Geri Dön

Dengesiz veri setlerinde trafik işaretlerini tanıma

Traffic sign recognition system for imbalanced dataset

  1. Tez No: 434816
  2. Yazar: YILDIZ AYDIN
  3. Danışmanlar: YRD. DOÇ. DR. GÜLŞAH TÜMÜKLÜ ÖZYER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2016
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 142

Özet

Hızla gelişen teknoloji ile birlikte yol güvenliğine verilen önem büyük ölçüde artmış ve insan kaynaklı sorunlara odaklanılmıştır. Sürücülerin göz problemleri, yavaş refleksleri veya telefon gibi elektronik cihazların kullanımından dolayı dikkatlerinin dağılması daha fazla kazanın gerçekleşmesine sebebiyet vermiştir. Bu nedenle trafik işareti otomatik tanıma sistemi (traffic sign recognition (TSR)) günümüzde üzerinde oldukça durulan bir konu olmuştur. Literatürde, TSR sistemi için geliştirilen çalışmalarda kullanılan standart (German, Belgium vs.) veri setlerinin sınıflarında bulunan görüntü sayıları, işaretlerin kullanım sıklıklarından dolayı orantısızdır. Bu tip veri setlerinin üzerinde gerçekleştirilen uygulamalar, yerel öznitelikler ile birlikte kullanılır ise başarılı sonuçlar vermemektedir. Yerel öznitelikler tüm görüntüyü incelemek yerine belirgin noktalara odaklanmakta ve bu sayede işlem ve zaman maliyetini düşürmektedir. Bu çalışmada, işaret levhalarının renk bakımından dış çevreden farklı olmasından dolayı yerel öznitelikler kullanılmış ve dengesiz veri seti ile bu yerel özniteliklerin kullanımı esnasında ortaya çıkan dengesiz veri seti problemi üzerine odaklanılmıştır. Önerilen TSR sistemi öznitelik çıkarımı ve sınıflandırma adımlarından oluşmaktadır. Öznitelik çıkarım adımında ölçeklemeden bağımsız öznitelik dönüşümü ve hızlandırılmış gürbüz özniteliği kullanılarak yeni iki öznitelik elde edilmiştir. Sınıflandırma adımında ise torbalama temelli topluluk sınıflandırıcısı kullanılmıştır. Ayrıca önerilen sitem literatürde sıklıkla kullanılan yönlü eğimlerin histogramı özniteliği, k-en yakın komşu sınıflandırıcısı, karar ağaçları sınıflandırıcısı ve destek vektör makineleri sınıflandırıcısı ile karşılaştırılmıştır. Deneysel çalışmalarda önerilen yöntem ile yerel özniteliklerin dengesiz veri setleri üzerinde %91 doğru sınıflandırma performansı ile başarılı sonuçlar verdiği gözlemlenmiştir.

Özet (Çeviri)

The importance given to the road safety has increased with quickly developed technology and directed to concentrate upon human related problems. Drivers vision problems, slow reflexes, distraction due to the electronic devices give rise to more accident. For this reason, Traffic Sign Recognition System (TSR) is a highly emphasize topic. In literature, typically traffic signs datasets (German, Belgium), which used in the development studies for TSR system, are non-proportional due to the image number in dataset classes and frequency of the occurrence of the signs. The applications performed on these datasets don't give successful results if they are used with local features. Local features focuses on specific regions instead of whole image and thus decrease the cost of process and time. In this study, local features were used because of traffic signs differ from its surrounding in terms of color and imbalanced dataset problem that occur when these datasets used with local features was focused. Suggested TSR system consist of feature extraction and classification processes. In feature extraction step three new features are obtained by using Scale invariant feature transform (SIFT), speeded-up robust features (SURF). In classification step bagging-based ensemble (BBE) classifier were used. In addition, suggested system compared with widely used methods such as histogram of gradient (HOG) feature, k-nearest neighbor classifier, decision tree classifier and support vector machine classifier. Experimental studies show that local features with suggested method gives successful results on imbalanced dataset with %91 accuracy rate.

Benzer Tezler

  1. Dengesiz veri setlerinde sınıflandırma performansını etkileyen yaklaşımların incelenmesi

    Examination of approaches affecting classification performance in imbalanced data sets

    SALİHA DEMİRSÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    BiyoistatistikSelçuk Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HARUN YONAR

  2. Dengesiz veri setlerinde aşırı örnekleme teknikleri ile makine öğrenmesi yaklaşımlarının karşılaştırılması

    Comparison of machine learning approaches by using oversampling techniques on imbalanced datasets

    ÜMİT DİLBAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Akıllı Mühendislik Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUSTAFA ÖZGÜR CİNGİZ

  3. Dengesiz veri setlerinde farklı dengeleme algoritmalarının optimum denge oranlarının sınıflandırma ve regresyon ağaçları yöntemi ile incelenmesi: simülasyon çalışması

    Examining the optimum balance ratios of different balancing algorithms in imbalanced data sets by classification and regression trees: Simulation study

    HAKAN ÖZTÜRK

    Doktora

    Türkçe

    Türkçe

    2022

    BiyoistatistikAydın Adnan Menderes Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. MEVLÜT TÜRE

  4. Dengesiz veri setlerinde sınıflandırma problemlerinin çözümünde melez yöntem uygulaması

    Hybrid method application to solve classification problems in imbalanced datasets

    MESTAN ŞAHİN PİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Endüstri ve Endüstri MühendisliğiBursa Uludağ Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DUYGU YILMAZ EROĞLU

  5. Classification of imbalanced credit data sets with borrower-specific cost-sensitive algorithms

    Dengesiz kredi veri setlerinin borçluya özgü maliyete duyarlı algoritmalarla sınıflandırılması

    YASEMİN YAMAN KANMAZ

    Doktora

    İngilizce

    İngilizce

    2023

    BankacılıkOrta Doğu Teknik Üniversitesi

    Finansal Matematik Ana Bilim Dalı

    PROF. DR. AYŞE SEVTAP KESTEL

    PROF. DR. ŞAHAP KASIRGA YILDIRAK