Derin öznitelikler ile anlambilimsel görüntü bölütleme
Özet
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. Deep 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.
İlgili öğeler
Başlık, yazar, küratör ve konuya göre gösterilen ilgili öğeler.
-
Energy load balancing for fixed clustering in wireless sensor networks
Sevgi, Cüneyt; Ali, Syed Amjad (IEEE, 2012-05-07)Clustering can be used as an effective technique to achieve both energy load balancing and an extended lifetime for a wireless sensor network (WSN). This paper presents a novel approach that first creates energy balanced ... -
Quarantine region scheme to mitigate spam attacks in wireless sensor networks
Coşkun, Vedat; Çayırcı, Erdal; Levi, Albert; Sancak, Serdar (IEEE, 2006-08)The Quarantine Region Scheme (QRS) is introduced to defend against spam attacks in wireless sensor networks where malicious antinodes frequently generate dummy spam messages to be relayed toward the sink. The aim of the ... -
Design and simulation of miniaturized communication systems employing symmetrical lossless two-ports constructed with two kinds of elements
Yarman, Bekir Sıddık Binboğa; Aksen, Ahmet; Çimen, Ebru Gürsu (IEEE, 2003)In this paper, a semi-analytic method is presented to describe symmetrical lossless networks with two-kinds of elements, namely, distributed and lumped elements in cascade connection. in terms of the independently chosen ...