Geri Dön

An end-to-end convolutional neural network framework for low-resolution attribute recognition

Düşük çözünürlüklü özellik tanıma için uçtan uca evrişimli sinir ağı çerçevesi

  1. Tez No: 798350
  2. Yazar: RAMIN ABBASZADI
  3. Danışmanlar: DOÇ. DR. NAZLI İKİZLER CİNBİŞ
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 94

Özet

Video izlemede cinsiyet, sırt çantası, kıyafet türü gibi kişisel görsel özellikler, kişi arama ve / veya yeniden kimlik tespiti için çok önemlidir. Bu öznitelikleri yüksek doğruluk oranıyla tespit etmek ve geri almak için, yüksek kaliteli videoların mevcudiyeti genel olarak bir gerekliliktir. Görüntüdeki detaylar görüntü çözünürlüğüyle tanımlanır, çözünürlük arttıkça detaylar da artar yani doğru orantılılardır. Ancak, gerçek dünyadaki video gözetim sistemlerinde, videolar genellikle uzak mesafelerden yakalanır ve bu da kişilerin bulunduğu bölgelerin düşük çözünürlüklü olmasına neden olur. Bu sorunu çözmek için kullanılan teknik, gözlemlenen bir veya birkaç düşük çözünürlüklü görüntüden yüksek çözünürlüklü görüntüler oluşturan Süper-Çözünürlüktür. Bu tezde, bu soruna bakıyoruz ve daha etkili Çok-Özellikli algılama için Süper-Çözünürlük ağını ve Çok-Özellikli algılama ağını bir araya getiren uçtan uca Evrişimli Sinir Ağları kullanmayı öneriyoruz. Çerçevemiz, iki ana kısmın, Süper-Çözünürlük ve öznitelik öğrenme kısımlarının ortak eğitiminden oluşur.Önerilen yöntemin ilk bölümünde farklı Süper Çözünürlük algoritmaları kullanıyoruz. Bu amaçla, bazı iyi bilinen ve kaliteli Süper Çözünürlük algoritmaları test edilmiş ve son olarak EDSR ve DBPN adlı iki yöntem seçilmiştir. Bu tez, önerilen metodu önemli özniteliklerle etiketlenmiş ver her görüntü etiketini tahmin edebilmeyi sağlayan Market-1051 ve DukeMTMC-reID veri setleriyle değerlendiriyor. Bu iki kıyaslamalı veri setlerindeki deneysel sonuçlara göre veri setleri, düşük çözünürlüklü Çok-özellikli öğrenme metodu için önerilen yaklaşımın etkililiğini açıklıyor. Ayrıca, kişi öznitelik tanımada üstün sonuçlara ulaşılmasını sağlayan daha yüksek seviyeli iki ağ tipinin (Süper-Çözünürlüklü ya da Süper-Çözünürlüksüz) lineer kombinasyon taslaklarını da bu tezde inceleyip sunuyoruz.

Özet (Çeviri)

In video surveillance, visual person attributes such as gender, backpack, and type of clothing are crucial for searching and re-identification. For detecting and retrieving these attributes with high accuracy, the availability of high-quality videos is a necessity in general. The details in an image are described by image resolution; the higher the resolution, the more image details. However, in real-world video surveillance systems, videos are usually captured from a far distance, resulting in low-resolution person regions. The technique used for solving this obstacle is super-resolution, which constructs high-resolution images from several observed Low-Resolution images or one single Low-Resolution image. This thesis examines this problem and proposes an end-to-end Convolutional Neural Network that combines a Super Resolution network and Multi-Attribute detection network for more effective Multi-Attribute detection. Our framework consists of joint training of two main parts, the Super-Resolution and attributes learning. We use different Super-Resolution algorithms in the first part of the proposed method. For this purpose, some well-known and high-quality Super-Resolution algorithms were tested, and finally, two methods entitled EDSR and DBPN were selected. We evaluate the proposed method on two benchmark datasets, Market-1051 and DukeMTMC-reID, labeled with some important labels (attributes) and predict every image label. Experimental results on these two benchmark datasets demonstrate the effectiveness of the proposed approach for the Low-Resolution multiple attribute learning task. Furthermore, we also propose a higher-level linear combination scheme of the two network types (with and without super-resolution), yielding superior results in person attribute recognition.

Benzer Tezler

  1. Directional regularization based variational models for image recovery

    Görüntü onarımı için yön güdümlü düzenlemeye dayalı varyasyonel modeller

    EZGİ DEMİRCAN TÜREYEN

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  2. Fine-grained object recognition in remote sensing imagery

    Uzaktan algılanmış görüntülerde ince taneli nesne tanıma

    GENCER SÜMBÜL

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM AKSOY

    DR. ÖĞR. ÜYESİ RAMAZAN GÖKBERK CİNBİŞ

  3. Derin öğrenme modellerinin hücre veri seti üzerinde eğitilerek kıyaslanması ve mobil ortama uyarlanması

    Comparision and mobile application of deep learning models trained on blood cell dataset

    MEHMET YAVUZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ZAHİD YILDIZ

  4. Score level multi cue fusion for sign language recognition

    İşaret dili tanıma için sonuç seviyesinde çoklu ipucu kaynaşımı

    ÇAĞRI GÖKÇE

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. LALE AKARUN ERSOY

  5. Deep metric learning applied to crop classification from multi-spectral multi-temporal remote sensing data

    Derin metrik öğrenmenin çoklu-zamanlı ve çoklu-bantlı uzaktan algılanmış verilerden tarım ürünü sınıflandırmaya uygulanması

    MERVE BOZO

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ZEHRA ÇATALTEPE