UNIFIED REAL TIME OBJECT DETECTION USING CONVOLUTIONAL NEURAL NETWORK
KONVOLÜSAL SİNİR AĞI KULLANILARAK BİRLEŞTİRİLMİŞ GERÇEK ZAMANLI NESNE ALGILAMA
- Tez No: 667359
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Görüntü işleme sisteminin en önemli kısımlarından biri nesne algılamadır. Nesne algılamanın temel amacı, nesne konumunu bulmaktır. Nesne algılama sisteminde nesnenin özelliklerini çıkarmak için geliştirilen iki teknik vardır: bilgiye dayalı ve öğrenmeye dayalı teknikler. Son çalışmaların elde edilen sonuçları, geleneksel YOLO ve R-CNN'nin gerçek zamanlı ve düşük hata oranlı nesne tespitleri için en uygun algoritmalar olduğunu göstermiştir. YOLO, gerçek zamanlı nesne tespiti için iyi bir doğruluk ile yüksek hızı nedeniyle bilgisayarla görme uygulamaları için önemli bir algoritma olarak kabul edilir. Bununla birlikte, YOLO'nun yerelleştirme hataları ve zayıf küçük nesne algılama performansı ve nesne yönelimindeki varyasyonlar gibi çeşitli sınırlamaları vardır. Bu tezde, geleneksel YOLO'nun dezavantajlarını ve sınırlamalarını ele almak ve aşmak için iki algoritma önerilmiş, tasarlanmış ve değerlendirilmiştir. Önerilen ilk algoritma, petrol tanker kamyonlarını verimli bir şekilde tespit etmek için omurga ağını, çapa kutusu tahmin yöntemini ve kayıp işlevini değiştirerek YOLO-V2'nin performansını artırır. Önerilen ikinci algoritma, çok sayıda YOLO-V3 parametresi sorununu çözmek için bir CNN tasarlayarak ve oluşturarak, CNN'lerin ara katman bağlantısını geliştirmek ve yoğun sinir ağı arasındaki bağlantıyı daha da güçlendirmek için yoğun şekilde bağlı modüller kullanarak YOLO-V3'ün performansını artırır. bloklar ve son olarak, dronlar gibi küçük nesneleri tespit etme doğruluğunu artırmak için üç ölçeği dört ölçekli algılamayı genişleterek YOLO-V3 çoklu ölçek algılamasını iyileştirir. Yapılan değerlendirme testleri sonucunda elde edilen sonuçlardan, ilk tasarlanan algoritmanın (OYOLOv2_FTD) ana haritasının algılama performansını% 93.0'a yükselttiği sonucuna varılabilir. Geliştirilen algoritma (OYOLOv2_FTD), petrol tankeri kamyonlarının tespitinde orijinaline (YOLOV2) göre% 4 üstündür. Önerilen algoritma, petrol tanker kamyonlarının gerçek zamanlı tespiti ve takibi için daha uygundur. Ayrıca, tasarlanan ikinci algoritmanın değerlendirme sonuçları, drone tespitine iyi bir sağlamlık sağlar. Doğruluk ve ortalama hassasiyetin yanı sıra sırasıyla% 95,60 ve% 96'ya ulaştı. Bu, görüntünün tespitinde drone nesneleri için YOLO-V3'ün fizibilitesini ve verimliliğini artırır.
Özet (Çeviri)
One of the most important parts of image processing system is object detection. The main objective of object detection is to find object location. There are two techniques developed to extract features of the object in object detection system: knowledge-based and learning based techniques. The obtained results of recent works showed that the traditional YOLO and R-CNN are the most suitable algorithms for real-time and low-error rate object detections. YOLO is considered as a significant algorithm for computer vision applications due to its high speed with a good accuracy for real time object detection. However, YOLO has several limitations such as localization errors and poor small object detection performance and in variations in object orientation. In this thesis, two algorithms are proposed, designed, and evaluated to address and overcome the drawbacks and limitations of the traditional YOLO. The first proposed algorithm enhances the performance of YOLO-V2 by modifying the backbone network, anchor box prediction method, and loss function to efficiently detect oil tanker trucks. The second proposed algorithm enhances the performance of YOLO-V3 by designing and building a CNN to solve the problem of large number of YOLO-V3 parameters, using densely connected modules to enhance the interlayer connection of CNNs and further strengthen the connection between dense neural network blocks, and finally improving the YOLO-V3 multiple-scale detection by expanding the three-scale to four-scale detection to increase the accuracy of detecting small objects like drones. It can be concluded from the obtained results of the evaluation tests that the main mAP of the first designed algorithm (OYOLOv2_FTD) improves the detection performance to reach 93.0%. The developed algorithm (OYOLOv2_FTD) is superior over the original (YOLOV2) by 4% in detecting oil tanker trucks. The proposed algorithm is more suitable for real-time detecting and tracking oil tanker trucks. Moreover, evaluation results of the second designed algorithm provide good robustness to drone detection. As well as the accuracy and average precision reached 95.60 and 96%, respectively. This improves the feasibility and efficiency of YOLO-V3 for drone objects in the image's detection.
Benzer Tezler
- Acil yardım çağrısı jestlerinin bilgisayarla görü ve derin öğrenme yöntemleriyle gerçek zamanlı tespiti
Real-time detection of emergency call gestures using computer vision and deep learning methods
FERHAT ERDOĞAN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED KOTAN
- Savunma sistemlerinde tehdit unsurlarının yeni bir yapay zekâ yöntemiyle sınıflandırılması ve tespit edilmesi
Classification and detection of threat elements in defense systems using a novel artificial intelligence method
AHMET AYDIN
Doktora
Türkçe
2025
Savunma ve Savunma TeknolojileriMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERDİNÇ AVAROĞLU
- Nanomekanikte yerel olmayan elastisite teorisi ve çok-ölçekli modellemeye uygulanması
Nonlocal theory of elasticity in nanomechanics and application to multiscale models
MERAL TUNA EROĞLU
Doktora
Türkçe
2019
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MESUT KIRCA
- Automated plastic waste detection and visualization in coastal areas using UAVs and deep learning
İnsansız hava araçları ve derin öğrenme kullanılarak kıyı bölgelerinde otomatik plastik atık tespiti ve görselleştirilmesi
HESAM HATAMZADEH KHANGHAHI
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ŞULE ITIR SATOĞLU
- Unified approaches to efficient and robust image retrieval through fusion restoration, and compression
Füzyon, sıkıştırma ve restorasyon yoluyla verimli ve dayanıklı görsel getirim için birleşik yaklaşımlar
ENİS TEPER
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF HÜSEYİN ŞAHİN