4. AKILLI ÖRÜNTÜ TANIMA METODOLOJ˙IS˙I
4.1 Öznitelik Çıkarımı
4.1.7 Fisher Vektör Kodlama
Bu tez çalı¸smasında, öznitelik setinin karar a¸samasında daha etkin bir ¸sekilde sınıflan- dırılması için Fisher Vektör (FV) kodlama yöntemi kullanılmı¸stır. Öznitelikleri, FV çekirdek fonksiyon yapısı ile haritalanmasıyla daha çok sayıda eleman içeren yüksek boyutlu bir da- ˘gılım elde edilmektedir. FV kodlama yapısı genellikle, çok sayıda öznitelik içeren görüntü i¸sleme uygulamalarında kelimeler çantası (Bag of Words–BoW) görsel haritalama yönte- mine alternatif olarak kullanılmaktadır [103, 104]. FV kodlama yöntemi, BoW haritalama yönteminin geli¸stirilmi¸s bir sürümü olarak da tanımlanır [105]. Literatürde, zaman serisi i¸sa- ret analizi uygulamalarında da ba¸sarılı sınıflandırma sonuçlarını destekledi˘gi gözlemlenmi¸s- tir [106, 107]. Bu nedenle tez çalı¸smasında, literatüre bir katkı olarak yöntemin güç kalitesi bozulma olaylarından elde edilen öznitelik setine uyarlanması önerilmi¸stir.
FV kodlama yönteminin temelinde, öznitelik setine parametrik bir model olan Gauss Karı¸sım Model (Gaussian Mixture Model–GMM) uyarlaması yatmaktadır. FV kodlamada, GMM modele ait parametreler kullanılarak log–olabilirlik (log-likelihood) türevi hesaplan- maktadır [103, 105]. Böylece, öznitelik da˘gılımı ve GMM da˘gılımındaki merkezlerin her bir elemanı arasındaki birinci ve ikinci derece fark de˘gerlerinin ortalamasını betimleyen bir gösterim ortaya çıkarılmı¸s olur. En temel ve özet ifadesiyle FV kodlama, farkların belirli
parametrelerle kümelenmesi i¸slemini gerçekle¸stirmektir [104, 105].
FV kodlama yönteminde giri¸s olarak, ham i¸saretlerden yukarıda da anlatımları veri- len yöntemleri kullanarak elde edilebilecek bir X= {x1, x2, x3, . . ., xN} ile tanımlı, N boyutlu
öznitelik seti kullanılabilir. Giri¸s olarak kullanılan öznitelik vektörüne, çoklu Gauss da˘gılım- larının do˘grusal birle¸simi olarak ifade edilen bir olasılık yo˘gunluk fonksiyonu (Probability Density Function–PDF) olan GMM uygulanarak kod kitabı elde edilir [107]. N boyutlu X öznitelik giri¸s seti için uyarlanan GMM matematiksel ifadesi, Πk önsel olasılık de˘gerleri ile
birlikte, (4.33) e¸sitli˘gi yardımıyla ¸su ¸sekilde sunulabilir:
p (x |λ) =
K
Õ
k=1
g (x | µk, Σk) Πk (4.33)
burada, tamamlayıcı Gauss yo˘gunluklarını temsil eden g (x | µk, Σk) ifadesine ait açık göste-
rim, ortalama de˘ger vektörü µk ve ortak varyans (kovaryans) Σk bile¸senleriyle (4.34) kulla-
nılarak verilir: g (x | µk, Σk)= 1 q (2π)N|Σk| exp −1 2(x −µk) 0 Σ−1k (x −µk) , Burada exp:e(·) (4.34)
GMM yapısı, içerdi˘gi parametrelerle birlikte λ= (µk, Πk, Σk) olarak ifade edilir. Burada,
k= 1,2, . . ., K olarak verilen dizi tanımı, tamamlayıcı Gauss yo˘gunluklarına ait küme sayısını temsil eder. µk ve Σk yukarıda da bahsedildi˘gi üzere ortalama de˘ger ve kovaryans de˘gerle-
ridir. GMM parametreleri, e˘gitim setinden elde edilen öznitelikler dahil edilerek, Beklenen de˘ger–Maksimum de˘ger (Expectation-Maximization–EM) algoritması ile kestirilebilir. EM yöntemi, gözlenemeyen yapıda de˘gi¸skenler ve tahmin edilmesi gereken parametreler içeren bir modelin en büyük olabilirlik ya da en büyük sonsal olasılık tahmininde kullanılan döngü- sel (iteratif) bir optimizasyon algoritması olarak tanımlanmı¸stır [9]. EM, beklenti adımında bir önceki döngüye ait veriler ı¸sı˘gında, logaritmik–olabilirlik fonksiyonunun alabilece˘gi bek- lenen de˘ger ile özgün olabilirlik fonksiyonu için bir taban de˘ger tespit eder. Devamında, maksimize etme adımında ise bu de˘gerlere göre optimizasyon i¸slemini gerçekle¸stirir. Giri¸s olarak verilen X = {x1, x2, x3, . . ., xN} öznitelik vektöründeki N adet bile¸sen için sonsal ola-
assignment) da denilen (4.35) ifadesi yazılabilir [107]: qki = g (xi | µk, Σk) Πk ÍK j=1g xi | µj, Σj Πj , j = 1,2, . . ., K i = 1,2. . ., N (4.35) Buradan hareketle her k, ortalama (µk) ve kovaryans (Σk) sapma parametre de˘gerleri için
elde edilecek FV kodlama öznitelik vektörleri (4.36) ve (4.37) kullanılarak hesaplanır [107]:
uk= 1 N√Πk N Õ i=1 qik √ Σk (xN−µk) (4.36) vk= 1 N√Πk N Õ i=1 qik (xN−µk) Σk (xN−µk) (4.37)
Bu öznitelik vektörleri, Σk kovaryans matrislerinin diyagonal yapıda oldu˘gu varsayımı
ile daha az hesaplama süresi ile elde edilirler. Özniteliklerin FV kodlama ile yeniden olu¸s- turulmu¸s hali uk ve vk ifadelerin birle¸stirilmesi ile her K Gauss da˘gılım merkezi için (4.38)
e¸sitli˘ginde gösterildi˘gi ¸sekilde ifade edilebilir [107]:
fFisher= u01, v10, . . ., u0K, v 0 K
0
(4.38)
FV kodlama sonucunda elde edilen yeni öznitelik setlerinin boyutları2 × K × N de˘ge- rindedir. Burada K, Gauss küme sayısını temsil etmektedir ve bu çalı¸smada tanımlı de˘ger K = 1 olarak belirlenmi¸stir. N ise i¸slenen toplam öznitelik sayıdır. Bunun sonucunda tez çalı¸smasında, FV kodlama kullanarak öznitelik vektörünün boyut sayısı2 kat arttırılmı¸stır.
FV kodlama yöntemine ait algoritma adımları konunun daha net bir büyük resimle sunulması adına, ¸Sekil 4.18 ile özetlenmi¸stir. Ayrıca, ¸Sekil 4.19 ile de bu anlatımın genel blok ¸seması gösterilmi¸stir. Algoritma i¸slem basamakları ve blok ¸semadaki adımlar incelen- di˘ginde, veri setinden elde edilen özniteliklerin e˘gitim ve test olarak ikiye ayrıldıktan sonra sadece e˘gitim verileri kullanılarak GMM parametreleri elde edilmi¸s ve kod kitabı olu¸sturul- mu¸stur. Bu i¸slem sonucunda FVe˘gitimöznitelik seti elde edilmi¸stir. Test verilerini olu¸sturacak
öznitelik seti elde edilirken, e˘gitim veri da˘gılımından elde edilen GMM parametre de˘ger- leri kullanılmı¸stır. Tekrar hesap yapılmamı¸stır. Böylece, FV kodlama sonucu sınıflandırıcıya giri¸s olarak verilecek FVe˘gitimve FVtestöznitelik vektörleri elde edilmi¸s olur.
Giri¸s:
1: XT= {x1, x2, . . ., xT} {T boyutlu öznitelik vektörü: E˘gitim Verisi}
2: XTest= {xT+1, xT+2, . . ., xN−T} { N − T boyutlu Öznitelik vektörü: Test Verisi}
3: K {Gauss küme sayısı (Bu çalı¸smada tanımlı de˘ger1’dir.)}
Çıkı¸s: FVe˘gitimve FVtest {Elde edilecek FV Kodlu son öznitelik vektörleri}
—————————————– E ˘G˙IT˙IM
GMM için model parametrelerinin belirlenerek kod kitabı olu¸sturulması: 4: E˘gitim seti özniteliklerini yükle (XT)
5: GMM parametrelerini belirle λ= (µk, Πk, Σk), e¸sitlik (4.35)
—————————————–
E˘gitim i¸slemi için kullanılacak FV özniteliklerinin belirlenmesi: 6: for k= 1 to K do
7: Adım (5) ile hesaplanan parametrelerden FV kodlu öznitelikleri hesapla, uk ve vk,
e¸sitlik (4.36) ve (4.37) 8: end for
9: E˘gitim i¸slemi öznitelik vektörünü hazırla, FVe˘gitim(4.38)
—————————————– TEST
10: Test seti özniteliklerini yükle (XTest)
Test i¸slemi için kullanılacak FV özniteliklerinin belirlenmesi: 11: for k= 1 to K do
12: Adım (5) ile hesaplanan parametrelerden FV kodlu öznitelikleri hesapla, uk ve vk,
e¸sitlik (4.36) ve (4.37) 13: end for
14: Test i¸slemi öznitelik vektörünü hazırla, FVtest(4.38)
¸Sekil 4.18: Önerilen FV kodlama algoritma adımları
Eğitim Öznitelikler Olay İşaretleri Öznitelik Çıkarım Süreci Test Öznitelikler GMM Kod Kitabı Oluşturma FV
Kodlama Normalizasyon Sınıflandırıcı
Öznitelik Çıkarımı FV Kodlama Sınıflandırma