Multi-view feature extraction based on canonical correlation analysis
Kanonik korelasyon tabanlı çok-bakışlı oznitelik çıkarımı
- Tez No: 355747
- Danışmanlar: PROF. DR. FİKRET GÜRGEN, DOÇ. DR. OLCAY KURŞUN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay sinir ağları, Örüntü sınıflama, Örüntü tanıma, Artificial neural networks, Pattern classification, Pattern recognition
- Yıl: 2014
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kanonik Korelasyon Analizi (KKA) iki de ği şken k ümesi arası ndaki do ğrusal ba ğıntı lar ı belirlemeyi ama çlayan bir y öntemdir. KKA son zamanlarda makine öğrenme alan ında ayn ı verinin farklı temsillerinden olu san çok-bak şlı veri k ümelerinin artmasıyla birlikte çok ça kullan ılmaya ba şlam ıştı r. Bu tez, KKA y önteminin gürb üzl ü ğ ü ve s ınıfland ırma ba şarısının arttırılmasına y önelik çal smalar ı i çermektedir. KKA, maksimum korelasyona sahip izd üşüm vekt örlerinin (e şde gi şkenler) bulunmas ı i çin bakı şlar ı karma şı k s ını f etiketleri gibi kullanmaktad ır. Bu nedenle, KKA e ğitim k ümesi üzerinde a şırı ö grenmeye sebep olabilir. Topluluk öğrenme y öntemleri sınıflandırma ve k ümeleme y öntemlerinin bu t ür aşırı ö grenme sorunlar ını engellemek i çin kullanı lmı ş, ancak KKA i cin bir topluluk yakla şımı henüz önerilmemi ştir. Bu tezde, birden fazla alt- örneklemden elde edilen e şde gi şken k ümelerinin birle ştirilmesiyle nihai bir e şde gi şken k ümesinin elde edilmesi i çin bir topluluk y öntemi önerdik. Çe şitli veri k ümeleri üzerinde elde edilen deneysel sonu çlar topluluk KKA y önteminin ba şarısını g östermektedir. KKA y önteminin ger çeklemesinde s ını f etiketlerinden yararlanı lmadı ğı i çin, bu y öntemle elde edilen öznitelikler sı nı f-ayı rı cı özelli ğe sahip olamayabilmektedir. Bu tez iki bakı ş arası ndaki ortak bilgiyi i ceren ve aynı zamanda farkl ı sınıflara ait örnekleri ayı rt edebilen öznitelikler arayan bir y öntem önermektedir. Önerdi ğimiz y öntem her biri do ğrusal gizli katmanlı ve hem sı nı f örneklerini hem de birbirlerinin çıktılarını tahmin etmeyi ama çlayan iki çok katmanlı algı layı cı dan olu şmaktadı r. Deneysel sonu çlar, önerilen y öntemle ç ıkartı lan özniteliklerin daha y üksek sınıflandırma ba şarı sı verdi ğini g östermi ştir. Bu tez çalışmasının di ğer bir katk ısı , KKA y önteminin bir öznitelik se çme y önteminin geli ştirilmesinde kullan ılmas ıdı r. Bunun yan ında çok-bakı şlı veri k ümeleri i çin topluluk s ınıfland ırma ve k ümeleme üzerine çalı şmaları mı z ı da i çermektedir.
Özet (Çeviri)
Canonical Correlation Analysis (CCA) aims at identifying linear dependencies between two sets of variables. CCA has recently become popular in the field of machine learning with the increase in the number of multi-view datasets, which consist of di fferent representations coming from diff erent sources or modalities. This thesis presents our e fforts to improve the robustness and discriminative ability of CCA. CCA uses the views as complex labels to guide the search of maximally correlated projection vectors (covariates). Therefore, CCA can over fit the training data. Although, ensemble approaches have been e ffectively used to avoid such overfi ttings of classifi cation and clustering techniques, an ensemble approach has not yet been formulated for CCA. In this thesis, we propose an ensemble method for obtaining a fi nal set of covariates by combining multiple sets of covariates extracted from subsamples. Experimental results on various datasets demonstrate the usefulness of ensemble CCA approach. The correlated features extracted by CCA may not be class-discriminative since it does not utilize the class labels in its implementation. This thesis introduces a method to explore correlated and also discriminative features. Our proposed method utilizes two (alternating) multi-layer perceptrons, each with a linear hidden layer, learning to predict both the class-labels and the outputs of each other. The experimental results show that the features found by the proposed method accomplish signi cantly higher classifi cation accuracies. Another contribution of this thesis is the use of CCA to improve a filter feature selection algorithm. We also present our works on ensemble classifi cation and clustering for multi-view datasets.
Benzer Tezler
- Uyarlamalı ölçeklenebilir çok-bakışlı video kodlama ve akışlandırma
Adaptive scalable multi-view video coding and streaming
NÜKHET ÖZBEK
Doktora
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı (disiplinlerarası)
PROF. DR. E. TURHAN TUNALI
- Çok çözünürlüklü yol ağı ekran haritalarının genelleştirmesi ve etiketlemesı
Digital map generalization and labelling of multi-scale street networks
WASIM SHOMAN
Yüksek Lisans
Türkçe
2016
CoğrafyaYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH GÜLGEN
- BGA malzemelerin x-ışını görüntülerindeki lehim hatalarının derin sinir ağı kullanarak tespiti
Detection of BGA solder defects from x-ray images using deep neural network
CEREN TÜRER AKDENİZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Türkçe metinlerde duygu analizi
Sentiment analysis in Turkish texts
CUMALİ TÜRKMENOĞLU
Yüksek Lisans
Türkçe
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AHMET CÜNEYD TANTUĞ
- A novel approach in 3D reconstruction of coronary artery tree from 2D X-ray angiograms
2-D X-ray anjiyogramlardan koroner arter ağacının 3-D yeniden yapılandırmasında yeni bir yaklaşım
İBRAHİM ATLI
Doktora
İngilizce
2020
BiyomühendislikAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OSMAN SERDAR GEDİK