Tez No	İndirme	Tez Künye	Durumu
442255		Basic thresholding classification / Temel eşikleme sınıflandırma Yazar:MEHMET ALTAN TOKSÖZ Danışman: DOÇ. DR. İLKAY ULUSOY PARNAS Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering Dizin:	Onaylandı Doktora İngilizce 2016 150 s.
Bu tezde, bazı sınıflandırma uygulamaları (yüz tanıma, hiper-spektral imge sınıflandırma vb.) için yüksek sınıflandırma doğruluğu ile test numunelerini son derece hızlı bir şekilde sınıflandırabilen seyreklik tabanlı temel eşikleme sınıflandırıcı (BTC) önerilmektedir. Orjinalinde BTC doğrusal bir sınıflandırıcı olup verilen bir veri kümesinin sınıflarına ait örneklerin doğrusal olarak ayırt edilebilir varsayımı üzerine çalışmaktadır. Ancak pratikte bu örnekler doğrusal olarak her zaman ayırt edilemeyebilmektedir. Bu kapsamda, BTC'nin doğrusal doğrusal olmayan çekirdek versiyonu KBTC de ayrıca takdim edilmektedir. Özellikle doğrusal bir şekilde ayırt edilemeyen örnekler verildiğinde KBTC gelecek vaat eden sonuçlar elde edebilmektedir. Verilen bir sözlüğün değer kümesi uzayında bulunan herhangi bir test örneği, takdim edilen yeterli tanıma koşulu (SIC) altında sınıflandırılabilmektedir. Bu koşul kullanılarak çapraz doğrulama gerektirmeyen parametre kestirim yöntemleri geliştirilmiştir. BTC ve KBTC algoritmaları, sınıflandırma doğruluğunu arttırmak için bireysel sınıflandırıcı çıkışlarını birleştirerek füzyon tekniklerinin etkili bir şekilde uygulanmasını sağlamaktadır. Örneğin bu işlem, yüz tanıma uygulamaları için farklı rasgele projektörlere sahip sınıflandırıcıların çıkıştaki artık değerlerinin birleştirilmesiyle yapılır. Füzyon işlemi, hiper-spektral imge sınıflandırma gibi uzamsal uygulamalarda ise uzamsal bir filtre kullanılarak çıkıştaki artık değer haritalarının düzleştirilmesiyle yapılmaktadır. Bazı yaygın yüz ve hiper-spektral veri setleri kullanılarak gerçekleştirilen deneylerde, önerdiğimiz BTC ve KBTC algoritmaları, sınıflandırma doğruluğu ve maliyeti açısından, tanınmış destek vektör makineleri (SVM) tabanlı teknikler, çok terimli lojistik regresyon tabanlı metotlar, L1-minimizasyonu ve eşzamanlı dik eşleştirme takibi (SOMP) gibi seyreklik tabanlı yaklaşımlardan daha iyi sonuçlar vermektedir.
In this thesis, we propose a light-weight sparsity-based algorithm, basic thresholding classifier (BTC), for classification applications (such as face identification, hyperspectral image classification, etc.) which is capable of identifying test samples extremely rapidly and performing high classification accuracy. Originally BTC is a linear classifier which works based on the assumption that the samples of the classes of a given dataset are linearly separable. However, in practice those samples may not be linearly separable. In this context, we also propose another algorithm namely kernel basic thresholding classifier (KBTC) which is a non-linear kernel version of the BTC algorithm. KBTC can achieve promising results especially when the given samples are linearly non-separable. For both proposals, we introduce sufficient identification conditions (SICs) under which BTC and KBTC can identify any test sample in the range space of a given dictionary. By using SICs, we develop parameter estimation procedures which do not require any cross validation. Both BTC and KBTC algorithms provide efficient classifier fusion schemes in which individual classifier outputs are combined to produce better classification results. For instance, for the application of face identification, this is done by combining the residuals having different random projectors. For spatial applications such as hyper-spectral image classification, the fusion is carried out by incorporating the spatial information, in which the output residual maps are filtered using a smoothing filter. Numerical results on publicly available face and hyper spectral datasets show that our proposal outperforms well-known support vector machines (SVM)-based techniques, multinomial logistic regression (MLR)-based methods, and sparsity-based approaches like L1-minimization and simultaneous orthogonal matching pursuit (SOMP) in terms of both classification accuracy and computational cost.