Açılış Konuşması

Küçük Nesne Tespiti İçin Dilimleme Temelli İnce Ayarlama ve Çıkarsama ve Derin Öğrenme Eğitiminde Sentetik Veri Kullanımı

• Alptekin Temizel (Orta Doğu Teknik Üniversitesi-Enformatik Enstitüsü)

Nesne tespiti algoritmalarının performansları hedef nesnelerin boyutlarının küçük olduğu durumlarda önemli ölçüde düşmektedir. Bu konuşmada öncelikle küçük nesnelerin tespit doğruluğunu artırmak üzere önermiş olduğumuz dilimleme (slicing) temelli ince ayarlama ve çıkarsama çatısından bahsedeceğiz. Yöntem farklı nesne tespiti algoritmalarına uyarlanabilmektedir, tam imge çıkarsama ile eşgüdümlü kullanılması ile küçük nesnelerin yanı sıra orta ve büyük nesnelerin tespit performansında da artış sağlamaktadır. Derin öğrenme tabanlı sınıflandırma ve tespit yöntemlerinin performansını artırmaya yönelik olarak modellerin eğitiminde kullanmak üzere sentetik verilerin üretimi son zamanlarda ilgi çeken diğer bir araştırma konusudur. Konuşmanın ikinci kısmında üretken veri artırma yöntemleri ile veri kümesinin büyütülmesi konusundan ve sentetik örneklerin veri kümesine eklenmesinde yaşanabilecek problemlerden bahsedeceğiz. Arından, bu örneklerden başarımı artıracak bir veri havuzu oluşturulmasında faydalanılabilecek yöntemlere değineceğiz.

Sıfır/az Örnekle Öğrenme ve Videolarda Verimli Nesne Tespiti

• Ramazan Gökberk Cinbiş (Orta Doğu Teknik Üniversitesi-Bilgisayar Mühendisliği Bölümü)

Derin öğrenme tabanlı yaklaşımların hayata geçirilmesinde karşılaşılan problemler arasında etiketli veri ve işlem gücü gereksinimleri önemli yer tutmaktadır. Konuşmanın birinci kısmında, eğitim verisi gereksinimlerini düşürmeye yönelik çalışmalar sunulacaktır. Özellikle nesne tespiti ve anlamsal bölütlemeye yönelik sıfır örnekle öğrenme, az örnekle öğrenme ve özdenetimli öğrenme prensiplerine dayanan, yakın dönemde geliştirdiğimiz modeller paylaşılacaktır. Konuşmanın ikinci kısmında ise, akan videolara derin öğrenme modellerinin uygulanmasında hesaplama verimliliğini arttırmaya yönelik olan StreamDEQ yaklaşamı paylaşılacaktır.

Açık Küme Tanıma için Derin Sinir Ağı Sınıflandırıcıları

• Hakan Çevikalp (Eskişehir Osmangazi Üniversitesi-Elektrik Elektronik Mühendisliği Bölümü)

Açık küme tanıma problemlerinde, eğitim sırasında bilinen sınıf örnekleri kullanılırken test esnasında eğitim setinde bulunmayan sınıflara ait örnekler ortaya çıkabilmektedir. Bu tür sınıflandırma problemlerinde amaç, bilinmeyen sınıf örneklerini reddederken bilinen sınıf örneklerini doğru bir şekilde sınıflandırmaktır. Bilinmeyen sınıflardan gelen örnekleri belirlememiz ve reddetmemiz gerektiğinden, kompakt kabul bölgelerini döndüren sınıflandırıcılar açık küme tanıma sınıflandırıcılarının başarısı için son derece önemlidir. Bu konuşmada, açık küme tanıma problemleri için önerdiğimiz 3 derin sinir ağı sınıflandırıcısını açıklayacağız: İlk yöntem, sınıflandırma için çokyüzlü konik fonksiyonları kullanırken, ikinci yöntem, derin kompakt hiper küre modellerini kullanmaktadır. Son yöntem ise küme tabanlı yüz tanıma için önerilmiş olup, sınıflandırma için yerel ayırt edici modelleri kullanmaktadır.

Öz-Denetimli Öznitelikler Yardımıyla Videolarda Denetimsiz Nesne Keşfi

• Nermin Samet (IMAGINE Araştırma Grubu ENPC ParisTech)

Bu konuşmada, videolarda denetimsiz nesne segmentasyonu için geliştirdiğimiz basit ve aynı zamanda güçlü bir yöntemden bahsedeceğim. Yöntemimizde önerdiğimiz amaç fonksiyonunun minimumu, verilen bir videonun karelerinde yer alan ana objenin maskesine karşılık gelmektedir. Yöntemimiz yalnızca, hali hazırda öz-denetleyici yöntemler kullanılarak eğitilmiş modellerden elde edilen bağımsız imge ve optik akış özniteliklerine dayanmaktadır. Yöntemimiz süper piksellere veya seyrekleştirme adımlarına gerek duymadan verilen videonun boyutuna göre ölçeklenebilmekte, ve herhangi bir eğitim aşamasına gerek duymadan farklı veri kümelerine genellenebilmektedir. Yöntemimiz, standart veri kümelerinde (DAVIS2016, SegTrack-v2, FBMS59) literatürdeki en iyi yöntemler ile benzer seviyede başarım gösterirken, bu yöntemleri ile karşılaştırıldığında kavramsal ve pratik olarak çok daha basittir.

Nesne Tespitinde Performans Ölçüm Yöntemleri

• Emre Akbaş (Orta Doğu Teknik Üniversitesi-Bilgisayar Mühendisliği Bölümü)

Nesne tespiti ve örnek bölütleme gibi görsel tespit problemlerinde daha iyi yöntemlerin geliştirilebilmesi için performans ölçümü aşamasının büyük önemi vardır. Günümüzde yaygın olarak kullanılan ‘’ortalama kesinlik’’ (average precision, AP) ölçütünün, zayıflıklarının olduğu bilinmektedir. Bu konuşmada ‘’ortalama kesinlik’’ ölçütünün zayıflıklarını gideren LRP (localization recall precision) hata metriğini sunacağız. Bu metriğin, AP’nin ve Panoptik Kalite ölçütünün avantajları ve dezavantajlarını karşılaştırdıktan sonra daha güncel olarak önerilmiş olasılıksal tespit kalitesi (probabilistic detection quality), sabit AP, havuz AP, sınır kesişim-bölü-birleşim ölçütü ve eniyi düzeltme masrafı (optimal correction cost) ölçütlerini tanıtacağız. Konuşma genel olarak aşağıdaki çalışmaları baz alacaktır. K. Oksuz, B. C. Cam, E. Akbas, S. Kalkan, ‘’Localization recall precision (LRP): A new performance metric for object detection’’, In Proceedings of the European Conference on Computer Vision (ECCV), 2018. K. Oksuz, B. C. Cam, S. Kalkan*, E. Akbas*, "One Metric to Measure them All: Localisation Recall Precision (LRP) for Evaluating Visual Detection Tasks", IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI), 2022.

Nesne Tespitinde ve Görsel Tanımada Dengesizlik Problemleri

• Sinan Kalkan (Orta Doğu Teknik Üniversitesi-Bilgisayar Mühendisliği Bölümü)

Sınıflar, görevler ve özellikler (örneğin, nesne konumları, boyutları) çoğunlukla kuyruklu bir dağılım göstermektedir ve bu türden dağılımlar, öğrenme-tabanlı ve veriye dayalı çözümlerin performansını olumsuz etkilemektedir. Dengesizlik problemleri olarak isimlendirdiğimiz bu olumsuzluklar problemin kaynağına ve görev türüne göre farklı yöntemlerle çözülmektedir. Bu konuşmada, dengesizlik problemleri hakkında son zamanlarda yaptığımız çalışmalara değineceğim: Önce farklı dengesizlik türlerini tanıtıp, geliştirdiğimiz özgün çözümleri aktaracağım. Konuşma, aşağıdaki çalışmalarımızı baz alacaktır: K. Oksuz, B. C. Cam, E. Akbas, S. Kalkan, "Rank & Sort Loss for Object Detection and Instance Segmentation", International Conference on Computer Vision (ICCV), sözlü sunum, 2021. K. Oksuz, B. C. Cam, S. Kalkan, E. Akbas, "Imbalance Problems in Object Detection: A Review", IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI), 43(10):3388-3415, 2021. K. Oksuz, B. C. Cam, E. Akbas, S. Kalkan, "A Ranking-based, Balanced Loss Function Unifying Classification and Localisation in Object Detection", Thirty-fourth Conference on Neural Information Processing Systems (NeurIPS), spotlight sunum, 2020.