Tez No	İndirme	Tez Künye	Durumu
678277		Person re-identification using novel regularization methods in deep networks / Derin öğrenme ağlarında özgün regularizasyon yöntemleri kullanarak kişi yeniden kimliklendirme Yazar:AYŞE ŞERBETÇİ TURAN Danışman: PROF. DR. YUSUF SİNAN AKGÜL Yer Bilgisi: Gebze 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 İngilizce 2020 117 s.
Kişi yeniden kimliklendirme (KYK), geniş bir veritabanından bir sorgu kişisine ait görüntüleri getirme problemidir. Halka açık alanlarda güvenlik kamera ağlarına talebin artmasından dolayı KYK problemini iyileştirmeyi amaçlayan çalışmalar da daha fazla rağbet görmeye başlamıştır. KYK problemi için geliştirilen modeler eğitim/test verisi arasındaki kişi farklılıkları ve değişen görüntüleme koşullarından dolayı test verisi üzerinde düşük performans gösterir. Bu şekilde test üzerinde düşük performans gösteren modellerin genelleştirme kapasitesi düşüktür ve bu probleme "overfitting" denir. Bu tez çalışmasında, KYK modellerinin genelleştirme kapasitesini artırmak amacıyla bir topluluk öğrenme yöntemi önerilmektedir. Topluluk öğrenme yöntemleri birçok temel öğrenicinin kararlarının birleştirilmesiyle oluşmaktadır ve bu modellerin genelleştirme kapasitesi temel öğrenicilere göre daha yüksektir. Ancak derin ağlardan oluşan bir topluluk öğrenme modeli geliştirmek pahalı bir yöntemdir. Bu zorluğu aşmak için bu çalışmada çok dallı bir derin ağ tasarımı yapılarak birçok temel öğrenicinin aynı derin ağ üzerinde eğitilmesi önerilmektedir. Literatürde çokça kullanılan üç adet veri kümesi üzerinde gerçekleştirilen deneyler ve bunların detaylı analizleri önerilen yöntemin var olan yöntemlerden daha iyi performans gösterdiğini ortaya koymaktadır. Önerilen yöntem ayrıca İkili Yapay Sinir Ağları'na uyarlanmıştır. Yapılan deneyler önerilen yöntemin görüntü sınıflandırma probleminde İkili Sinir Ağları'nı hem doğruluk hem de eğitim sırasında model kararlılığı açısından iyileştirdiğini, KYK'da ise topluluk öğrenicisi yöntemine göre çok daha iyi performans gösterdiğini ortaya koymaktadır. Bu sonuçlar önerilen yöntemin sadece verimli bir topluluk öğrenme yöntemi olmadığını, aynı zamanda derin ağlar için etkili bir regularizasyon yöntemi olduğunu da göstermektedir.
Person Re-Identification (ReID) aims at retrieving the images of a query person from a large set of gallery images. It has been an attractive research field in computer vision due to the ever-increasing demand for camera networks in public spaces. In recent years, significant improvements have been observed in person ReID task in parallel with the developments in deep learning. However, due to the large discrepancy between the training/test distributions, the ReID models generally lack in generalizing to the test data, which is the phenomenon known as overfitting. In this thesis, we propose an ensemble method to increase the generalization capability of the ReID models. Ensemble models, which consist of multiple base learners whose decisions are combined in test time, deal with the overfitting problem effectively and increase the generalization capability. However, training an ensemble of deep networks is computationally inefficient. To overcome this difficulty, we create diverse and accurate base learners in a single network by designing a multi-branch architecture. Detailed analysis of the experiments on three benchmark datasets demonstrates the effectiveness of our approach, which outperforms the state-of-the-art approaches. We adapt the proposed approach to Binary Neural Networks. Our experiments show that the proposed approach improves the Binary Neural Networks in terms accuracy and training stability in image classification task and outperforms the conventional ensemble model by a large margin in person ReID, which indicates that our model is not only an ensemble model, but also an effective regularizer for deep networks.