Süperpiksel imge ayrıştırması için öznitelik seçimi ve kodlama yöntemlerinin değerlendirmesi

Bu tez, bilgisayarla görünün önemli problemlerinden olan görüntü ayrıştırma ile ilgilidir. Görüntü ayrıştırmanın amacı nesnenin bölütlenmesi ve her bir nesnenin etiketlenmesidir. Son zamanlarda imge bölütleme ve sınıflandırmanın popüler yolu süperpiksellerdir. Görüntü, süperpiksel algoritması kullanılarak görsel olarak küçük mantıksal bölgelere bölünür. Daha sonra süperpikseller farklı sınıflara ayrılır. Sınıflandırma performansı süperpiksel algoritmasının özelliklerinden ve parametre ayarlardan önemli ölçüde etkilenmektedir. SuperParsing, süperpiksel tabanlı bir görüntü ayrıştırma algoritmasıdır. Bu algoritma herhangi bir sınıflandırıcıya ihtiyaç duymadan başarılı bir parametrik olmayan çözüm sağlar. SuperParsing her bir süperpikseli süperpiksel ve eğitim süperpiksellerinin altkümesi arasındaki öznitelik eşlemesine bağlı olarak etiketler. Bu eğitim altkümesi test görüntüsü ve eğitim kümesi arasındaki global eşleme tarafından belirlenir. Bu yöntem süperpiksel eşleme için süperpiksel özelliklerinin zengin bir kümesini kullanır. Koşullu sınıf olabilirliği bu eşlenmiş özniteliklere bağlı olarak hesaplanır. Bu tezin temel amacı Evrişimsel Sinir Ağı (ESA) modellerinden öğrenilmiş öznitelikleri içeren öznitelik kodlama ve seçim yöntemleri kullanılarak etiketleme doğruluğu yüzdesindeki gelişmeleri göstermektir. Süperpiksellerin seçilmiş özniteliklerine iki farklı kodlama yöntemi uyguluyoruz ve öznitelik kodlamanın ayrıştırma doğruluğunu geliştirdiğini gösteriyoruz. Yerellik-Kısıtlı Doğrusal (YDK) ve Kernel Kod-tablosu (KKT) gibi oznitelik kodlama yöntemleri uygulanmıştır. YDK kodlama yöntemi SIFT Flow veri kümesinde %2.6 ve 19 sınıflı LabelMe veri kümesinde ise %6.8 artış sağlamıştır. KKT kodlama yöntemi SIFT Flow veri kümesinde %3.6 ve 19 sınıflı LabelMe veri kümesinde ise %6.2 artış sağlamıştır. Tüm bu sonuçlar orijinal SuperParsing üzerinden hesaplanan toplam kazançtır. Son zamanlardaki görüntü bölütleme ve sınıflandırma çalışmaların çoğunluğu doğruluk yüzdelerini geliştirmek için ESA kullanır. Görüntü bölütlemede büyük görüntü veri tabanlarında eğitilmiş olan ön eğitimli ağlardan çıkartılan öznitelikler el yapımı özniteliklere ek olarak kullanılabilir. Bu ESA modellerinin son katmanları sınıflandırma için en iyi öznitelikleri verir. Öğrenilmiş ESA özniteliklerini KKT veya YDK kodlama yöntemleri ile birlikte test ettik. ESA özniteliklerini hem global eşleme hem de süperpiksel eşleme için kullandık. Bu testler orijinal SuperParsing üzerine SIFT Flow veri kümesinde %7.3 ve 19 sınıflı LabelMe veri kümesinde ise %10.3 toplam kazanç sağlamıştır.