Foto-Kapan Görüntülerinde Derin Öğrenme Tabanlı İnsan Tespiti

Year 2020, Volume: 3 Issue: 1, 1 - 8, 30.06.2020

Emrah Şimşek Bariş Özyer Gülşah Tümüklü Özyer

Abstract

Foto-kapanlar doğal ortamda yaşayan canlılara
ait görüntülerin elde edilmesi amacıyla kullanılan gömülü sistemlerdir.
Foto-kapanların hareket tetikleyicisi ile belirli frekanslarda kaydettiği bu
görüntüler, karmaşıklık, arka plan hareketi, ışık şiddeti yetersizliği,
kapanma, afin ve 3D dönüşümü, ölçekleme değişimi, parçalı nesne bulunması gibi
önemli zorluklar içermektedir. Görüntülerdeki canlıların otomatik olarak tespit
edilmesi ve bu zorlukların giderilmesi için kullanılan yerel ve genel
öznitelikler ile örüntü tanıma yöntemleri bu zorluklara karşı sınırlı
dayanıklılığa sahip olmaları, görüntülere ait derin özniteliklerin
çıkarılabildiği derin öğrenme tabanlı yöntemlerin tercih edilmesine neden
olmaktadır. YOLO mimarisi, gerçek zamanlı nesne tespitinde kullanılan yüksek
tespit ve hız performansına sahip bir derin öğrenme yöntemidir. Bu çalışmada
PASCAL VOC veri seti ile eğitilmiş YOLO mimarisinin çok sayıda zorluk içeren
foto-kapan veri setindeki tespit başarısı değerlendirilmiştir. Foto-kapan veri
setinde yapılan uygulamada yüksek tespit başarısı elde edilmiştir.

Keywords

nesne tespiti, derin öğrenme, yolo, foto-kapan

Supporting Institution

Atatürk Üniversitesi

Project Number

FYL-2018-6623

Thanks

Bu çalışma Atatürk Üniversitesi Bilimsel Araştırma Projelerini destekleme programı kapsamında FYL-2018-6623 proje numarası ile desteklenmiştir

References

• Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep learning for visual understanding: A review. Neurocomputing, 187, 27-48.
• Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 580-587).
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.
• Nguyen, H., Maclagan, S. J., Nguyen, T. D., Nguyen, T., Flemons, P., Andrews, K., ... & Phung, D. (2017, October). Animal Recognition and Identification with Deep Convolutional Neural Networks for Automated Wildlife Monitoring. In Data Science and Advanced Analytics (DSAA), 2017 IEEE International Conference on (pp. 40-49). IEEE.
• Norouzzadeh, M. S., Nguyen, A., Kosmala, M., Swanson, A., Palmer, M., Packer, C., & Clune, J. Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning.
• Gonçalves, D. N., de Arruda, M. D. S., da Silva, L. A., Araujo, R. F. S., Machado, B. B., & Gonçalves, W. N. Recognition of Pantanal Animal Species using Convolutional Neural Networks.
• Tekeli, U., & Bastanlar, Y. Ham Fotokapan Verisinde HayvanIçeren Fotografların Belirlenmesi Detection of Images with Animals in Raw Camera-Trap Data.
• Yu, X., Wang, J., Kays, R., Jansen, P. A., Wang, T., & Huang, T. (2013). Automated identification of animal species in camera trap images. EURASIP Journal on Image and Video Processing, 2013(1), 52.
• Kays, R., Tilak, S., Kranstauber, B., Jansen, P. A., Carbone, C., Kays, R., Tilak, S., Kranstauber, B., Jansen, P. A., Carbone, C., Rowcliffe, M. J., & He, Z. (2010). Monitoring wild animal communities with arrays of motion sensitive camera traps. arXiv preprint arXiv:1009.5718.
• Andavarapu, N., & Vatsavayi, V. K. (2017). Wild-Animal Recognition in Agriculture Farms Using W-COHOG for Agro-Security. International Journal of Computational Intelligence Research, 13(9), 2247-2257.
• Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., ... & Chen, T. (2018). Recent advances in convolutional neural networks. Pattern Recognition, 77, 354-377.
• Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
• Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).
• Tompson, J., Goroshin, R., Jain, A., LeCun, Y., & Bregler, C. (2015). Efficient object localization using convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 648-656).