Geri Dön

Makine öğrenmesi yöntemleriyle akan görüntülerden otomatik aktivite sınıflandırma

Automatic activity classification from time-sequenced images using machine learning methods

  1. Tez No: 509253
  2. Yazar: ELİT CENK ALP
  3. Danışmanlar: YRD. DOÇ. DR. HACER YALIM KELEŞ
  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: 2018
  8. Dil: Türkçe
  9. Üniversite: Ankara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 78

Özet

Videodan insan aktivitelerinin otomatik tespit edilmesi ve sınıflandırılması son yıllarda oldukça fazla miktarda araştırmacının üzerinde çalıştığı aktif bir araştırma alanıdır. Bu tekniklerin eğlence uygulamaları, güvenlik gözlemleme sistemleri, sağlık sistemleri gibi alanlarda önemli kullanım alanları vardır. Tez çalışması kapsamında, Weizmann ve KTH veri kümelerine ait olan videolar ile çeşitli makine öğrenmesi yöntemleri kullanılarak aktivite sınıflandırma çalışması yapılmıştır. Bu çalışmalar kapsamında hem özniteliklerin çıkarımında, hem de akış sınıflandırmada iki farklı yaklaşım ele alınmıştır. Öznitelik çıkarımında, el ile özniteliklerin çıkarılması ve derin ağlar kullanılarak özniteliklerin çıkarılması-yaklaşımları kullanılmıştır. Gizli markov modeller (HMM) ve tekrarlayan sinir ağları'ndan uzun kısa-süreli hafıza (RNN-LSTM) tabanlı yaklaşımlar, akış sınıflandırmada kullanılmıştır. İmgeden klasik özniteliklerin çıkarılmasında Hu'nun değişmez 7 momentleri, projeksiyon, hareket geçmişi görüntüsü gibi yöntemler kullanılmıştır. Hareket geçmişi görüntüsünün farklı bir türevi olarak değiştirilmiş hareket geçmişi görüntüsü (MMHI) yöntemi geliştirilmiştir. El ile kodlanmış öznitelik çıkarma yaklaşımlarının yanı sıra, imgeyi ifade eden öznitelikleri kendi çıkaran ve öğrenen evşimsel sinir ağı yöntemi de kullanılmıştır. Weizmann veri kümesinde, öznitelik olarak MMHI ve Hu momentlerinin kullanıldığı ve HMM ile video sınıflandırılmanın yapıldığı deneyde % 99.35 başarı oranı yakalanmıştır. KTH veri kümesinde ise CNN ile öznitelikler bulunup, HMM ve LSTM ile sınıflandırılma yapılmıştır. CNN ve HMM kullanılarak yapılan deneylerde, KTH veri kümesinde yapılmış deneyler sonucunda literatürde kayda geçmiş en iyi sonuç olarak % 99.30 başarı oranı yakalanmıştır.

Özet (Çeviri)

Human action classification from video streams is an active research topic that is worked on by many researchers. This domain has a wide range of application areas such as entertainment applications, surveillance systems, health care systems. In the context of this study, human action classification is performed using the Weizmann and KTH video datasets using different machine learning techniques. In this scope, two different approaches are followed both for the feature extraction and for the classification. For feature extraction, we studied hand-coded feature extraction methods and deep learning based feature extraction methods. We utilized 7 Hu Moments, projection and motion history image (MHI) approaches as for the classical features. As an alternative to MHIs, we proposed a Modified Motion History Image (MMHI) approach. In addition to the hand-crafted features, we utilized Convolutional Neural Networks (CNNs) for learning representations from images. In Weizmann dataset experiments, we obtained % 99.35 accuracy by using MMHI and Hu moments as features and Hidden Markov Models (HMMs) in sequence modeling. In KTH dataset experiments, we extracted features using CNNs and utilized them with HMMs ad LSTMs in sequence modelling. We obtained the best reported result in the literature, i.e. % 99.30, using the CNN and HMMs in KTH experiments. For sequence classification, HMMs and Long Short-Term Memory based Recurrent Neural Networks (RNN-LSTM) are utilized.

Benzer Tezler

  1. Nöropazarlama uygulamaları için EEG sinyallerinin analizi ile beğeni durum tespiti

    Recognition of preferences with analysis of EEG signals for neuromarketing applications

    BURAK CEYLAN

    Doktora

    Türkçe

    Türkçe

    2024

    Biyomühendislikİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. FIRAT KAÇAR

    PROF. DR. AYDIN AKAN

  2. Novelty detection on streaming sensor data for iiot applications

    Endüstriyel nesnelerin interneti uygulamaları için akan sensör verisi üzerinde ayrıklık sezimi

    ALPER BAYRAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BURAK ACAR

  3. Kritik değere sahip biyokimyasal testlerin sonuç onay algoritmalarının geliştirilmesi: Öğrenen algoritmalar

    Developing result approval algorithms for biochemical tests with critical values: Learning algorithms

    FERHAT DEMİRCİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    BiyokimyaDokuz Eylül Üniversitesi

    Tıbbi Biyokimya Ana Bilim Dalı

    PROF. DR. PINAR AKAN

  4. A digital twin framework for predictive maintenance

    Öngörücü bakım için dijital ikiz çerçevesi

    MUSTAFA FURKAN SÜVE

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN İNCE

  5. Dikkat eksikliği hiperaktivite bozukluğunun makine ve derin öğrenme teknikleri ile tespiti

    Detection of attention deficit hyperactivity disorder by machine and deep learning techniques

    GÜLAY ÇİÇEK

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Biyomedikal Ana Bilim Dalı

    PROF. DR. AYDIN AKAN