Geri Dön

Geleneksel ve derin öğrenme tabanlı nesne takip yöntemlerinin performans değerlendirmesi

Evaluating object tracking performance of conventional and deep learning based methods

  1. Tez No: 512411
  2. Yazar: HÜSEYİN ÜZEN
  3. Danışmanlar: DOÇ. DR. MUHAMMED FATİH TALU, DR. ÖĞR. ÜYESİ KAZIM HANBAY
  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: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 97

Özet

Nesne takibi bir video veya gerçek zamanlı kayıt ortamında hedef nesnenin merkez konumu ve boyutunun otomatik olarak elde edilmesidir. Gelişen teknoloji ile birlikte, farklı uygulama alanlarına yönelik nesne takip yöntemleri geliştirilmektedir. Ancak, literatürdeki bu yöntemlerin birtakım testler yardımıyla avantajları ve dezavantajlarının ortaya konulması gerekmektedir. Bu sayede, günümüz problemlerine uygun çözümler geliştirilebilecektir. Bu tez çalışmasında gerçekleştirilen kıyaslamalı testler ile güncel nesne takip yöntemleri değerlendirilmiştir. Ayrıca, destek vektör makinesi gibi geleneksel makine öğrenmesi yöntemlerinin yanında, günümüzde oldukça popüler olan derin öğrenme tabanlı yöntemler de ele alınmıştır. Yapılan tez çalışmasında öncelikle literatürdeki güncel yöntemler incelenmiştir. Daha sonra uygulamalı karşılaştırmalar yapmak üzere beş geleneksel ve beş derin öğrenme tabanlı olmak üzere on nesne takip yöntem seçilmiştir. Bu yöntemlerin avantaj ve dezavantajlarını ortaya koymak amacıyla birbirinden farklı birçok veri setinden videolar kullanılmıştır. Ayrıca, incelenen yöntemler tez çalışması sırasında oluşturulan özel veri seti ile test edilmiştir. Deneysel sonuçlar, üç ana başlık altında (genel, problem bazlı ve performans bazlı değerlendirme) detaylı bir şekilde incelenmiştir. Yapılan kıyaslamalı testler sonucunda derin öğrenme tabanlı yaklaşımların oldukça yüksek nesne takip performansı elde ettiği görülmüştür. Bunun yanında korelasyon filtresi kullanan yöntemler performans açısından günümüzde hala vazgeçilemeyen yöntemler arasında yer almaktadırlar. Ayrıca korelasyon filtresinin nesne tespitinde geleneksel ikili sınıflandırıcılara göre çok daha başarılı olduğu gözlemlenmiştir. Son olarak yapılan testlerde derin öğrenme tabanlı ADNet yönteminin sahip olduğu güçlü ağ mimarisi sayesinde gelecekteki birçok çalışmaya yön verebileceği sonucuna varılmıştır.

Özet (Çeviri)

Object tracking is automatic obtain of the center position and size of target object in a video or real-time recording environment. Along with the developing technology, object tracking methods for different application areas are being developed. The advantages and disadvantages of these state-of-art methods need to present with the help of several tests. Thus, novel solutions can be developed for today's problems. In this thesis, state-of-art object tracking methods were evaluated with the carried out comparative tests. In addition to traditional machine learning methods such as support vector machines, deep learning-based methods, which are quite popular today, are also discussed. In this thesis, firstly the state-of-art methods are examined. Then, ten object tracking methods, which are five traditional and five deep learning based, were selected for applied comparisons. In order to demonstrate the advantages and disadvantages of these methods, videos from many different datasets have been used. In addition, the examined methods were tested with a special dataset which is created during the thesis study. Experimental results have been examined in detail under three main topics (general, problem-based and performance-based evaluation). As a result of the comparative tests, it is seen that the deep learning-based approaches achieve high tracking performance. Besides, methods utilizing correlation filter are still the indispensable methods in terms of performance. It has also been observed that the correlation filter is much more successful in detecting objects than traditional binary classifiers. Finally, it has been concluded with the carried out comparative tests that thanks to the powerful network architecture of deep learning-based ADNet method, it can lead to many future works.

Benzer Tezler

  1. Manipulation of visually recognized objects using deep learning

    Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi

    ERTUĞRUL BAYRAKTAR

    Doktora

    İngilizce

    İngilizce

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR BOYRAZ

  2. Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models

    Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma

    NEŞE GÜNEŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUĞ BAYAZIT

  3. Yolov3 and kalman filter based star detecting algorithm for cubesats' star tracker sensors

    Küp uydularda yıldız izleme sensörleri için yolov3 ve kalman filtresi tabanlı yıldız tespit algoritması

    KEVSER YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiBaşkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. SEDAT NAZLIBİLEK

  4. Sayısal görüntülerin içine gizlenen verilerin derin öğrenme tabanlı tespit edilmesi

    Deep learning based detection of hidden data in digital images

    MURAT UTKU KABASAKALOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Cumhuriyet Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RUKİYE KARAKIŞ

  5. The navigation of an autonomous car using deep convolutional neural network and lidar measurements

    Derin dönüşümlü sinir ağı ve lıdar ölçümleriyle otonom bir arabanın navigasyonu

    AZEEZ FOLAYEMI ADEBAYO

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mekatronik MühendisliğiKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN METİN ERTUNÇ