Hareketli nesne analizi için derin öğrenme mimarisi
Deep learning architecture for moving object analysis
- Tez No: 867238
- Danışmanlar: DOÇ. DR. FATMA PATLAR AKBULUT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Kültür Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 157
Özet
Bu tez, çeşitli hareketli nesnelerin yüksek hassasiyetle ve gerçek zamanlı olarak tanımlanmasını amaçlamaktadır. Çalışmada, özellikle karayolları başta olmak üzere hava, deniz ve demiryolları üzerinde hareket halinde olan tüm araçlar, araç plakaları ve yayaları tanımaya odaklanılmaktadır. Geliştirilmiş olan model trafik kazası, yaya, araç plakası, bisiklet, üç tekerlekli bisiklet-tripörtör, motorsiklet, atv, kar aracı, jetski, araba, van, limuzin, otobüs-minibüs, kamyon, yarı römorklu kamyon(tır), tankerli kamyon, çöp kamyonu, beton mikserli kamyon, itfaiye aracı, yol süpürme kamyonu, iş makinesi, forklift, traktör, segway, at arabası, helikopter, uçak, gemi-tekne, tren, skuter, araba-polis, araba-taksi, van-ambulans, van-polis ve van-taksi olmak üzere toplam 35 sınıfı kapsamaktadır. Haraketli nesleri tanımanın yanı sıra farklı hava koşulları da modellemenin önemli bir bileşeni olarak belirlenmiştir. Model, dijital kameralardan elde edilen görüntüleri hızlı bir şekilde işleyebilen YOLOv7 algoritması ile geliştirilmiştir. YOLOv7 algoritması görüntü üzerindeki araçları gerçek zamanlı olarak tanımlayarak bu araçların sınıflandırılmasını mümkün kılar. Performansı artırmak ve eğitimi hızlandırmak için COCO veri seti ile önceden eğitilmiş bir YOLOv7 modelindeki öğrenilen bilgiler, özel araç sınıflarını içeren veri setimizin eğitiminde kullanılmıştır. Çalışma, tüm araç sınıflarında yüksek kesinlik ve geri çağırma hızlarına ulaşmayı hedeflemektedir. Çalışmanın YOLOv7 algoritması ile eğitilmesi sonucunda %89 [email protected] ve %84 geri çağırma değerlerine ulaşılarak önemli oranda başarı elde edilmiştir.
Özet (Çeviri)
This thesis aims to identify various moving objects with high precision and in real time. The study focuses on recognizing all vehicles especially on highways, air, sea and railways, vehicle license plates and pedestrians in motion. The developed model consists of a total of 35 classes including traffic accidents, pedestrians, license plates, bicycles, tricycles, motorcycles, ATVs, snowmobiles, jet skis, cars, vans, limousines, buses, minibuses, trucks, semi-trailer trucks, tanker trucks, garbage trucks, concrete mixer trucks, fire trucks, road sweeping trucks, engineering vehicles, forklifts, tractors, segways, carts, helicopters, airplanes, ships-boats, trains, scooters, car-police, car-taxi, van-ambulance, van-police and van-taxi. In addition to recognizing moving objects, different weather conditions have also been identified as an important component of modeling. The model was developed with the YOLOv7 algorithm, which can quickly process images obtained from digital cameras. The YOLOv7 algorithm makes it possible to identify and classify vehicles on the image in real time. To improve performance and speed up training, the learned information from a YOLOv7 model pre-trained with the COCO dataset was used to train our dataset containing custom vehicle classes. The study aims to achieve high accuracy and recall rates in all vehicle classes. As a result of training the study with the YOLOv7 algorithm, significant success was achieved by reaching 89% [email protected] and 84% recall values.
Benzer Tezler
- Deep learning architectures for smart urban scene analysis
Akıllı kentsel sahne analizi için derin öğrenme mimarileri
TUBA DEMİRTAŞ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İSMAİL BURAK PARLAK
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Human activity recognition using deep learning
Derin öğrenme ile insan aktivitesi tanıma
MURAT YALÇIN
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜLYA YALÇIN
- Real time target tracking system based on deep learning
Derin öğrenme temelli gerçek zamanlı hedef takip sistemi
MUAZ AYDIN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. REMZİ YILDIRIM
- Crowd localization and counting via deep flow maps
Derin öğrenme ile çıkarılan hareket haritaları kullanılarak nesne kalabalıklarının tespiti ve sayımı
PEDRAM YOUSEFI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL