Evaluation of 2D local image descriptors and feature encoding methods for depth image based object class recognition
Derinlik imgesi tabanlı nesne sınıfı tanıma için iki boyutlu yerel imge tanımlayıcılarının ve öznitelik kodlama yöntemlerinin değerlendirilmesi
- Tez No: 371851
- Danışmanlar: DOÇ. DR. BURAK ACAR, PROF. DR. MEHMET BÜLENT SANKUR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2014
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Bu çalışmada 3 boyutlu nesne sınıfı tanıma problemi incelenmiştir. Problemin çözümü için, 3 boyutlu nesne modellerinden derinlik imgeleri elde edilmiştir ve bu imgelere dayalı bir yaklaşım kullanılmıştır. Kullanılan yaklaşımda 3 boyutlu nesne sınıfı tanıma sistemi eğitim ve test aşamalarından oluşmaktadır. Her iki aşamada da ilk olarak imgelerden nirengi noktalar çıkarılır, daha sonra bu noktaların etrafında iki boyutlu yerel imge betimleyicileri oluşturulur. Ardından yerel imge betimleyicileri kodlanarak tek bir betimleyiciye dönüştürülür. Kodlama adımından önce, eğitim aşamasında bir kod defteri oluşturulur ve her iki aşamada da kodlama bu kod defteriyle yapılır. Ayrıca eğitim aşamasında her sınıf için birer adet ikili sınıflandırıcı eğitilir. Bu eğitilen sınıflandırıcılar test aşamasında kullanılır. Çalışma kapsamında farklı nirengi noktası belirleme yöntemleri, yerel imge betimleyicileri ve kodlama yöntemleri değerlendirilmiştir. Kullanılan yöntemlerin birbirlerine karşı olan üstünlükleri ve zayıflıkları deneysel olarak gösterilmiştir. yapılan deneyler sonrası, derinlik imgesi alanında en iyi sonuç veren nirengi noktası belirleme, yerel imge betimleyicisi ve kodlama yöntemi açıkça görülebilmektedir. Bunlar yoğun örnekleme, SIFT betimleyicileri ve Fisher Vektör kodlaması olarak belirlenmiştir. Farklı deneysel düzeneklerden alınan benzer sonuçlar, en iyi sonuç veren olarak seçilen metotların doğruluğunu ispatlamaktadır.
Özet (Çeviri)
In this thesis, we have investigated the 3D object class recognition problem. We used an approach that solves this problem with the use of depth images obtained from 3D object models. In the approach we used, 3D object class recognition system is composed of two stages; training and testing. In both stages, first, keypoints are detected from the images, and then 2D local image descriptors are built around these keypoints. This is continued by encoding local descriptors into a single descriptor. Just before this step, in training stage, a codebook is learned, and it is used for encoding local descriptors in both stages. Another extra step in training stage is, after the descriptors are encoded, for each class a binary classifier is trained. Then, these classifiers are used in testing stage. We have evaluated different keypoint detection methods, 2D local image descriptors and encoding methods. Then, we experimentally show their superiorities and weaknesses over each other. Our experiments clearly show the best performing keypoint detection method, local image description method and feature encoding method in the depth image domain, which are densely sampled SIFT descriptors and Fisher Vector encoding. Using different experimental setups yields similar results, thus the validity of the methods that are selected as best is proven.
Benzer Tezler
- Kentsel açık mekân olarak caddelerin kalite kriterleri bağlamında değerlendirilmesi ve kavramsal bir model önerisi: Van Cumhuriyet Caddesi örneği
The evaluation of main streets as urban open space in context of quality criteria and a conceptual model proposal: The case of Van Cumhuriyet Main Street
ASUDE BOLAT
Yüksek Lisans
Türkçe
2022
Mimarlıkİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL EREN KÜRKÇÜOĞLU
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme
Self-ınformation empowered deep learning approaches for hsı denoising
ORHAN TORUN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
PROF. DR. MEHMET ERKUT ERDEM
- Spherical vision transformers for audio-visual quality assessment of omnidirectional image and video
Omnidireksiyonel görüntü ve video'nun sesli-görsel kalite değerlendirmesi için küresel görüntü dönüştürücüler
NAFISEH JABBARITOFIGHI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM AYKUT ERDEM
- Derin öğrenme yöntemleri ile zaman serisi tahmini
Time series classification with deep learning methods
HAKAN GÜNDÜZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE