Tez No	İndirme	Tez Künye	Durumu
238711		Category knowledge, skeleton-based shape matching and shape classification / Kategori bilgisi, iskelet tabanlı şekil eşleme ve şekil sınıflandırma Yazar:İBRAHİM AYKUT ERDEM Danışman: DOÇ. DR. SİBEL TARI Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Bölümü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bilgisayarla görme = Computer vision	Onaylandı Doktora İngilizce 2008 202 s.
İskelet tabanlı gösterimler, yapısal kararsızlıklarına rağmen görsel şekillerin tanınması ve sınıflandırmasında başarıları kanıtlanmış gösterimlerdir. Parça yapısını tıkız ve doğal bir şekilde yakalar ve kapatma, parçaların eklemlenmesi gibi görsel dönüşümlere karşı duyarsızdırlar.Bu tezde bağlantısız iskelet gösteriminin şekil tanıma ve sınıflandırmadaki olası kullanımları incelenmektedir. Özellikle, ilk olarak bağlamsal bilginin tanımadaki önemi, bağlantısız iskelete dayalı daha önce önerilen şekil eşleme metodlarına kategori bilgisinin farklı biçimlerde dahil edilerek bu yöntemlerin geliştirilmesiyle araştırılmaktadır. Şekillerin sözdizimsel eşlenmelerindeki görüşün tersine, bize göre karşılaştırılan şekillerinin anlamsal rolleri birbirinden farklıdır ve buna göre sorgulanan şekil veri tabanında yer alan ve kategorisi bilinen bir şekil ile eşlenmektedir. Bağlamın yani veri tabanındaki şeklin kategorisine dair bilginin varlığı, benzerlik hesaplamasını etkilemekte ve eşleme başarımını arttırmaktadır. Sonradan kategorinin etkilediği eşleme metodumuz kullanılarak ki bu yöntemde hem şekiller hem de şekil sınıfları derinliği bir olan isleket tabanlı ağaç yapıları ile ifade edilmektedir, benzerliğe dayalı bir şekil sınıflandırma yöntemi geliştirilmiştir. Bu yaklaşımımızda şekil sınıfları için yaratılan kategori ağaçları, kategoriler arasındaki ilişkilerinin öğrenilmesi amacıyla kullanılan bir dayanak kümesi oluşturmaktadır. Sınıflandırma metodumuz, hem kategoriler içindeki hem de kategoriler arasındaki bilgiyi dikkate aldığı için yüksek sınıflandırma başarısı elde edilmektedir. Dahası, önerilen sınıflandırma yönteminin bir geri çağırma görevinde kullanılması ilgisiz kıyaslamaları engellediği için karşılaştırma işleminin verimini ve doğruluğunu arttırmaktadır.
Skeletal shape representations, in spite of their structural instabilities, have proven themselves as effective representation schemes for recognition and classification of visual shapes. They capture part structure in a compact and natural way and provide insensitivity to visual transformations such as occlusion and articulation of parts.In this thesis, we explore the potential use of disconnected skeleton representation for shape recognition and shape classification. Specifically, we first investigate the importance of contextual information in recognition where we extend the previously proposed disconnected skeleton based shape matching methods in different ways by incorporating category knowledge into matching process. Unlike the view in syntactic matching of shapes, our interpretation differentiates the semantic roles of the shapes in comparison in a way that a query shape is being matched with a database shape whose category is known a priori. The presence of context, i.e. the knowledge about the category of the database shape, influences the similarity computations, and helps us to obtain better matching performance. Next, we build upon our category-influenced matching framework in which both shapes and shape categories are represented with depth-1 skeletal trees, and develop a similarity-based shape classification method where the category trees formed for each shape category provide a reference set for learning the relationships between categories. As our classification method takes into account both within-category and between-category information, we attain high classification performance. Moreover, using the suggested classification scheme in a retrieval task improves both the efficiency and accuracy of matching by eliminating unrelated comparisons.