Algoritmik Çözüm – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Boyut Azaltma

D büyük olduğunda, yüksek boyutlu girdi uzayındaki eğitim örnekleri çok seyrekleşir (N > D olsa bile). Seyrek nüfuslu alan, istatistiksel çıkarımlar yapmak için iki teorik engele neden olur.

İlk olarak, bir sorgu örneği verildiğinde, en yakın komşuları, veriler düzgün bir şekilde dağıtıldığında eşit uzaklıkta olma eğilimindedir. (Görüntü veri setlerinin çoğu giriş uzayında tek tip olarak dağılmadığından, bu endişe bizim durumumuz için geçerli olmayabilir.) İkinci olarak, en yakın komşular sorgulama noktasına “yerel” değildir. Bu ikinci matematik problemi, sınıf tahminini zorlaştırır.

Boyut azaltmayı gerçekleştirmek için temel bileşen analizi (PCA) ve bağımsız bileşen analizi (ICA) gibi birçok yöntem önerilmiştir.

Son zamanlarda, yüksek boyutlu bir uzaya gömülü doğrusal olmayan manifoldları bulmak için birkaç boyutluluk azaltma algoritması önerilmiştir. Önerilen yöntemler arasında, görüntü kümeleme ve görüntü alma görevlerine Isomap yerel doğrusal gömme ve çekirdek PCA uygulanmıştır.

Bununla birlikte, çoklu öğrenmenin etkili göründüğü senaryolar oldukça yapmacık görünmektedir. Örneğin, yaygın olarak kullanılan Swiss-roll örneği, verilerin yoğun bir şekilde doldurulduğu üç boyutlu bir yapıdır.

Literatürlerde sunulan birkaç yüz ve nesne görüntüsü örneği, bir görüntüden diğerine pozlarını yalnızca biraz değiştirir, böylece manifoldlar kolayca keşfedilebilir. Ayrıca, gösterilen senaryoların hiçbiri gürültüyü çoklu öğrenmeyi ciddi şekilde zorlayacak bir faktör olarak görmemiştir.

Sorgu-kavram öğrenimi bağlamında bu boyut indirgeme yöntemlerinin en büyük dezavantajı, boyutsallığı tüm veri kümesine ve tüm kullanıcılara göre evrensel bir modda azaltmalarıdır. Boyutsallığı herkese uyan tek bir şekilde azaltmak, bireylerin öznelliğini tamamen göz ardı eder.

Çalışmamız, algısal bir mesafe fonksiyonunun sadece boyutsal olarak kısmi olmadığını, aynı zamanda iki görüntü arasındaki benzerliğin ölçüldüğü alt uzayda da dinamik olduğunu göstermektedir. Bu nedenle, uyarlanabilir boyutluluk indirgemesi gerçekleştirmek için Dinamik Kısmi İşlevi (DPF) kullanmayı öneriyoruz.

DPF’nin neden çalıştığını kısaca özetleyelim. Bilişsel psikoloji topluluğundaki bazı önemli çalışmalar, bir nesne çifti arasındaki benzerliği ölçerken tüm özelliklerin dikkate alınması gerekmediğini gösteren çok sayıda kanıt sağlamıştır.

Son zamanlarda, benzerlik algısının, benzerliği ölçmek için saygıları (özellikleri veya nitelikleri) belirleyen süreç olduğunu gösterdi. Daha kesin olarak, bir nesne çiftini ölçmek için bir benzerlik fonksiyonu, karşılaştırma yapılmadan önce değil, yalnızca nesneler karşılaştırıldıktan sonra formüle edilir; ve karşılaştırmaya saygı, bu formülasyon sürecinde dinamik olarak etkinleştirilir.

Açıklamak için basit bir örnek kullanalım. Diyelim ki İngiltere’ye benzeyen iki yerin adını söylememiz isteniyor. Çeşitli olasılıklar arasında makul bir cevap olabilir.

Bununla birlikte, İngiltere’nin İskoçya’ya benzediği yönler, İngiltere’nin New England’a benzediği yönlerden farklıdır. İngiltere ve İskoçya’nın ortak özelliklerini İngiltere ve New England’ı karşılaştırmak için kullanırsak, ikinci çift benzer görünmeyebilir ve bunun tersi de geçerlidir. Bu nedenle, sabit bir açı kümesi kullanan bir uzaklık işlevi, farklı açılardan benzer olan nesneleri yakalayamaz. 

