Geri Dön

İnsan aktivitelerinin derin öğrenme tekniği ile tespit edilmesi

Detection of human activities with deep learning technique

  1. Tez No: 575034
  2. Yazar: ASIM ERKUT
  3. Danışmanlar: DOÇ. DR. İLHAN UMUT
  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: 2019
  8. Dil: Türkçe
  9. Üniversite: Trakya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 50

Özet

Yapılan bu tez çalışmasında video ya da kamera görüntülerinden insanları tespit ederek, insanların aktivitelerini(ayakta, koşuyor, zıplıyor, oturuyor ve yatıyor) derin öğrenme tekniklerini kullanarak tahmin edilmesi amaçlanmaktadır. Çalışmada veri seti olarak 10000 den fazla farklı internet kaynağından elde edilen resim ve video görüntüleri kullanılmıştır. Çalışmada faklı yazılım ve donanım teknolojileri kullanılmıştır. Verileri düzenleme ve etiketlemede java dili, eğitim ve model oluşturmada DIGITS, framework olarak Caffe, testlerde ise Python dili kullanılmıştır. Sonuç olarak 8458 adet resim kullanılarak yapılan çalışmada farklı insan aktiviteleri derin öğrenme teknikleri kullanılarak ortalama %97 gibi büyük bir doğrulukla sınıflandırılmıştır. Tek bir resim ile yapılan DIGITS testinde %90.88, 1341 resim ile yapılan Python testinde ortalama % 97.4, video testlerinde ise ortalama 4 fps ve %92 doğruluk ile insan aktivitesi sınıflandırılmıştır.

Özet (Çeviri)

In this thesis, it is aimed to detect people from video or camera images and to predict people's activities (standing, running, jumping, sitting and lying) by using deep learning techniques. In the study, pictures and video images obtained from more than 10000 different internet sources were used as data set. Different software and hardware technologies were used in the study. Java language was used for data editing and labelling, DIGITS was used for training and modelling, Caffe was used as framework and Python language was used for tests. As a result, different human activities were classified with an average accuracy of 97% by using deep learning techniques in the study, which was conducted using 8458 images. In DIGITS test with a single image, human activity was classified as 90.88%, Python test with 1341 images, and 97.4% on average, 4 fps and 92% accuracy on video tests.

Benzer Tezler

  1. İvme ve derinlik sensör verilerini kullanarak işbirlikçi hareket ve düşme tanıma için akıllı tekniklerin geliştirilmesi

    Development of intelligent techniques for collaborative motion and fall recognition using acceleration and depth sensor data

    BÜŞRAN AŞICI

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İLHAN AYDIN

  2. Human activity recognition using deep learning

    Derin öğrenme ile insan aktivitesi tanıma

    MURAT YALÇIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜLYA YALÇIN

  3. Anomaly detection in diverse sensor networks using machine learning

    Çeşitli sensör ağlarında makine öğrenimi ile anomali tespiti

    ALİ ALP AKYOL

    Doktora

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  4. Derin öğrenme ile cerrahi video anlama

    Surgical video understanding with deep learning

    ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU SARIKAYA

  5. İnsanın günlük yaşam aktivitelerinin sınıflandırılmasında derin öğrenme modellerinin karşılaştırılması

    Comparison of deep learning models in classification of human's daily life activities

    İBRAHİM ALİ METİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇanakkale Onsekiz Mart Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BAHADIR KARASULU