Derin öğrenme tabanlı ve gerçek zamanlı bakış takibi
Deep learning based and real-time gaze tracking
- Tez No: 828653
- Danışmanlar: PROF. DR. DAVUT HANBAY
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İnönü Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KARAKÖSE
- 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
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Deep learning-based behavior analysis of seafarers
Derin öğrenme tabanlı gemi adamlarının davranış analizi
VEYSEL GÖKÇEK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ KOÇAK
DR. ÖĞR. ÜYESİ YAKUP GENÇ
- Derin öğrenme kullanılarak perakende ürün tespiti
Başlık çevirisi yok
İSMAİL KÖSE
Yüksek Lisans
Türkçe
2022
Bilim ve TeknolojiSivas Cumhuriyet ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. OĞUZ KAYNAR
- 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
2023
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ÇİL