Tez No	İndirme	Tez Künye	Durumu
684536		Akan veride artımlı öğrenme yaklaşımları geliştirilmesi ile video verilerinde anomali tespiti çalışması / The work of the incremental learning approaches development in data stream with anomaly detection in video data Yazar:ÖZGE AYDOĞDU Danışman: PROF. DR. MURAT EKİNCİ Yer Bilgisi: Karadeniz Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2021 181 s.
Tez çalışması kapsamında, son yılların popüler veri türü olan akan verilerin tüm karakteristik özelliklerini ve kısıtlamalarını göz önüne alan yeni artımlı öğrenme yaklaşımları önerilmektedir. Tezin literatüre ilk katkısı akan veriler için Ayrık Kosinüs Dönüşümü ve Sürü Zekasına dayalı otomatik öznitelik çıkartma ve seçme yaklaşımının sunulmasıdır. Bu yaklaşımdan elde edilen sonuçlar ışığında akan veriler için Çevrim içi Ardışıl – Aşırı Öğrenme Makinelerine ve Otokodlayıcılara dayalı bir öğrenme yaklaşımının geliştirilmesi tezin ikinci katkısıdır. Bir diğer katkısı, geliştirilen öğrenme yaklaşımının akan verilerin en büyük problemi olan içerik farklılaşmasına dayanıklı olacak şekilde geliştirilmesidir. Önerilen yaklaşımlar gerçek dünya problemlerinden biri olan gözetleme videosu anomali tespitine uygulanarak ve bu alan için de yeni yaklaşımlar sunulmaktadır. Video anomali tespiti uygulamasında ise gerçekleştirilen yaklaşım zayıf etiketleme ve önerilen akan veri öğrenme yaklaşımına dayalı bir anomali tespiti ve anormal olay türünün akan veri metodolojisi ile çözülmesidir ve bu tezin dördüncü katkısını oluşturmaktadır. Tezin beşinci katkısı olarak önerilen yaklaşımın performans artışı açısından otomatik öznitelik çıkartma ve seçme yaklaşımı ile birleştirilerek sunulmasıdır. Son olarak video anomali tespiti için videoların etiket değerlerine minimum şekilde ihtiyaç duyan aktif öğrenmeye dayalı akan veri öğrenme yaklaşımı gerçekleştirilmiştir. Geliştirilen tüm yaklaşımlar gerçek, sentetik akan veri ve video veri setleri üzerinde literatürdeki popüler yaklaşımlar ile karşılaştırmalı olarak test edilmiş ve elde edilen yüksek başarı ile analizi umut verici sonuçlara ulaşılmıştır.
In the thesis study, novel incremental learning approaches which take into account all characteristics and limitation of the data stream are proposed. The first contribution to the literature is the presentation of automatic feature extraction and selection approach based on Discrete Cosine Transform and Swarm Intelligence for data stream. The second contribution is to develop a data stream learning approach based on Online Sequential-Extreme Learning Machines and Autoencoders for data stream in light of the obtained results of the first approach. Another contribution of the thesis is the improvement of the developed learning approach to be robust to the concept drift problem of the data stream. The proposed approaches are applied to the surveillance video detection application area, one of the real-world data stream problems. In the video anomaly detection application, anomaly detection process is performed with developed data stream learning approach and a weak-labelling technique, and this is the fourth contribution of the thesis. Moreover, this approach have ability to determine the abnormal event type. As the fifth contribution of the thesis to the literature, the developed video anomaly detection approach is combined with the automatic feature extraction and selection approach to increase the video anomaly detection performance. Finally, a novel data stream learning approach based on active learning, which requires minimum video label values for video anomaly detection, has been implemented. All the developed approaches are tested on real, synthetic data stream and video data sets in comparison with popular approaches in the literature, and the analysis has achieved promising results with high success.