Geri Dön

Derin öğrenme algoritmaları kullanılarak göz bebeği tespiti

Pupil detection using deep learning algorithms

  1. Tez No: 758122
  2. Yazar: HATİCE KÜBRA KÜÇÜKKARTAL
  3. Danışmanlar: PROF. DR. CÜNEYT AKINLAR
  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: 2022
  8. Dil: Türkçe
  9. Üniversite: Eskişehir Osmangazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Donanım Bilim Dalı
  13. Sayfa Sayısı: 57

Özet

Göz bebeğinin tespiti ve takibi, insan-bilgisayar etkileşimi, güvenli sürüş, pazarlama araştırması ve beyin hastalıklarının teşhisi gibi birçok uygulama için önemli bir rol oynamaktadır. Yıllar boyunca göz izlemenin performansı ve sağlamlığını geliştirmek için birçok algoritma önerilmiştir. Ancak göz bebeği sınırını tam olarak tespit etmek zordur; bu yüzden tespit hassasiyeti bakımından mükemmel bir algoritmanın olmaması hala bir sorun olmaktadır. Geleneksel algoritmalardan farklı bir bakış açısı olan derin sinir ağlarıyla, bakış tahmini alanında önemli gelişmeler olmuştur. Bilgisayarla görme problemlerinde kullanılan en önemli derin öğrenme algoritmalarından olan Evrişimsel Sinir Ağları (ESA), göz bebeği tespitinde de kullanılmaktadır. ESA tabanlı anlamsal segmentasyon, geleneksel segmentasyon algoritmalarından daha iyi performans gösterdiğinden son yıllarda artan bir ilgi görmüştür. Bu tez çalışmasında, göz bebeği segmentasyonu için bir ESA'nın eğitiminde piksel bazında bir kayıp fonksiyonuna, örneğin İkili Çapraz Entropi'ye eklenebilecek bir önsel-şekil (shape prior) düzenlileştirme (Regularization) terimi olarak Elips Uydurma Hatasının (Ellipse Fit Error) kullanılması önerilmiştir. Hem hafif bir U-Net mimarisi hem de DenseNet mimarisi eğitilerek önerilen yöntemin performansı değerlendirilmiştir ve göz bebeği merkezi tahmini için yaygın olarak kullanılan ve toplam yaklaşık 230.000 gerçek dünya görüntü verisi içeren ExCuSe, ElSe ve Labeled Pupils in the Wild (LPW) veri kümeleri kullanılmıştır. Gerçekleştirilen deneysel sonuçlara göre önerilen yöntem bahsedilen bu veri kümeleri için en iyi göz bebeği tespit sonucunu vermiştir. Ek olarak bu çalışmada, LPW veri kümesi için GT segmentasyon haritaları oluşturulmuştur.

Özet (Çeviri)

Pupil detection and tracking plays an important role in many applications such as human-computer interaction, safe driving, marketing research and diagnosis of brain diseases. Many algorithms have been proposed over the years to improve the performance and robustness of eye tracking. However, it is difficult to precisely detect the pupil boundary, so the lack of a perfect algorithm in terms of detection sensitivity is still a problem. There have been significant developments in the field of gaze estimation with deep neural networks compared to the traditional algorithms. Convolutional Neural Networks (CNN), one of the most important deep learning algorithms used in computer vision problems, is also used in pupil detection. CNN-based semantic segmentation has been a critical step in eye tracking and gaze prediction studies as they greatly outperform the traditional segmentation algorithms. In this thesis, it is proposed to use Ellipse Fit Error as a shape prior regularization term that can be added to a pixel-based loss function, e.g., binary cross entropy, to train a CNN for pupil segmentation. The performance of the proposed method was evaluated by training both a lightweight U-Net architecture and a DenseNet architecture. Three widely used real-world datasets for pupil center estimation, i.e., ExCuSe, ElSe, and Labeled Pupils in the Wild (LPW), containing a total of ∼230.000 images were used for performance evaluation. According to the experimental results, the proposed method gave the best pupil detection results for all datasets. Additionally, in this study, GT segmentation maps were created for the LPW dataset.

Benzer Tezler

  1. Emotion recognition process analysis by using eye tracker, sensor and application log data

    Göz izleme cihazı, sensör ve uygulama verileri ile insanlarda duygu tanıma analizi

    MAHİYE ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  2. Sensor-based activity recognition and authentication using deep learning

    Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma

    NİLAY TÜFEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE

  3. Emotion aware artificial intelligence for cognitive systems

    Bilişsel sistemler için duygu farkındalıklı yapay zeka

    DEĞER AYATA

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF YASLAN

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  4. Takviyeli derin öğrenme yöntemi kullanılarak prematüre retinopatisinin erken teşhisi

    Early diagnosis of retinopathy of prematurity using reinforcement deep learning method

    EMİNE CIRIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ZEHRA AYSUN ALTIKARDEŞ

    DOÇ. DR. AYŞE İPEK AKYÜZ ÜNSAL

  5. Derin öğrenme ve makine öğrenme tekniklerikullanılarak göz hastalıklarının tespiti

    Detection of eye disease with deep learning and machinelearning approach

    GÖZDE ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Göz HastalıklarıBaşkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÇAĞATAY BERKE ERDAŞ