Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Resul Daş; Berna Polat; Gürkan Tuna

doi:10.35234/fumbd.608778

Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Öz

Görüntü işleme yöntemleri kullanılarak durağan görüntülerin analizleri gerçekleştirilebilir ve söz konusu görüntülerden anlamlı bilgiler çıkarılabilir. Tespit ve tanıma sonrasında takip edilecek olan nesnenin değişken bir ortam içinde bulunması zorlaştırıcı unsurlardan birisidir. Bunun gibi zorlaştırıcı unsurlarla başa çıkabilmek ve nesne takibini başarıyla gerçekleştirebilmek için farklı yöntemler geliştirilmiştir. Askeri uygulamalarda yaygın olarak kullanılan elektro-optik algılayıcı sistemleri hareketli ve sabit hedeflerin belirlenmesini sağlamaktadır. Son yıllarda yapay zekâ tabanlı bileşenlerle güçlendirilen bu sistemler hem daha hızlı hem de daha kesin hedef tespiti yapmayı sağlamaktadır. Öte yandan, derin öğrenme algoritmaları yapay zekâ alanında bir devrim yaratmıştır. Derin öğrenme algoritmalarının görüntü işlemede kullanılması oldukça başarılı sonuçlar alınmasını ve karmaşık görüntü işleme problemlerinin kolaylıkla çözüme kavuşturulabilmesini sağlamaktadır. Bu çalışmada derin öğrenme ile hareketli nesne tanıma ve takibi için Google’ın açık kaynak kodlu makine öğrenmesi kütüphanesi olan TensorFlow kullanılmıştır. Nesne takibi için Region Based Convolutional Networks kütüphanesinden Faster R-CNN modeli ele alınmıştır. Bu kütüphaneler ile durağan görüntüler, video görüntüleri ve webcam görüntüleri üzerinde nesne tanıma işlemi gerçekleştirilmiş ve incelenen kütüphanelerin güçlü ve zayıf yönleri ortaya konmuştur.

Anahtar Kelimeler

Nesne tanıma,nesne takibi,Faster R-CNN,görüntü işleme,derin öğrenme

Kaynakça

[1] P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, vol. 1. IEEE, 2001, pp. I–I.
[2] E. Özbaysar and E. Borandağ, “Vehicle plate tracking system,” in 2018 26th Signal Processing and Communications Applications Conference (SIU). IEEE, 2018, pp. 1–4.
[3] W. S. McCulloch and W. Pitts, “A logical calculus of the ideas immanent in nervous activity,” The bulletin of mathematical biophysics, vol. 5, no. 4, pp. 115–133, 1943.
[4] S. S. Haykin, S. S. Haykin, S. S. Haykin, and S. S. Haykin, Neural networks and learning machines.Pearson Upper Saddle River, 2009, vol. 3.
[5] A. G. Ivakhnenko and V. G. Lapa, Cybernetic predicting devices. CCM Information Corporation, 1965.
[6] K. Fukushima, “Neocognitron: A hierarchical neural network capable of visual pattern recognition.” Neural networks, vol. 1, no. 2, pp. 119–130, 1988.
[7] J. Weng, P. Cohen, and M. Herniou, “Camera calibration with distortion models and accuracy evaluation,” IEEE Transactions on Pattern Analysis & Machine Intelligence, no. 10, pp. 965–980, 1992.
[8] C. Cortes and V. Vapnik, “Support-vector networks,” Machine learning, vol. 20, no. 3, pp. 273–297, 1995.

