Geri Dön

Improving the performance of YOLO-based detection algorithms for small object detection in UAV-taken images

Küçük nesne tanıma üzerine kullanılan YOLO tabanlı nesne tanıma algoritmalarının iyileştirilmesi

  1. Tez No: 776415
  2. Yazar: ÖYKÜ ŞAHİN
  3. Danışmanlar: PROF. DR. İBRAHİM KÖRPEOĞLU, DR. ÖĞR. ÜYESİ SEDAT ÖZER
  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: 2023
  8. Dil: İngilizce
  9. Üniversite: İhsan Doğramacı Bilkent Üniversitesi
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 120

Özet

Bilgisayarlı görünün önemli alanlarından biri olan nesne tanıma alanındaki son gelişmeler, kamera donanımlı İnsansız Hava Araçları (İHA) için ortaya çıkan yeni çözümler sağlar. İnsansız Hava Araçları'ndan alınan görüntüler üzerinde çalışan, nesne tanıma çözümlerinin başarımı, yerden alınan görüntüler için nesne tanıma çözümlerinin performansı ile karşılaştırıldığında daha sınırlıdır. Mevcut nesne tanıma çözümleri, İHA'ların doğasından kaynaklanan nedenlerle İHA veri kümelerinde daha düşük performans göstermektedir. Bu nedenler: (i) farklı nesne boyutlarına sahip büyük drone veri setlerinin olmaması, (ii) drone görüntülerinin hem ölçek hem de yönelim olarak daha büyük varyanslara sahip olması (iii) yer ve hava arasındaki şekil ve doku özelliklerindeki farklılık. Bu sebeplerden dolayı, tek kademeli nesne tanıma yöntemlerinin bir parçası olan YOLO tabanlı modeller, İHA tabanlı uygulamalarda daha düşük performans göstermektedir. Bu tezde, YOLO algoritması üzerine YOLODrone ve YOLODrone+, İHA görüntülerindeki nesneleri tanımak için geliştirilmiştir. Modellerin performansı VisDrone2019 ve SkyDataV1 veri kümelerinde test edilip; YOLOv3 ve YOLOv5 ile karşılaştırıldığında sonuçlarda iyileştirme gözlemlenmiştir.

Özet (Çeviri)

Recent advances in computer vision yield emerging novel applications for camera-equipped unmanned aerial vehicles such as object detection. The accuracy of the existing object detection solutions running on images acquired by Unmanned Aerial Vehicles (UAVs) is limited when compared to the performance of the object detection solutions designed for ground-taken images. Existing object detection solutions demonstrate lower performance on aerial datasets because of the reasons originating from the nature of the UAVs. These reasons can be summarized as: (i) the lack of large drone datasets with different types of objects, (ii) the larger variance in both scale and orientation of objects in drone images, and (iii) the difference in shape and texture of the features between the ground and the aerial images. Due to these reasons, YOLO-based models, a popular family of one-stage object detectors, perform insufficiently in UAV-based applications. In this thesis, two improved YOLO models: YOLODrone and YOLODrone+ are introduced for detecting objects in drone images. The performance of the models are tested on VisDrone2019 and SkyDataV1 datasets and improved results are reported when compared to the original YOLOv3 and YOLOv5 models.

Benzer Tezler

  1. 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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

    PROF. DR. SEZGİN KAÇAR

  2. Video üzerinde derin öğrenme ile nesne sansürlüme

    Sensor processing on video with deep learni̇ng

    YERNIYAZ BAKHYTOV

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. CEMİL ÖZ

  3. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  4. Real time target tracking system based on deep learning

    Derin öğrenme temelli gerçek zamanlı hedef takip sistemi

    MUAZ AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. REMZİ YILDIRIM

  5. Panoramik radyografilerde tüm gömülü dişlerin ve winter sınıflamasına göre üçüncü molar dişlerin derin öğrenme ile otomatik tespiti ve lokalizasyonu: klinik kullanım için arayüz tasarımı

    Automatic detection and localization of all impacted teeth and third molar teeth according to winter classification in panoramic radiographies with deep learning: i̇nterface design for clinical use

    TAHA ZİREK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2023

    Diş HekimliğiNecmettin Erbakan Üniversitesi

    Ağız, Diş ve Çene Radyolojisi Ana Bilim Dalı

    DOÇ. DR. MELEK TAŞSÖKER