Derin öğrenme tabanlı şeffaf nesne tanıma
Deep learning based transparent object detection
- Tez No: 649853
- Danışmanlar: DR. ÖĞR. ÜYESİ METİN BİLGİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 80
Özet
Gelişen teknoloji ve yapay zekâ algoritmalarıyla birlikte nesne tanıma uygulamaları hayatımızın içinde yerini almaya başlamıştır. Günlük hayatımızda plaka tanıma, optik karakter tanıma gibi uygulamalar artık hayatımızın vazgeçilmezi haline gelmiştir. Günümüzde devam eden teknolojik gelişmelere paralel olarak güvenlik kameralarından şüpheli durum tespiti veya otonom araçlar gibi yakın gelecekte hayatımızla iç içe olacak teknolojilerin gelişimi hızla artmaktadır. Nesne tanıma alanında gerçekleştirilen çalışmalar genel olarak şeffaf olmayan nesneler üzerinedir ve şeffaf nesnelerle ilgili çalışma sayısı çok sınırlı kalmaktadır. Oysa çevremizde şeffaf olmayan nesneler kadar şeffaf nesneler de bulunmaktadır ve şeffaf nesnelerin tanınması da önem taşımaktadır. Şeffaf nesne tanımanın, yakında hayatımızın içinde yer alacak robotların çevresini algılamasına ve geri dönüşüm tesislerindeki nesnelerin ayıklanma sürecine katkısı olacaktır. Bu çalışmada, şeffaf ve şeffaf olmayan bardaklardan oluşan bir veri kümesi ile eğitilen bir sistem vasıtasıyla bardakların şeffaflığı tespit edilmeye çalışılmıştır. Önerilen sistemin geliştirilmesinde son zamanlarda tanıtılan yeni bir derin öğrenme yaklaşımı olan kapsül ağları kullanılmıştır. Elde edilen sonuçların karşılaştırılabilmesi için, aynı veri kümesi LeNet, AlexNet ve ResNet modelleri üzerinde çalıştırılmıştır. Çalışmanın sonuçları değerlendirildiğinde kapsül ağlarının, sınıflandırma doğruluğunda, kullanılan diğer derin öğrenme yöntemlerinden daha iyi sonuçlar elde ettiği görülmüştür. Sınıflandırma doğruluğuna göre diğer yöntemler AlexNet, ResNet ve LeNet şeklinde sıralanmıştır. Çalışma sonucunda kapsül ağlarının şeffaf nesne tanıma probleminde kullanılabileceği ve mevcut yöntemlerden daha yüksek doğruluk oranlarına ulaştığı görülmüştür.
Özet (Çeviri)
Object detection applications started to take their places in our lives with the improvements in technology and artificial intelligence. In daily life, some applications such as license plate detection, optical character recognition become indispensable. In parallel with ongoing technological developments today, the technologies which soon will be a part of our daily life such as detection of suspicious situations through security cameras and autonomous cars, are improving rapidly. The studies in the object detection area are have generally focused on opaque objects. The number of studies on transparent objects is very limited. However, there are transparent objects as well as opaque objects around us, and the detection of transparent objects is also important. Transparent object detection will contribute to the perception of the environment of the robots that will soon take place in our lives and the sorting process of the objects in the recycling facilities. In this study, a system which is trained by the dataset that contains transparent and non-transparent glasses is used to detect transparency of these glasses. Recently introduced deep learning approach capsule networks are used to develop a proposed system. To compare the obtained results, LeNet, AlexNet, and ResNet are trained and tested with the same dataset. When the result of the study is evaluated, it was seen that CapsNet got better results on classification accuracy than other deep learning methods that are used in this study. According to the classification accuracy, other methods were lined up as AlexNet, ResNet, and LeNet. As a result of the study, it has been seen that capsule networks can be used in transparent object detection problems and reach higher accuracy rates than existing methods.
Benzer Tezler
- Classification of knee osteoarthritis severity using deep learning with fully supervised and semi-supervised-based approaches
Derin öğrenme ile tamamen denetimli ve yarı-denetimli yaklaşım tabanlı diz osteoartrit şiddetinin sınıflandırılması
İLKNUR AKTEMUR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Deep Q-Network based cryptocurrency investment strategies using transformer function approximator
Transformer fonksiyon yaklaşımcısını kullanarak derin Q-Ağı tabanlı kripto para yatırım stratejileri
TUNA ALAYGUT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÖzyeğin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRE SEFER
- Deep learning based segmentation pipeline for label-free phase-contrast microscopy images
Etiketsiz faz-kontrast mikroskopi görüntüleri için derin öğrenme tabanlı segmentasyon boru hattı
AYDIN AYANZADEH
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
DOÇ. DR. DEVRİM ÜNAY
- Application of deep learning methods in human activity recognition
İnsan aktivitesi tanımada derin öğrenme yöntemlerinin uygulanması
KEMAL BAYSARI
Yüksek Lisans
İngilizce
2022
Mühendislik BilimleriDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA BİRANT
- A new framework for decentralized social networks: Harnessing blockchain, deep learning, and natural language processing
Merkezsiz sosyal ağlar için yeni bir çerçeve: Blok zinciri, derin öğrenme ve doğal dil işlemeyi kullanmak
AMIR AL KADAH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ BALTA