[9] S. Hochreiter and J. Schmidhuber, “Long short-term memory,” Neural computation, vol. 9, no. 8, pp. 1735–1780, 1997.
[10] G. E. Hinton, N. Srivastava, A. Krizhevsky, I. Sutskever, and R. R. Salakhutdinov, “Improving neural networks by preventing co-adaptation of feature detectors. july 3, 2012,” URL http://arxiv.org/abs/1207.0580, 2016.
[11] S. Lohr, “The age of big data,” New York Times, vol. 11, no. 2012, 2012.
[12] Y. Taigman, M. Yang, M. Ranzato, and L. Wolf, “Deepface: Closing the gap to human-level performance in face verification,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2014, pp. 1701–1708. [13] K. Lee and M. Son, “Deepspotcloud: leveraging cross-region gpu spot instances for deep learning,” in Cloud Computing (CLOUD), 2017 IEEE 10th International Conference on. IEEE, 2017, pp. 98–105.
[14] S. Tokui, K. Oono, S. Hido, and J. Clayton, “Chainer: a next-generation open source framework for deep learning,” in Proceedings of workshop on machine learning systems (LearningSys) in the twenty-ninth annual conference on neural information processing systems (NIPS), vol. 5, 2015, pp. 1–6.
[15] Ö. Şahin, A. Kurtoğlu, and G. Ercan, “Computer science terminology extraction from parallel corpora,” in 2018 26th Signal Processing and Communications Applications Conference (SIU). IEEE, 2018, pp.1–4.
[16] W. Luo, J. Xing, A. Milan, X. Zhang, W. Liu, X. Zhao, and T.-K. Kim, “Multiple object tracking: A literature review,” arXiv preprint arXiv:1409.7618, 2014.
[17] Y. Chen, X. Yang, B. Zhong, S. Pan, D. Chen, and H. Zhang, “Cnntracker: Online discriminative object tracking via deep convolutional neural network,” Applied Soft Computing, vol. 38, pp. 1088–1098, 2016.
[18] A. Hardas, D. Bade, and V. Wali, “Moving object detection using background subtraction shadow removal and post processing,” in International Journal of Computer Applications (0975–8887) International Conference on Computer Technology (ICCT 2015), 2015.
[19] S. H. Shaikh, K. Saeed, and N. Chaki, “Moving object detection approaches, challenges and object tracking,” in Moving Object Detection Using Background Subtraction. Springer, 2014, pp. 5–14.
[20] A. R. Aldhaheri and E. A. Edirisinghe, “Detection and classification of a moving object in a video stream,” in Proc. of the Intl. Conf. on Advances in Computing and Information Technology-ACIT, 2014.
[21] A. Yilmaz, O. Javed, and M. Shah, “Object tracking: A survey,” Acm computing surveys (CSUR), vol. 38, no. 4, p. 13, 2006.
[22] O. D. Trier, A. K. Jain, T. Taxt et al., “Feature extraction methods for character recognition-a survey,” Pattern recognition, vol. 29, no. 4, pp. 641–662, 1996.
[23] S. Avidan, “Support vector tracking,” IEEE transactions on pattern analysis and machine intelligence, vol. 26, no. 8, pp. 1064–1072, 2004.
[24] L. Fan, Z. Wang, B. Cail, C. Tao, Z. Zhang, Y. Wang, S. Li, F. Huang, S. Fu, and F. Zhang, “A survey on multiple object tracking algorithm,” in Information and Automation (ICIA), 2016 IEEE International Conference on. IEEE, 2016, pp. 1855–1862.
[25] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 779–788.

Ayrıntılar

Birincil Dil

Türkçe

Konular

-

Bölüm

Araştırma Makalesi

Yazarlar

Resul Daş
0000-0002-6113-4649
Türkiye

Berna Polat Bu kişi benim
0000-0002-1564-0604
Türkiye

Gürkan Tuna
0000-0002-6466-4696
Türkiye

Yayımlanma Tarihi

27 Eylül 2019

Gönderilme Tarihi

21 Ağustos 2019

Kabul Tarihi

29 Ağustos 2019

Yayımlandığı Sayı

Yıl 2019 Cilt: 31 Sayı: 2

DOI

https://doi.org/10.35234/fumbd.608778

IZ

https://izlik.org/JA83EF72AW

Kaynak Göster

RIS / Bibtex

APA

Daş, R., Polat, B., & Tuna, G. (2019). Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31(2), 571-581. https://doi.org/10.35234/fumbd.608778

AMA

1.Daş R, Polat B, Tuna G. Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2019;31(2):571-581. doi:10.35234/fumbd.608778

Chicago

Daş, Resul, Berna Polat, ve Gürkan Tuna. 2019. “Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31 (2): 571-81. https://doi.org/10.35234/fumbd.608778.

