Derin ogrenme yaklasimlarinin performansi, egitim asamasinda kullanilan veri kumesinin buyuklugu ile dogru orantilidir. Bu nedenle gunumuzde imge siniflandirma, bolutleme veya nesne yakalama gibi problemlerin cozumu icin buyuk veri kumeleri insa edilmektedir. Ornegin Alexnet veritabani 1.2M imge ve 1K kategoriye; Imagenet, 15M imge ve 22K kategoriye; Yahoo Flickr, 100M imge ve 2K kategoriye sahiptir. Bu veri kumeleriyle egitilen derin aglarin dogruluk orani oldukca yuksektir. Ancak imgeleri kategorilere atama isleminin manuel yapilmasi, hic suphesiz derin ogrenme yaklasimlarinin en buyuk dezavantajidir. Imgeleri kategorize etme (etiketleme), oldukca zahmetli ve hata egilimi yuksek bir islemdir. Bu zorlugu ve hata ihtimalini kaldirilabilmek icin gercek imgeler yerine, sentetik imgeleri iceren veri kumelerinin kullanimi onerilmektedir. Sentetik imge uretimi, sekil ve desen uretimi asamalarini icermektedir. Bir nesnenin sentetik olarak uretilebilmesi sekil ve desen tanimlayici modellerin insasiyla mumkundur. Bu calisma, desen tanimlayici yontemleri (Parca, Piksel, Piramit) kapsamaktadir. Bu yontemler, gercek bir imgeden alinan kucuk bir desen bilgisinden yola cikarak deseni yayma ve yuksek boyutlu imge uretmeyi amaclamaktadir. Dogruluk, zaman ve gurultu duyarliligi kistaslariyla yapilan kiyaslama sonucunda parca tabanli yontemin en elverisli desen yayma yontemi oldugu kanaatine varilmistir.
Discussion(0)
No comments yet. Be the first to comment.