntem 2,688 görüntü ve 33 sınıf içeren SIFT Flow veri kümesi kullanılarak denenmiş ve SuperParsing yönteminden %2.7 daha yüksek ayrıştırma doğruluğu sağlanmıştır.
  • Küçük Resim
    Yayın
    Multi-hypothesis contextual modeling for semantic segmentation
    (Elsevier Science BV, 2019-01-01) Ateş, Hasan Fehmi; Sünetci, Sercan
    Semantic segmentation (i.e. image parsing) aims to annotate each image pixel with its corresponding semantic class label. Spatially consistent labeling of the image requires an accurate description and modeling of the local contextual information. Segmentation result is typically improved by Markov Random Field (MRF) optimization on the initial labels. However this improvement is limited by the accuracy of initial result and how the contextual neighborhood is defined. In this paper, we develop generalized and flexible contextual models for segmentation neighborhoods in order to improve parsing accuracy. Instead of using a fixed segmentation and neighborhood definition, we explore various contextual models for fusion of complementary information available in alternative segmentations of the same image. In other words, we propose a novel MRF framework that describes and optimizes the contextual dependencies between multiple segmentations. Simulation results on two common datasets demonstrate significant improvement in parsing accuracy over the baseline approaches.
  • Küçük Resim
    Yayın
    Derin öznitelikler ile anlambilimsel görüntü bölütleme
    (Institute of Electrical and Electronics Engineers Inc., 2018-07-05) Sünetci, Sercan; Ateş, Hasan Fehmi
    Derin 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.
  • Küçük Resim
    Yayın
    Kernel likelihood estimation for superpixel image parsing
    (Springer Verlag, 2016) Ateş, Hasan Fehmi; Sünetci, Sercan; Ak, Kenan Emir
    In superpixel-based image parsing, the image is first segmented into visually consistent small regions, i.e. superpixels; then superpixels are parsed into different categories. SuperParsing algorithm provides an elegant nonparametric solution to this problem without any need for classifier training. Superpixels are labeled based on the likelihood ratios that are computed from class conditional density estimates of feature vectors. In this paper, local kernel density estimation is proposed to improve the estimation of likelihood ratios and hence the labeling accuracy. By optimizing kernel bandwidths for each feature vector, feature densities are better estimated especially when the set of training samples is sparse. The proposed method is tested on the SIFT Flow dataset consisting of 2,688 images and 33 labels, and is shown to outperform SuperParsing and some of its extended versions in terms of classification accuracy.
  • Küçük Resim
    Yayın
    Improving semantic segmentation with generalized models of local context
    (Springer International Publishing AG, 2017) Ateş, Hasan Fehmi; Sünetci, Sercan
    Semantic segmentation (i.e. image parsing) aims to annotate each image pixel with its corresponding semantic class label. Spatially consistent labeling of the image requires an accurate description and modeling of the local contextual information. Superpixel image parsing methods provide this consistency by carrying out labeling at the superpixel-level based on superpixel features and neighborhood information. In this paper, we develop generalized and flexible contextual models for superpixel neighborhoods in order to improve parsing accuracy. Instead of using a fixed segmentation and neighborhood definition, we explore various contextual models to combine complementary information available in alternative superpixel segmentations of the same image. Simulation results on two datasets demonstrate significant improvement in parsing accuracy over the baseline approach.