Geri Dön

Domain adaptation for crowd counting

Kalabalık sayımı için etki alanı uyarlaması

  1. Tez No: 826670
  2. Yazar: CENGİZHAN HALDIZ
  3. Danışmanlar: PROF. DR. HASARİ ÇELEBİ, DOÇ. DR. ERCHAN APTOULA
  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: Gebze Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 68

Özet

Belirli bir alandaki veya sahnedeki insan sayısını tahmin etme görevi olan kalabalık sayımı, trafik yönetimi, kamu güvenliği ve etkinlik planlaması gibi çok sayıda pratik uygulamaya sahiptir. Geleneksel kalabalık sayma yöntemleri, zaman alıcı ve hatalara açık olan manuel ek açıklamalara dayanır. Kalabalık sayımı üzerine yapılan son çalışmalar, evrişimsel sinir ağı (CNN) mimarilerini kullanarak umut verici sonuçlar elde etmiştir. Ancak, gerçek dünyadaki kalabalık veri kümelerinde kamera bakış açıları, çözünürlükler ve kalabalık yoğunlukları gibi gerçek dünyadaki kalabalık veri kümelerinin farklı sahnelerindeki büyük varyasyonlar nedeniyle, standart CNN yöntemlerini kullanarak yüksek performans elde etmek zor olmaya devam etmektedir. Bu tür yöntemlerin en büyük sorunu genellikle performans düşüşleridir. Bu sorun alan uyarlaması olarak bilinir ve derin öğrenme ile kalabalık sayma alanında önemli ve aktif bir araştırma alanıdır. Bu zorluğun üstesinden gelmek için bu çalışma, üç yöntemi birleştiren yeni bir kalabalık sayma yaklaşımı önermektedir: Kalabalık sayma ağına rehberlik eden ve farklı veri kümelerinde normalleştirme parametrelerini üreten bir kılavuz ağı, kalabalık sayımında başarılı sonuçlar veren Ölçek Uyarlamalı Seçim Ağı ve yitim fonksiyonu olarak kullanıldığında Gauss Düzeltme tabanlı birçok yöntemden daha başarılı olduğu kanıtlanmış“Dağıtım Eşleştirme”yöntemi. Bu yaklaşım, eğitilen modelin farklı veri kümelerinde iyi performans göstermesini sağlamayı amaçlamaktadır. Birden fazla veri kümesi üzerinde kapsamlı deneyler yapılmış ve önerilen yaklaşımın son teknoloji yöntemlerle performans karşılaştırması sunulmuştur. Ayrıca, literatürdeki GAN tabanlı son teknoloji görüntüden görüntüye çeviri yöntemlerinin kalabalık sayımında alan uyarlaması için kullanımına ilişkin deneysel çalışmalar ve karşılaştırmalı sonuçlar sunulmuştur.

Özet (Çeviri)

Crowd counting, the task of estimating the number of people in a specific area or scene, has numerous practical applications such as traffic management, public safety, and event planning. Traditional crowd-counting methods rely on manual annotations, which are time-consuming and prone to errors. Recent studies on crowd counting have achieved promising results using Convolutional Neural Network (CNN) architectures. However, due to significant variations in real-world crowd datasets, such as camera angles, resolutions, and crowd densities across different scenes, achieving high performance using standard CNN methods remains challenging. A common issue with such methods is often performance degradation. This problem is known as domain adaptation, and it is an important and active research area in the field of crowd counting with deep learning. To address this challenge, this study proposes a new crowd-counting approach that combines three methods: a guiding network that guides the crowd-counting network and produces normalization parameters across different datasets, the Scale-Adaptive Selection Network which has shown successful results in crowd counting, and the“Distribution Matching”method, which has been proven to be more effective than many Gauss Correction-based methods when used as a loss function. This approach aims to ensure that the trained model performs well across different datasets. Comprehensive experiments on multiple datasets have been conducted, and a performance comparison of the proposed approach against state-of-the-art methods is presented. In addition, experimental studies and comparative results on the use of GAN-based state-of-the-art image-to-image translation methods in the literature for domain adaptation in crowd counting are presented.

Benzer Tezler

  1. Domain adaptation for speech-driven affective facial features synthesis

    Başlık çevirisi yok

    RIZWAN SADIQ

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    Prof. Dr. ENGİN ERZİN

  2. Deep Domain adaptation for the semantic segmentation of remote sensing images

    Uzaktan algılama görüntülerinin sezgisel bölümlemesi için derin alan uyarlaması

    SARMAD FAKHRULDDIN ISMAEL ISMAEL

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiGebze Teknik Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. KORAY KAYABOL

    DOÇ. DR. ERCHAN APTOULA

  3. İngilizce'den Türkçe'ye istatistiksel bilgisayarlı çeviri sistemlerinde alan uyarlaması ile başarının artırılması

    Evaluation of domain adaptation approaches on English-to-Turkish statistical machine translation systems

    EZGİ YILDIRIM

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AHMET CÜNEYD TANTUĞ

  4. On improving cross-domain performance of semantic segmentation in the case of limited data

    Sınırlı veri durumunda anlamsal bölütlemenin alanlar arasıperformansının iyileştirilmesi

    ALİ SOLAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiEskişehir Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CİHAN TOPAL

  5. Domain adaptation on graphs by learning aligned graph bases

    Hizalanmış graf tabanları öğrenerek graflar üzerinde alan uyarlama

    MEHMET PİLANCI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF VURAL