Training object detectors by directly optimizing LRP metric

Bu tezin odak noktası, derin nesne tespitçi ağların, nesne tespitçilerinin iki alt görevini (sınıflandırma ve konumlandırma) birleşik olarak değerlendirebilen LRP performans ölçütünün (Oksuz vd., 2018) eniyilenerek eğitilmesidir. Bu hedefe ulaşmak için, yaygın doğrusal ağırlıklandırma yaklaşımının aksine, geçmiş çalışmalarda kullanılan sınırlandırılmış konumlandırma kayıp fonksiyonları kullanılmış ve sınıflandırma görevinin aralığını sınırlandırabilen yeni bir kayıp fonksiyonu önerilerek dolaylı olarak LRP performans ölçütü eniyilenmiştir. Aralık sınırlandırma yaklaşımına ek olarak, eğitim süresince toplanan LRP değerlerinin regresyonu ile nesne tespitçilerinin eğitilmesi amaçlanmıştır. Önerilen regresyon mimarisinin LRP değerlerini kabul edilebilir hata oranları ile tahmin edebildiği gösterilmiştir. Buna rağmen, regresyon mimarisinin LRP hata tahmincisi olarak eklenmesi ile nesne tespitçisi eğitimi başarısız olmuştur. Son olarak, Chen vd. (2020)'nin önerdiği perceptron öğrenme algoritmasının uyarlanması ile LRP metriğinin nesne tespitçisi eğitmek üzere kayıp fonksiyonu olarak entegre edilmesi sağlanmıştır. Bu tezde, perceptron öğrenme tabanlı yaklaşım irdelenmiş ve bu yaklaşımın IoU tabanlı konumlandırma kayıp fonksiyonlarına genelleştirilmesi önerilmiştir.