Fine-tuning convolutional neural networks for maritime vessel classification, verification and recognition
Evrişimli sinir ağlarında eğitim transferi ile gemi sınıflandırma, doğrulama ve tanıma
- Tez No: 512341
- Danışmanlar: PROF. DR. NAFİZ ARICA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 63
Özet
Otonom denizcilik gözetleme sistemleri milli güvenlik ve küresel ticaret zinciri alanlarında büyük önem taşımaktadır. Bu yüzden gemi sınıflandırma ve tanıma problemleri üzerine oldukça uzun zamandır çalışılmaktadır. Bu konudaki çoğu araştırma uydu görüntüleri üzerine yapılmış, fakat uydu görüntüleme sistemleri herkesin kullanımına açık değildir ve çözünürlükleri yüksek kalite sınıflandırma ve tanıma yapmak için yetersiz kalmaktadır. Buna çözüm olarak son zamanlarda standart güvenlik kameraları uygun maliyetleri ve kolay kurulumları ile dikkat çekmektedir. Derin öğrenme son yıllarda çok hızlı ilerlemeler katederek bilgisayarlı görü alanındaki en gelişmiş teknik haline gelmiştir. İmge sınıflandırma problemlerinde insan seviyesinden daha iyi başarım gösteren derin mimariler ortaya çıkmış, yapay zeka alanında uzun zamandır var olan fikirler bu mimarilere bazı bilgisayarlı görü problemleri için adapte edilmeye başlanmıştır. Fakat literatürdeki gemi imgelerinin analizi konusunda derin öğrenme uygulamaları sınırlı kalmaktadır. Bu tez kapsamında; gemi sınıflandırma, doğrulama ve tanıma görevleri için derin öğrenme alanındaki en gelişmiş teknikler kullanılacaktır. Deneylerde, literatürdeki en popüler üç evrişimli sinir ağı olan AlexNet, VGGNet ve ResNet mimarileri kullanılmıştır. Eğitim ve test için 2 milyondan daha fazla gemi imgesi barındıran MARVEL veri setinden yararlanılmıştır. Ayrıca elde edilen sonuçların karşılaştırılması için de aynı makale referans olarak alınacaktır. Bu derin mimarilerin eğitimi oldukça zor olup, çok büyük eğitim setlerine ihtiyaç duymaktadır. Bu problemlerin çözümü için eğitim transferi yaklaşımı uygulanmıştır. Değişik eğitim transferi ve iyileştirme metotları incelenmiştir. Gemi tanıma problemi için, başarılı yüz tanıma modellerinden esinlenerek üçlü yitim fonksiyonu kullanılmıştır. Bu yaklaşımlar kullanılarak, MARVEL veri seti sınıflandırma probleminde en yüksek başarım elde edilmiştir. Gemi tanıma probleminde 29 gemi tipinin 10'unda yine en yüksek skorlar elde edilirken, gemi doğrulama başarımlarımız en iyi skorun hemen altında kalmaktadır.
Özet (Çeviri)
Autonomous maritime vessel surveillance systems have enormous implications to national defense and global supply chain. Therefore, ship detection and classification problems have been widely studied for a long time. Most of the studies have used satellite imagery, the real-time satellite imaging access is not public and image resolutions is insufficient for high-quality classification and recognition systems. As an alternative approach, consumer-level surveillance cameras have attracted great attention recently due to its cost-effectiveness and easy installation process. With the rapid advancements in deep learning field, it has become the state-of-the-art method in computer vision community. Deep network architectures have emerged by surpassing human-level accuracy on image classification problems. Many old but powerful ideas have been revised and applied to these networks in various computer vision problems. However, the applications of deep learning methods in the analysis of maritime vessel images are limited in the literature. In this thesis, we employ the state-of-the-art deep network architectures for maritime vessel classification, verification and recognition. In the experiments, the most popular three convolutional neural network architectures; AlexNet, VGGNet and ResNet are used. MARVEL dataset is utilized for benchmarking purposes, which contains 2M ship images. Since these networks are very difficult to train and they require lots of training samples, transfer learning approach is followed in this work. Different transfer learning methods, regularization and preprocessing steps are experimented. For recognition task, we use triplet loss inspired by state-of-the-art face recognition models. Using these approaches, we are able to reach state-of-the-art on superclass classification dataset and also for 10 of 29 vessel types on recognition dataset. For verification task, our result is very close to state-of-the-art.
Benzer Tezler
- Deep convolutional neural network based representations for person re-identification
Kişiyi yeniden tanıma için derin evrişimsel sinir ağı tabanlı modeller
ALPER ULU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Style-based generative adversarial networks for enhancing deep-learning-based person re-identification
Derin öğrenme tabanlı kişi yeniden tanımlamak için stil tabanlı üretici çekişmeli (adversarıal) ağlar
SALEH HUSSIN SALEM HUSSIN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REMZİ YILDIRIM
- Farklı derin evrişimsel sinir ağlarının yüz ifadesi tanıma işlemindeki karşılaştırılması
Comparison of different deep convulational neural networks in facial expression recognition process
MEHMET OSMAN DEVRİM
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN GÜRÜLER
- An enhanced convolutional neural network for detecting deepfake videos
Deepfake videoları tespit etmek için geliştirilmiş evrişimli sinir ağı
SAADALDEEN RASHID AHMED AHMED
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRULLAH SONUÇ
- Ağırlıklandırılmış derin evrişimsel sinir ağları topluluğu ile böcek türlerinin sınıflandırılması
Classification of insect species with weighted ensemble of deep convolutional neural networks
FATİH VARÇIN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ERBAY