Derin sinir ağları ile derinlik imgelerinden insan sezimi
Human detection from depth images with deep neural networks
- Tez No: 539992
- Danışmanlar: DR. ÖĞR. ÜYESİ HELİN DUTAĞACI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Telekomünikasyon - Sinyal İşleme Bilim Dalı
- Sayfa Sayısı: 61
Özet
Bu tez çalışmasında, derin sinir ağları kullanarak, iç ortamda elde edilmiş derinlik imgelerinden, her türlü pozisyonda bulunabilen insanların baş-omuz bölgelerinin algılanması hedeflenmiştir. Aday baş-omuz bölgelerini doğrulayacak ya da eleyecek şekilde kurgulanmış iki sınıflı derin mimariler tasarlanmıştır. Bu mimarilerin eğitilmesi ve test edilmesi için Kinect Takip Hassasiyeti Veri Kümesi, RGB-D İnsan Veri Kümesi ve UR Düşme Algılama Veri Kümesi'ndeki derinlik imgelerinden baş-omuz bölgelerini içeren kutucuklar işaretlenip kesilmiştir. Aynı şekilde, baş-omuz bölgesine benzeyen negatif kutucuklar da bu derinlik imgelerinden elde edilmiştir. Pozitif ve negatif örnekleri doğru bir şekilde sınıflandırmak üzere çeşitli derin sinir ağı mimarileri tasarlanmıştır. Sinir ağlarının eğitiminde katman arttırımının ve sinir ağlarına özel parametrelerin değişiminin sınıflandırma başarımı üzerindeki etkileri incelenmiştir.
Özet (Çeviri)
The objective of this work is to detect humans in arbitrary poses from depth images acquired in indoor envrionments through recognition of head-shoulder regions with deep neural networks. In order to train and test deep neural networks, rectangular boxes containing head-shoulder regions were extracted from depth images in Kinect Tracking Precision Dataset, UR Fall Detection Dataset and RGB-D People Dataset. Rectangular regions containing negative examples resembling head-shoulder shape were also extracted. Several network architectures were designed to correctly classify positive and negative examples. Effects of increasing number of layers in neural networks and effects of changing special parameters on the classification performance were examined.
Benzer Tezler
- Bayes tümleştirme teknikleri kullanılarak yüzey kurma ve ayrıt sezme
Visual surface recontruction and boundary detection using bayesian integration
BİLGE GÜNSEL
Doktora
Türkçe
1993
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. ERDAL PANAYIRCI
- Planar geometry estimation with deep learning
Derin öğrenme ile düzlemsel geometrinin tahminlenmesi
FURKAN EREN UZYILDIRIM
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA ÖZUYSAL
- Derin sinir ağları kullanılarak stereo termal ve çapraz modalite ile derinlik tahmini
Depth estimation with stereo thermal and cross modality using deep neural networks
AHMET FARUK AKYÜZ
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN ŞAKİR BİLGE
- Deep convolutional neural networks for image inpainting
Derin evrişimsel sinir ağları ile resimlerde içboyama
UĞUR DEMİR
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE ÜNAL
- An application for scene classification using transfer learning
Aktarımlı öğrenme kullanarak manzara verisinin sınıflandırılması
AYÇA GÖZEL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe ÜniversitesiVeri Bilimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÇİĞDEM KELEŞ