Geri Dön

Derin öğrenme tabanlı ve gerçek zamanlı bakış takibi

Deep learning based and real-time gaze tracking

  1. Tez No: 828653
  2. Yazar: KENAN DONUK
  3. Danışmanlar: PROF. DR. DAVUT HANBAY
  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: 2023
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 95

Özet

Bu tez çalışması yüksek bütçeli bakış takip cihazlarına alternatif derin öğrenme tabanlı ve düşük maliyetli sistemlerin geliştirilebileceğini, bakış takibi için önemli girdiler olan hem göz hem de gözbebeği merkezinin konumlarını hassas bir şekilde tespit etmek için Evrişimsel Sinir Ağı tabanlı teknikler kullanılarak yüksek düzeyde doğruluk elde edilebileceğini gösteren yöntemler sunmaktadır. Ayrıca çalışmada, çocuklarda dikkat eksikliği teşhisinde bakış takip teknolojisi yoluyla yakalanan zengin verilerden bireylerin dikkat kalıplarına ilişkin değerli iç görüler elde edilebileceğini gösteren klinisyenlere yardımcı bir karar destek sistemi geliştirilmiştir. Çalışmada önerilen ilk yöntem olan göz tespiti, bakış takip teknolojisinin çalışma prensibinde ilk aşamadır. Bakış takibinin doğru bir şekilde yapılması sağlam bir göz tespitine dayanır. Bunun için Evrişimsel Sinir Ağlarına dayanan bir göz algılama yöntemi önerilmiştir. İkinci yöntem, görme olayında aktif rol oynayan göz bebeği merkezinin yüksek doğrulukta tespitine dayanmaktadır. Göz bebeği merkezinin sağlam bir şekilde tespit edilebilmesi bakış takip doğruluğunu önemli ölçüde etkilemektedir. Bu nedenle göz bebeği merkezi tespitinde Evrişimsel Sinir Ağlarına dayalı bir Mini U-Net yapısı önerilmiştir. Üçüncü ve dördüncü yöntem sırasıyla bakış takibinin görüntü işlemeye ve Evrişimsel Sinir Ağlarına dayalı, düşük maliyetli uygulamalarıdır. Tezin son yönteminde günümüz bakış takip teknolojisi ile makine öğrenmesi birleştirilerek bireylerde dikkat eksikliği tanısının konulmasında klinisyenlere yardımcı bir karar destek sistemi önerilmiştir. Bu tez çalışması ayrıntılı ve tanımlayıcı metodolojiler sağlayarak, bakış takibini çeşitli alanlarda daha erişilebilir ve anlamlı hale getirmeyi amaçlamaktadır.

Özet (Çeviri)

This thesis work shows that alternative Deep Learning-based and low-cost systems can be developed for high-priced gaze-tracking devices and that high accuracy can be achieved by using Convolutional Neural Network-based techniques to accurately capture the positions of the eye and pupil center, which are important inputs for eye-tracking. provides. In addition, the study developed a decision support system for clinicians, demonstrating that valuable insights into individual attention patterns can be gained from the rich data captured by gaze-tracking technology in diagnosing attention deficits in children. Eye detection, the first method proposed in the study, is the first step in the working principle of gaze-tracking technology. Accurate gaze tracking depends on solid eye recognition. For this purpose, an eye detection method based on convolutional neural networks is proposed. The second method is based on high-precision detection of the pupil center, which plays an active role in vision. The ability to reliably detect the pupil center has a significant impact on the accuracy of gaze tracking. Therefore, a Mini-UNet network structure based on convolutional neural networks has been proposed for pupil center detection. The third and fourth methods are low-cost applications of gaze tracking based on image processing and convolutional neural networks, respectively. In the last method of the work, a decision support system is proposed to help clinicians diagnose attention deficits in individuals by combining current eye-tracking technology and machine learning. This thesis work aims to make gaze-tracking more accessible and useful in various domains by providing detailed and descriptive methods.

Benzer Tezler

  1. Derin öğrenme kullanan dinamik bulanık bilişsel haritalar ile gerçek zamanlı nesne takibi

    Real time object tracking with dynamic fuzzy cognitive maps using deep learning

    TURAN GÖKTUĞ ALTUNDOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET KARAKÖSE

  2. Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques

    Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması

    RAGHAD MOHAMMED KHORSHEED

    Doktora

    İngilizce

    İngilizce

    2021

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  3. Deep learning-based behavior analysis of seafarers

    Derin öğrenme tabanlı gemi adamlarının davranış analizi

    VEYSEL GÖKÇEK

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GAZİ KOÇAK

    DR. ÖĞR. ÜYESİ YAKUP GENÇ

  4. Derin öğrenme kullanılarak perakende ürün tespiti

    Başlık çevirisi yok

    İSMAİL KÖSE

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilim ve TeknolojiSivas Cumhuriyet Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. OĞUZ KAYNAR

  5. İç mekanlarda zemin yol modeli üzerinde derin öğrenme ile otonom araçların rota takibi

    Route tracking of autonomous vehicles with deep learning on the floor path model in indoor areas

    MUSTAFA ERGİNLİ

    Doktora

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM ÇİL