Tez No	İndirme	Tez Künye	Durumu
420266		Sketch and attribute based query interfaces / Çizim ve özellik temelli sorgu arayüzleri Yazar:ÇAĞLAR TIRKAZ Danışman: DOÇ. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT ; YRD. DOÇ. DR. TEVFİK METİN SEZGİN Yer Bilgisi: Sabancı Üniversitesi / Mühendislik ve Fen Bilimleri Enstitüsü / Bilgisayar Bilimleri Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2015 104 s.
Bu tezde insan bilgisayar etkileşimini gelişterecek makine öğrenmesi metotları tasarlanmıştır. Tezin ilgilendiği iki konu (i) çizilmiş sembol tanıma ve (ii) resimlerden obje tanımadır. Spesifik olarak ise, tamamı çizilmeden sembollerin tanınması ve özellik tanıma kullanılarak resimlerdeki objelerin tanınması tazin temel çalışma alanını oluşturmaktadır. Tamamlanmamış sembollerin tanınmasının kullanıcının çizim yapma hızını arttırmak, kullanıcıya geri bildirim sağlamak, ya da kullanıcı hatalarını azaltmak gibi birçok kullanım alanı bulunmaktadır. Özellik tanıma ise resimleri insanların objeleri tanımlamak için kullandığı "kare", "metalik" ya da "kırmızı" gibi görsel özelliklerle açıklamayı sağlar. Objelerin özellikleri, resimlerin insanlar tarafından anlaşılabilen kelimelerle indekslenmesi, daha önce görülmemiş sınıfl arın sadece objeleri anlatan açıklamalar vasıtasıyla tanınması veya resimleri açıklayan yazılar üretilmesi gibi birçok alanda kullanılabilir.
In this thesis, machine learning algorithms to improve human computer interaction are designed. The two areas of interest are (i) sketched symbol recognition and (ii) object recognition from images. Specifically, auto-completion of sketched symbols and attribute-centric recognition of objects from images are the main focus of this thesis. In the former task, the aim is to be able to recognize partially drawn symbols before they are fully completed. Auto-completion during sketching is desirable since it eliminates the need for the user to draw symbols in their entirety if they can be recognized while they are partially drawn. It can thus be used to increase the sketching throughput; to facilitate sketching by offering possible alternatives to the user; and to reduce user-originated errors by providing continuous feedback. The latter task, allows machine learning algorithms to describe objects with visual attributes such as "square", "metallic" and "red". Attributes as intermediate representations can be used to create systems with human interpretable image indexes, zero-shot learning capability where only textual descriptions are available or capability to annotate images with textual descriptions.