Deep learning-based vehicle classification under low-quality imagining conditions
Düşük kaliteli görüntüleme koşullarında derin öğrenmeye dayalı araç sınıflandırması
- Tez No: 761671
- Danışmanlar: DR. ÖĞR. ÜYESİ YASER DALVEREN, PROF. ALİ KARA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Akıllı ulaşım sistemleri, Araç sınıflandırma, Derin öğrenme, Düşük çözünürlük, Evrişimli sinir ağları, Çözünürlük, Intelligent transportation systems, Vehicle classification, Deep learning, Low resolution, Convolutional neural networks, Solubility
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde trafik sıkışıklığının, kazaların ve güvenlik sorunlarının önlenmesi için akıllı ulaşım sistemlerinin (ITS) ve trafik gözetleme sistemlerinin kullanılması çok önemli bir yere sahiptir. Bu tür sistemlerde karayolu taşıtlarının sınıflandırılması önemli kilit zorluklardan biridir. Bu nedenle literatürde araç sınıflandırmasını kolaylaştırmak için şimdiye kadar birçok yöntem önerilmiştir. Çoğunlukla bu yöntemler, yüksek kaliteli kameralardan toplanan yüksek çözünürlüklü görüntüleri kullanır. Ancak, düşük çözünürlüklü görüntüler kullanıldığında araç sınıflandırması kolay bir iş değildir. Buna ek olarak, farklı hava koşulları (yağmurlu, karlı ve puslu) gibi çeşitli çevresel faktörler araç sınıflandırma performansını etkiler. Bu tez, farklı hava koşullarında bir trafik sahnesinden uzağa yerleştirilmiş standart bir güvenlik kamerası tarafından toplanan düşük çözünürlüklü gözetim görüntülerinde araç sınıflandırması için basit bir evrişimsel sinir ağı (CNN) tabanlı bir yöntem önermektedir. Performansını değerlendirmek için önerilen model, çeşitli olup olmadığı koşullarında toplanan küçük ve düşük çözünürlüklü araç görüntülerini (100 × 100 piksel ve 96 dpi) içeren bir veri seti üzerinde test edilmiştir. Bu tezde önerilen model aynı zamanda iyi bilinen VGG19 tabanlı CNN modelleri ile doğruluk ve kayıp açısından karşılaştırılmıştır. Önerilen modelin doğruluk ve kayıp değerleri karşılaştırıldığında iyi bilinen modellerle benzerlik gösterse de karmaşıklık ve enerji kaybı göz önüne alındığında daha iyi performans göstermektedir.
Özet (Çeviri)
Today, the use of intelligent transportation systems (ITS) and traffic surveillance systems for the prevention of traffic jams, accidents, and security problems has a very important role. In such systems, the classification of road vehicles is one of the important key challenges. For this reason, in the literature, a plenty of methods have been proposed so far to ease vehicle classification. Mostly, these methods use high resolution images collected from high quality cameras. However, vehicle classification is not an easy task when low resolution images are used. In addition to this, several environmental factors affect vehicle classification performance, such as different weather conditions (rainy, snowy, and hazy). This thesis proposes a simple convolutional neural network(CNN)-based method for vehicle classification in low resolution surveillance images collected by a standard security camera installed distant from a traffic scene under different weather conditions. In order to assess its performance, the proposed model is tested on a dataset containing tiny and low resolution vehicle images (100 × 100 pixels and 96 dpi) collected in various whether conditions. The model proposed in this thesis is also compared with well-known VGG19-based CNN models in terms of accuracy and loss. Although, the accuracy and loss values of the proposed model are similar to well-known models, it performs better considering the complexity and energy loss.
Benzer Tezler
- A modular multı-stage method for vehıcle detectıon and classıfıcatıon ın low resolutıon ımages
Düşük çözünürlüklü görüntülerde araç tespi̇ti̇ ve siniflandirmasi i̇çi̇n birden fazla aşamali modüler bi̇r yöntem
BAMOYE MAIGA
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASER DALVEREN
- Yüksek çözünürlüklü görüntülerde derin öğrenme tabanlı nesne tespiti için yeni bir önişleme yöntemi geliştirilmesi
Development of a new preprocessing method for deep learning based object detection in high resolution images
MUHAMMED TELÇEKEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
PROF. DR. SEZGİN KAÇAR
- Kanal tabanlı özellik temsili ve derin öğrenmeye dayalı uykululuk sınıflandırması
Drowsiness classification based on channel-based feature representation and deep learning
MUSTAFA RIFAT ÇELİK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ZÜMRAY ÖLMEZ
- Derin öğrenme modellerinin transfer öğrenme ile farklı veri setleri üzerindeki performanslarının karşılaştırılması
Comparative performance analysis of deep learning models on different datasets using transfer learning
GÜLAHMET YILDIZ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURCU ÇARKLI YAVUZ
- Bir insansız hava aracı için takipçi uçuş kontrolcüsünün uzun kısa süreli bellek tabanlı olarak geliştirilmesi
Development of follower flight controller for an unmanned aerial vehicle based on long short-term memory
GÖKHAN KULA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH GÖKÇE