EndNote

Daş R, Polat B, Tuna G (01 Eylül 2019) Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31 2 571–581.

IEEE

[1]R. Daş, B. Polat, ve G. Tuna, “Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 31, sy 2, ss. 571–581, Eyl. 2019, doi: 10.35234/fumbd.608778.

ISNAD

Daş, Resul - Polat, Berna - Tuna, Gürkan. “Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 31/2 (01 Eylül 2019): 571-581. https://doi.org/10.35234/fumbd.608778.

JAMA

1.Daş R, Polat B, Tuna G. Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2019;31:571–581.

MLA

Daş, Resul, vd. “Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 31, sy 2, Eylül 2019, ss. 571-8, doi:10.35234/fumbd.608778.

Vancouver

1.Resul Daş, Berna Polat, Gürkan Tuna. Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 01 Eylül 2019;31(2):571-8. doi:10.35234/fumbd.608778

Cited By

Hibrit Bir Model Oluşturarak Diyabetik Retinopati Sınıflandırılması

European Journal of Science and Technology

https://doi.org/10.31590/ejosat.1112980

Deep Neural Networks Based on Transfer Learning Approaches to Classification of Gun and Knife Images

Sakarya University Journal of Computer and Information Sciences

https://doi.org/10.35377/saucis.04.01.891308

https://doi.org/

DERİN ÖĞRENME TEKNİKLERİ İLE NESNE TESPİTİ VE TAKİBİ ÜZERİNE BİR İNCELEME

European Journal of Science and Technology

https://doi.org/10.31590/ejosat.878552

İnsansız Su Altı Araçlarında Derin Öğrenme Yöntemleri

European Journal of Science and Technology

https://doi.org/10.31590/ejosat.804599

https://doi.org/

Kanser Teşhisinde Protein Haritalama Tekniklerinin Başarımlarının Derin Öğrenme Kullanılarak Karşılaştırılması

Fırat Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.35234/fumbd.881228

Persistence and coexistence of infinite attractors in a fractal Josephson junction resonator with unharmonic current phase relation considering feedback flux effect

Nonlinear Dynamics

https://doi.org/10.1007/s11071-020-06159-4

Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster

Cited By

Hibrit Bir Model Oluşturarak Diyabetik Retinopati Sınıflandırılması

Deep Neural Networks Based on Transfer Learning Approaches to Classification of Gun and Knife Images

DERİN ÖĞRENME TEKNİKLERİ İLE NESNE TESPİTİ VE TAKİBİ ÜZERİNE BİR İNCELEME

İnsansız Su Altı Araçlarında Derin Öğrenme Yöntemleri

Kanser Teşhisinde Protein Haritalama Tekniklerinin Başarımlarının Derin Öğrenme Kullanılarak Karşılaştırılması

Persistence and coexistence of infinite attractors in a fractal Josephson junction resonator with unharmonic current phase relation considering feedback flux effect

Görüntü İşleme Teknikleri İle Rulo Sac Hassas Doğrultmada Silindir Konumlarının Belirlenmesi

Boş park yerlerinin tespiti ve kullanıcıya mobil uygulama ile yol tarifi verilmesi

Comparative Analysis of Deep Learning Algorithms in Fire Detection

Performance Evaluation Of Image Recognition Algorithms On Marine Vessels And Optimum Parameter Selection

Determination of the quality classes of Elazig cherry marble with image processing

Deep Learning‐Based Road Optimization Using UAVs for Disaster Areas

Enhanced Vision Transformer and Transfer Learning Approach to Improve Rice Disease Recognition

A New Approach for Standardized Zero-Shot Face Verification Using Siamese Neural Networks with Dynamic Thresholding

Askeri Tatbikatlarda Derin Öğrenme Yöntemleri ile Nesne Takibi

Leveraging YOLO Models for Safety Equipment Detection on Construction Sites

Improving Face Detection Performance of Compressed MPEG Videos by Using Frame-Independent Scene Change Detection Method

Görüntü İşleme Yöntemleri ile Elazığ Vişne Mermerinin Kalite Sınıflandırması - İlgili Yayının Basımı İptal Edilmiştir.

Deepfake Detection for Digital Image Security using Deep Learning Methods