Geri Dön

Human activity recognition with video classification

İnsan faaliyetlerinin tanınması video sınıflandırması

  1. Tez No: 849550
  2. Yazar: HAYAT HUSSEN OBAID ALBOM.ALBAIBHAWI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYÇA KURNAZ TÜRKBEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. Sağlık uygulamaları için görüntü / video işleme ile sahne sınıflandırması

    Scene classification with image / video processing for healthcare applications

    HASAN ALİ ERİŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED ALİ AYDIN

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERTÜRK

  2. Human activity recognition using deep convolutional neural network

    Derin öğrenme yöntemleri kullanılarak insan aktivitesi tanıma

    ELİF KEVSER TOPUZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim Ve Teknoloji Üniversitesi

    Siber Güvenlik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YASİN KAYA

  3. 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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. KAMİL ALAKUŞ

  4. 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

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE KÖSE