Human activity recognition with video classification
İnsan faaliyetlerinin tanınması video sınıflandırması
- Tez No: 849550
- Danışmanlar: DR. ÖĞR. ÜYESİ AYÇA KURNAZ TÜRKBEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 84
Özet
İnsan Etkinliği Tanıma (HAR) alanı, doğru bir şekilde tanımlama zorluğuyla karşı karşıyadır. görsel verilerden geniş bir yelpazedeki insan aktivitelerini tanımlamak ve kategorilere ayırmak. Geleneksel Metodolojiler karmaşık ve değişken konularla karşı karşıya kaldıklarında sıklıkla zorluklarla karşılaşırlar. özellikle farklı çevresel bağlamları ele alırken insan hareketlerinin doğası ve çeşitli aktivite türleri. Temel zorluk bir sistemin geliştirilmesinde yatmaktadır sadece bu faaliyetlerle ilgili karmaşıklıkları doğru bir şekilde ele almakla kalmayıp ama aynı zamanda bunu çeşitli senaryolarda verimli ve güvenilir bir şekilde yapıyor. Bunlara yanıt olarak Zorluklara rağmen çalışmamız güçlü bir İnsan Aktivitesi Tanıma (HAR) sistemi sunmaktadır. gelişmiş derin öğrenme mimarilerinden, özellikle InceptionV3, DenseNet201'den yararlanır, ve Inception-ResNet-v2. Yaklaşımımız stratejik olarak bu şirketlerin güçlü yanlarından yararlandı Modellerin ince ayar ve optimizasyon teknikleriyle uyarlanması, insan aktivitesinin tanınmasının incelikleri. Ayrıca modeller bir eğitimden geçti. Kapsamlı veri seti, böylece çeşitli insan faaliyetlerinin kapsamlı bir şekilde kapsanmasını sağlar. Önerilen HAR sistemimizden elde edilen sonuçlar dikkat çekiciydi ve etkinliği gösteriyordu. seçilen mimarilerden Inception-ResNet-v2 %97,50 ile en yüksek doğruluğa ulaştı, onu %97,35 ile InceptionV3 ve %96,92 ile DenseNet201 takip ediyor. Bu sonuçlar değil yalnızca önerilen sistemin doğru sınıflandırma ve sınıflandırma yapma yeteneğinin altını çizer. İnsan faaliyetlerini tanımakla birlikte diğer faaliyetlerle karşılaştırıldığında üstünlüğünü de vurgulamaktadır. UCF50 veri kümesine uygulanan en son teknoloji yöntemler.
Özet (Çeviri)
The field of Human Activity Recognition (HAR) faces the challenge of accurately identifying and categorizing a wide range of human activities from visual data. Traditional methodologies often encounter difficulties when confronted with the intricate and variable nature of human movements, particularly when addressing diverse environmental contexts and various types of activities. The central challenge lies in the development of a system capable of not only accurately handling the complexities associated with these activities but also doing so efficiently and reliably across a range of scenarios. In response to these challenges, our study presents a robust Human Activity Recognition (HAR) system that leverages advanced deep learning architectures, specifically InceptionV3, DenseNet201, and Inception-ResNet-v2. Our approach strategically harnessed the strengths of these models through fine-tuning and optimization techniques, ensuring their adaptability to the subtleties of human activity recognition. Furthermore, the models underwent training on an extensive dataset, thus ensuring comprehensive coverage of diverse human activities. The results from our proposed HAR system were remarkable, demonstrating the effectiveness of the chosen architectures. Inception-ResNet-v2 achieved the highest accuracy at 97.50%, followed by InceptionV3 with 97.35%, and DenseNet201 with 96.92%. These results not only underscore the capability of the proposed system in accurately classifying and recognizing human activities but also highlight its superiority when compared to other state-of-the-art methods applied to the UCF50 dataset.
Benzer Tezler
- A study on human activity recognition with analysis of angles between skeletal joints
Başlık çevirisi yok
ÖMER FARUK İNCE
- Sağlık uygulamaları için görüntü / video işleme ile sahne sınıflandırması
Scene classification with image / video processing for healthcare applications
HASAN ALİ ERİŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ALİ AYDIN
DR. ÖĞR. ÜYESİ MEHMET ALİ ERTÜRK
- Human activity recognition using deep convolutional neural network
Derin öğrenme yöntemleri kullanılarak insan aktivitesi tanıma
ELİF KEVSER TOPUZ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim Ve Teknoloji ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YASİN KAYA
- Makine öğrenmesi kullanarak insan hareketlerinin sınıflandırılması: Akıllı telefon algılayıcıları örneği
Classification of human movements using machine learning: The example of smartphone sensors
DINA DURAID HAQI AL-MOMAYEZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. KAMİL ALAKUŞ
- Statistical feature learning and signal generation for time-series sensor signals
Zaman serisi sensör işaretleri için öznitelik öğrenimi ve işaret üretimi
ERKAN KARAKUŞ
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE