| dc.description.abstract | Image processing and deep learning methods are being developed day by day and the need of recognizing objects and extracting information from visual-based digital multimedia data like pictures and videos is increasing. Therefore, the algorithms are also changing rapidly to meet the requirements of the tasks in everyday life. Zero-shot learning is a new topic and it encourages having small datasets. It still accomplishes the recognition task efficiently. As the name implies, Zero-shot learning is the process of making predictions for the unseen or untrained categories of data based on some amount of data that is learned by the training process earlier. In this study, visual recognition which is based on detecting the city, country, and continent is investigated. There is no or enough similar work on this problem up to now. The unseen places are recognized by training on similar places by categorizing the cities, countries, and continents. Labels and some auxiliary features like a 3D color histogram and GIST features are used to increase the detection accuracy. A new dataset is created for this study and with this work, the importance of the amount of data in the dataset is discussed and various metrics like performance and duration are demonstrated. Also, the comparison with the regular training problem setup is discussed. After all the results are examined, it is seen that ZSL performs better when search space is constrained with only unseen classes at test time. Also, the original generalized ZSL method performs better than the other generalized ZSL method and also inductive ZSL. Compared to traditional learning, various ZSL methods can give sufficient results too.
Resimler üzerinden tanıma gerçekleştirme halen üzerinde sıkça çalışılan bir konu olmakla beraber gün geçtikçe ihtiyacın da arttığı bir alandır. Örneksiz Öğrenme yöntemi ile daha az veri üzerinde çalışılmakta olduğu için ve gerçek hayat senaryolarına yakın olması itibariyle önceden görülmemiş ve lokasyonu bilinmeyen görsel yerler üzerinden tanıma işleminde kullanılmasının yararlı olacağı düşünülmüştür. Literatürde Örneksiz Öğrenme yöntemi yaklaşımı ile şehir, ülke ve kıta bazında bir tanıma işleminin gerçekleştirilmesi konusunda örnek olabilecek bir çalışmaya rastlanmamıştır. Tanıma işleminin güçlendirilmesi için uzaklık metotları, üç boyutlu histogram ve GIST (resim içerisindeki karakteristik özelliklerin kodlanmış hali) veri seti üzerinden çıkartılarak yer tahmini işleminde kullanılmıştır. Bu çalışmada farklı şehirlerin yer aldığı yeni bir veri seti oluşturulmuş olup, görülmemiş bir yer resmi üzerinden tahminin ancak önceden benzer yerler üzerinden gerçekleşen öğrenme işlemi sayesinde yapılabileceği için çalışmada alınmış olan bazı kararlar da anlatılmıştır. Çalışma kapsamında normal öğrenme tekniği ile kıyaslama yapılıp Örneksiz Öğrenme yönteminin avantajları anlatılmıştır. Tüm sonuçlar incelendikten sonra standart Örneksiz Öğrenme metodunun genelleştirilmiş ve test zamanında sadece test kümesi üzerinde çalışan versiyonundan daha iyi çalıştığı görülmüştür. Ek olarak genelleştirilmiş ve test zamanında eğitim ve test kümesi üzerinde çalışan versiyonun en iyi sonuçlar verdiği ve normal öğrenme tekniği ile kıyaslanabilir olduğu görülmüştür. | en_US |
