Human activity classification with deep learning using FMCW radar
FMCW radar datası kullanılarak derin öğrenme ile insan etkinliği sınıflandırılması
- Tez No: 755492
- Danışmanlar: PROF. DR. ÖMER MORGÜL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Doppler, Doppler radarı, Siyam ağı, Sınıflandırma, Deep learning, Doppler, Doppler radar, Siamese network, Classification
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnsan Aktivitesi Tanıma (HAR) son zamanlarda akademik araştırmaların ilgisini çekmiştir ve sağlık sistemleri, gözetime dayalı güvenlik, spor aktiviteleri ve eğlence gibi amaçlar için kullanılmaktadır. Derin Öğrenme, Bilgisayarla Görme ve Doğal Dil İşleme gibi konularda üstün performans gösterdiği için İnsan Aktivitesi Tanıma'da da sıklıkla kullanılmaktadır. FMCW radar verileri, yağmurlu ve sisli koşullar gibi zorlu durumlarda kameralardan daha iyi çalıştığı için İnsan Aktivitesi Tanıma için iyi bir seçimdir. Ancak bu alandaki çalışmalar kamera tabanlı alandaki kadar dinamik bir şekilde ilerlememektedir. Bu, kamera tabanlı modeller kadar iyi performans göstermeyen radar tabanlı modellere bağlanabilir. Bu tez, FMCW radar verilerini kullanarak HAR performansını iyileştirmek için dört yeni model önermektedir. Bu modeller CNN tabanlı, LSTM tabanlı, LSTM ve GRU tabanlı ve Siyam tabanlıdır. Özellik çıkarımı için CNN tabanlı model CNN bloklarını kullanır, LSTM tabanlı model LSTM bloklarını kullanır ve LSTM ve GRU tabanlı model paralel olarak LSTM ve GRU bloklarını kullanır. Ayrıca, Siyam tabanlı model, üç farklı radardan paralel olarak beslenir (çoklu giriş). Siyam Ağının doğası gereği paralel yollar aynı ağırlığa sahip olacaktır. Öte yandan, özellik çıkarımından sonra, tüm modeller insan hareketini sınıflandırmak için yoğun katmanlar kullanır. Bildiğimiz kadarıyla, Siyam tabanlı model, insan hareketinin sınıflandırılması için çok girdili verilerde ilk kez kullanılıyor. Bu model, sınıflandırma doğruluğu açısından farklı frekanslarda çalışan radarların çeşitli özelliklerini kullanarak en son modellerden daha iyi performans göstermektedir.
Özet (Çeviri)
Human Activity Recognition (HAR) has recently attracted academic research attention and is used for purposes such as healthcare systems, surveillance-based security, sports activities, and entertainment. Deep Learning is also frequently used in Human Activity Recognition, as it shows superior performance in subjects such as Computer Vision and Natural Language Processing. FMCW radar data is a good choice for Human Activity Recognition as it works better than cameras under challenging situations such as rainy and foggy conditions. However, the work in this field does not progress as dynamically as in the camera-based area. This can be attributed to radar-based models that do not perform as well as camera-based models. This thesis proposes four new models to improve HAR performance using FMCW radar data. These models are CNN-based, LSTM-based, LSTM- and GRU-based, and Siamese-based. For feature extraction, the CNN-based model uses CNN blocks, the LSTM-based model uses LSTM blocks, and the LSTM- and GRU-based model uses LSTM and GRU blocks in parallel. Furthermore, the Siamese-based model is fed in parallel from three different radars (multi-input). Due to the Siamese Network nature, parallel paths will have the same weight. On the other hand, after feature extraction, all models use dense layers to classify human motion. To our best knowledge, the Siamese-based model is used for the first time in multi-input data for the classification of human movement. This model outperforms the state-of-the-art models by using various features of radars operating at different frequencies in terms of classification accuracy.
Benzer Tezler
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Human activity recognition using deep convolutional neural network
Derin öğrenme yöntemleri kullanılarak insan aktivitesi tanıma
ELİF KEVSER TOPUZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim ve Teknoloji ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASİN KAYA
- Akıllı saat sensör verileriyle namaz kılma durumunun derin öğrenme yöntemleri kullanılarak tespit edilmesi
Detecting prayer status with smart watch sensor data using deep learning methods
YASİN VURGUN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA SERVET KIRAN
- Derin öğrenme ile insan edimlerinin tanınması
Human action recognition using deep learning
TAYYİP ÖZCAN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALPER BAŞTÜRK
- Alt ekstremite biyomekanik sinyal analiziyle derin öğrenme tabanlı insan yürüyüşü tanıma
Human gait recognition based on deep learning using lower limb biomechanical signal analysis
HACER KUDUZ
Doktora
Türkçe
2023
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT KAÇAR