Algoritma cesitleri
Algoritma Nedir
Algoritma cümle içinde kullanımı
algoritma
5 tane algoritma örneği
Algoritma Nasıl yapılır
Geleneksel algoritma
Algoritma Soruları

Eğitim Sınıflarının Dengesizliği

Sınıflandırma sürecini engelleyen ince ama ciddi bir sorun, dengesiz eğitim verilerinin neden olduğu çarpık sınıf sınırıdır. Bu sorunu göstermek için, bir 2B dama tahtası örneği kullanıyoruz.

Dört çeyreğe bölünmüş 200 ́200 karelik bir dama tahtası gösterir. Sol üst ve sağ alt kadranlar negatif (çoğunluk) örneklerle dolu, ancak sağ üst ve sol alt kadranlar yalnızca pozitif (azınlık) örnekleri içeriyor.

Sınıflar arasındaki çizgiler, iki sınıfı ayıran “ideal” sınırdır. Bu bölümün geri kalanında, azınlık örneklerine atıfta bulunurken pozitif, çoğunluk örneklerine atıfta bulunurken negatif kullanacağız.

Sınıflandırıcı olarak DVM’leri kullanarak, (a) ve (b)’de dama tahtasının sol iki çeyreği arasındaki sınır bozulmasını iki farklı negatif/pozitif eğitim verisi oranı altında çizdik.

Negatif örneklerin sayısının (yukarıdaki çeyrekte) pozitif örneklerin sayısına (aşağıdaki çeyrekte) oranı 10:1 olduğunda SVM sınıfı sınırını gösterir. Oran 10.000:1’e yükseldiğinde sınırı gösterir. Sınır, Şekil 6(a)’daki sınırdan pozitif çeyreğe doğru çok daha eğimlidir, bu da yanlış negatiflerin daha yüksek görülme sıklığına neden olur.

Hem sorgu kavramı öğrenme hem de semantik açıklama, dengesiz eğitim sınıfı probleminden zarar görebilir, çünkü hedef sınıfın sayısı diğer sınıflara göre her zaman çok fazladır (yani, ilgili sınıf genellikle nadirdir ve alakasız sınıf tarafından sayıca fazladır).

DVM’ler için dengesiz eğitim-veri sorununu çözmek için iki yaklaşımı ele alıyoruz: algoritmik yaklaşım ve veri işleme yaklaşımı. Algoritmik yaklaşım, çekirdek işlevini veya çekirdek matrisini değiştirmeye odaklanır ve veri işleme yaklaşımı, eğitim verilerini işlemeye odaklanır.

Algoritmik Çözüm

Karar sonucunu etkileyen üç parametre tanımlayabiliriz: b, αi ve K. Burada, dengesiz eğitim sınıfları sorununu çözmek için tek etkili algoritmik yöntemin, K çekirdeğini veya çekirdek matrisini2 Ki,j uyarlamalı olarak değiştirmek olduğunu gösteriyoruz. 

Özellik alanındaki ayırıcı sınır yüzeyi etrafındaki azınlık ve çoğunluk alanlarının uzamsal çözünürlüğünü dinamik olarak büyütmek (veya ölçeklendirmek) için uyarlanabilir konformal dönüşümü kullanmayı öneriyoruz, böylece sınır daha az eğri olurken SVM marjı artırılabilir. Konformal dönüşüm, eşleme işlevi tarafından indüklenen Riemann geometrik yapısını değiştirerek çekirdek işlevini değiştirir.

Vektör uzayı temsili olmayan veriler için (video dizisi verileri gibi), dönüşümü doğrudan çekirdek matrisine uygularız. Hem UCI hem de gerçek dünya görüntü/video veri kümeleri üzerindeki deneysel sonuçlarımız, önerilen algoritmanın çarpık sınırı düzeltmede çok etkili olduğunu göstermektedir.

Veri İşleme Çözümü

Torbalama işlemi, eğitim verilerini bir dizi torbaya alt-örnekler, her bir torbayı eğitir ve nihai sınıf tahminleri yapmak için torbaların kararlarını toplar. Alt örneklemeyi biraz farklı şekilde gerçekleştiren yarı torbalamayı öneriyoruz.

Her torba için, yarı torbalama yalnızca çoğunluk sınıfının alt örneklerini alır, ancak tüm azınlık sınıfını alır. Yalnızca çoğunluk sınıfının alt örneklemesini yaparak, her eğitim çantasında sınıf dengesini iyileştiriyoruz. Aynı zamanda, çok sayıda torba kullanılması, alt örnekleme işleminin neden olduğu varyansı azaltır.

Makale Deniz

Biyografinin Tamamını Gör