Sınırlı veri durumunda anlamsal bölütlemenin alanlar arasıperformansının iyileştirilmesi

Bu tez bilgisayarla görüde anlamsal bölütleme sorununa odaklanmaktadır. Anlamsal bölütleme, bir imgedeki her piksele bir sınıf etiketi atamayı amaçlar. Nesne sınırlarının doğru bir şekilde bölütlenmesi ve bütünlüklerinin korunması bölütleme performansını artırmaktadır. Ayrıca modelin veri kümesinde düşük ağırlıklı sınıfları başarıyla öğrenmesi başarımı iyileştirmektedir. Alan uyarlaması ise kaynak alanda eğitilmiş bir modelin farklı dağılıma sahip hedef alanda iyi çalışmasını amaçlar. İlk bölümde, anlamsal bölütleme doğruluğunu artırmak için Gaussian farkı yitim fonksiyonu önerilmektedir. Bu yitim fonksiyonu, modelin nesne sınırlarını daha iyi bölütlemesine ve nesne bütünlüğünü korumasına yardımcı olur. Ayrıca, veri setinde diğer sınıflara göre temsili az olan sınıflar için bölütleme performansını iyileştirir. İkinci bölümde, anlamsal bölütleme için gözü kapalı alan uyarlaması sunulmaktadır. Gözü kapalı alan uyarlaması, eğitim sırasında yalnızca kaynak alana erişim sağlanabilen ve hedef alanın bilinmediği durumu ifade eder. Model sentetik veri kümesi ile eğitildiğinde gerçek veri kümesine sahip bir hedef üzerinde iyi performans göstermesi için bir kenar dikkat modülü önerilmiştir. Kenarlar, kaynak ve bilinmeyen hedef alanla ortak temel özellik olarak benimsenmiştir. Kenarların, anlamsal bölütleme için gözü kapalı alan uyarlamasında dikkat mekanizması aracılığıyla model öğrenimine katkıda bulunduğu gösterilmiştir.