Semantic segmentation of RGBD videos with recurrent fully convolutional neural networks
RGBD videoların özyinelemeli tamamen konvolüsyonel yapay sinir ağları ile semantik bölütlenmesi
- Tez No: 482330
- Danışmanlar: DOÇ. DR. YÜCEL YEMEZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 55
Özet
Yapay sinir ağları kullanarak videoların semantik bölütlenmesi şu sıralar popüler bir görevdir, ancak bu alanda yapılan çalışmalar çoğunlukla RGB videolar üzerinedir. Bunun temel nedeni, piksel seviyesinde sınıf bilgisi içeren büyük RGBD video veri kümelerinin bulunmamasıdır. Bu tezde, tamamen konvolüsyonel ve özyinelemeli tamamen konvolüsyonel yapay sinir ağları mimarileriyle video semantik bölütlenmesine derinlik ve zaman bilgilerinin katkılarını araştırmak için bir sentetik ve bir gerçek RGBD video veri kümesi kullanıyoruz. Ek olarak, tamamen konvolüsyonel yapay sinir ağlarından özyinelemeli tamamen konvolüsyonel yapay sinir ağlarına ağırlık aktarımı yapıyoruz ve farklı derinlik kodlama metodları uyguluyoruz. Deneylerimiz, derinlik bilgisinin semantik bölütleme sonuçlarını geliştirdiğini ve zaman bilgisinden faydalanmanın daha yüksek kaliteli çıktı bölütlemeleriyle sonuçlandığını göstermektedir.
Özet (Çeviri)
Semantic segmentation of videos using neural networks is currently a popular task, however the work done in this field is mostly on RGB videos. The main reason for this is the lack of large RGBD video datasets, annotated with ground truth information at the pixel level. In this work, we use a synthetic and a real RGBD video dataset to investigate the contribution of depth and temporal information to the video segmentation task using fully convolutional and recurrent fully convolutional neural network architectures. Additionally, we employ weight transfer from fully convolutional neural networks to recurrent fully convolutional neural networks and investigate different depth encoding schemes. Our experiments show that the addition of depth information improves semantic segmentation results and exploiting temporal information results in higher quality output segmentations.
Benzer Tezler
- Investigation of artificial intelligence-based point cloud semantic segmentation
Yapay zeka tabanlı nokta bulutu semantik bölümlendirmesinin incelenmesi
MUHAMMED ENES ATİK
Doktora
İngilizce
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ZAİDE DURAN
- Semantic segmentation of panoramic images and panoramic image based outdoor visual localization
Panoramik imgelerde anlamsal bölütleme ve panoramik imge tabanlı dış mekan görsel konumlandırma
SEMİH ORHAN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YALIN BAŞTANLAR
- Semantic segmentation of UAV images in archaeological sites using deep learning
Arkeolojik alanlardaki İHA görüntülerinin derin öğrenme yardımıyla anlamsal segmentasyonu
DAMLA KUMBASAR
Yüksek Lisans
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. DURSUN ZAFER ŞEKER
- COVID-19 tanılı bilgisayarlı tomografi görüntülerinde akciğer ve pnömoni bölgelerinin farklı senaryolarda semantik segmentasyonu
Semantic segmentation of lung and pneumonia regions in different scenarios on COVID-19 diagnosed computer tomographic images
HÜSEYİN EMRE ALEMDAROĞLU
Yüksek Lisans
Türkçe
2022
Mühendislik BilimleriNecmettin Erbakan ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÜSAME ÖZİÇ
- Derin öğrenme metotları kullanılarak farklı sosyal statüye sahip yapısal alanlarda binaların semantik segmentasyonu: İstanbul örneği
Semantic segmentation of buildings in structural areas with different social statuses using deep learning methods: Istanbul example
BURCU AMİRGAN
Yüksek Lisans
Türkçe
2023
Jeodezi ve FotogrametriKocaeli ÜniversitesiJeodezi ve Jeoinformasyon Mühendisliği Ana Bilim Dalı
PROF. DR. ARZU ERENER