Human activity classification using spatio-temporal feature relations
Zamansal ve yüzeysel özellik ilişkilerini kullanarak insan hareketlerinin sınıflandırılması
- Tez No: 313610
- Danışmanlar: DOÇ. DR. İLKAY ULUSOY
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2012
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 78
Özet
Bu tez, videoda insan aktivitelerinin sınıflandırılması problemine önerilen çözümleri karşılaştırır ve yeni çözümler önerir. İnsan aktivite sınıflandırması; videoya çekilmiş olan insan aktivitelerinin anlamlarının bulunmasıdır. İnsan aktivitelerini sınıflandırmak; gözetleme videolarının analiz ve özetlenmesi, video veri madenciliği ve robot zekası konularında ilerleme kaydetmek için gerekmektedir. Bu tez yüksek seviyedeki insan aktivitelerinin tanınmasında önemli bir bilgi kaynağı olarak kullanılan düşük seviyeli insan hareketlerinin sınıflandırılması konusuna odaklanmıştır.Bu çalışmada, Ryoo (2009) tarafından önerilmiş olan özellik ilişkisi histogramı bazlı aktivite tanımlayıcısı uygulandı ve genişletildi. Özellik bazlı yaklaşımlarda yaygın olarak kullanılan özellik histogramı ile karşılaştırırsak; özellik ilişkisi histogramı özelliklerin pozisyonal bilgisini de temsil etmektedir. Bizim önerdiğimiz geliştirme, yöntemi daha yetenekli kılan yeni bir özellik ilişkisi kümesidir. Özellik histogramı, Ryoo'nun özellik ilişkisi histogramı ve bizim özellik ilişkisi histogramımız, aynı özellik türü ve aynı video kümeleri ile sınıflandırmada kullanılmış ve sonuçlar karşılaştırılmıştır. Deneylerimiz özellik ilişkisi histogramının özellik histogramından biraz daha iyi olduğunu, bizim özellik ilişkisi histogramımızın ise ikisinden de daha iyi olduğunu göstermektedir. Fark periyodik olayları içeren video kümelerinde net bir şekilde gözlemlenemese de, periyodik olmayan olayları içeren video kümelerinde %12 lik bir gelişme gözlemlenmektedir. Çalışmamız, önerilen yeni ilişki kümesini kullanan özellik ilişkisi histogramlarının aktivite tanımlamada daha iyi bir yöntem olduğunu göstermektedir.
Özet (Çeviri)
This thesis compares the state of the art methods and proposes solutions for human activity classification from video data. Human activity classification is finding the meaning of human activities, which are captured by the video. Classification of human activity is needed in order to improve surveillance video analysis and summarization, video data mining and robot intelligence. This thesis focuses on the classification of low level human activities which are used as an important information source to determine high level activities.In this study, the feature relation histogram based activity description proposed by Ryoo et al. (2009) is implemented and extended. The feature histogram is widely used in feature based approaches; however, the feature relation histogram has the ability to represent the locational information of the features. Our extension defines a new set of relations between the features, which makes the method more effective for action description. Classifications are performed and results are compared using feature histogram, Ryoo?s feature relation histogram and our feature relation histogram using the same datasets and the feature type. Our experiments show that feature relation histogram performs slightly better than the feature histogram, our feature relation histogram is even better than both of the two. Although the difference is not clearly observable in the datasets containing periodic actions, a 12% improvement is observed for the non-periodic action datasets. Our work shows that the spatio-temporal relation represented by our new set of relations is a better way to represent the activity for classification.
Benzer Tezler
- Towards adaptive brain-computer interfaces: Statistical inference for mental state recognition
Uyarlanabilir beyin-bilgisayar arayüzlerine doğru: Zihinsel durum tanıma için istatistiksel çıkarım
MASTANEH TORKAMANI AZAR
Doktora
İngilizce
2020
BiyomühendislikSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜJDAT ÇETİN
Prof. Dr. SELİM SAFFET BALCISOY
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- İstanbul'da 1987-2007 dönemi için bir konut tarihi anlatısı
A narrative for housing history in Istanbul between 1987-2007
ZEYNEP ATAŞ
- The spatio-temporal dynamics of aerosols in the Marmara region and impact of land cover/use on atmospheric environment
Marmara bölgesindeki aerosollerin mekansal-zamansal dinamiksel ve arazi örtüsü/kullaniminın atmosferik ortam üzerindeki̇ etkisi
PARIA ETTEHADI OSGOUEI
Doktora
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Akıllı saat sensör verileriyle namaz kılma durumunun derin öğrenme yöntemleri kullanılarak tespit edilmesi
Detecting prayer status with smart watch sensor data using deep learning methods
YASİN VURGUN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA SERVET KIRAN