Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti

Ömer Er; Hasan Şakir Bilge

Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti

Abstract

Hava görüntüleri üzerinde araç tespiti; istihbarat, keşif ve gözetleme açısından önemlidir. Ancak bu görev; düşük uzamsal çözünürlük, karmaşık arka plan, nesne üzerine düşen ışık/gölge farklılıkları ve nesnelerin çevre tarafından kamufle olması gibi sebeplerle zordur. Son zamanlarda geliştirilen CNN tabanlı ağlar umut vericidir ancak bu ağlar doğrudan küçük nesnelerin tespiti için yeterli değildirler ve ince ayara ihtiyaç duyarlar. Bu çalışmada daha hızlı RCNN algoritması ve görece büyük nesnelerin tespitinde başarısı kanıtlanmış ResNet ağı ile VEDAI veri kümesi üzerinde çalışılmıştır. Nesnelerin toplam görüntüdeki piksellerin 0.5×10−3’ü kadar az yer kapladığı görüntüler üzerinde başarım artırımı için daha hızlı RCNN algoritmasında değişiklikler ile çeşitli deneyler yapılmıştır. Deneyler sonucunda %74.9 ortalama hassasiyet elde etmenin mümkün olduğu gösterilmiştir.

Keywords

Supporting Institution

ASELSAN A.Ş.

References

Liu C, Ding Y, Zhu M, Xiu J, Li M, Li Q. ”Vehicle Detection in Aerial Images Using a Fast Oriented Region Search and the Vector of Locally Aggregated Descriptors”. Sensors, 19(15), 3294, 2019.
Dalal N., Triggs B. Histograms of oriented gradients for human detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition; San Diego, CA, USA. 20–25 June 2005.
Lowe D. “Distinctive image features from scale-invariant keypoints”. International Journal of Computer Vision, 60, 91–110, 2004.
Chang C, Lin C. LIBSVM: A library for support vector machines. ACM Trans. Intell. Syst. Technology, 389–396, 2011.
Viola P, Jones M. Rapid object detection using a boosted cascade of simple features. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Kauai, USA, 2001.
Felzenszwalb P, Girshick R, McAllester D, Ramanan D. Object detection with discriminatively trained part based models. IEEE Trans. Pattern Anal. Mach. Intell, 32, 1627–1645, 2010.
Deng J, Berg A, Satheesh S, Su H, Khosla A, Li F. ImageNet Large Scale Visual Recognition Competition 2012, accessed on 10 July 2017.
Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks. Proceedings of the 25th International Conference on Neural Information Processing System, Lake Tahoe, NV, USA, 3–6 December 2012.

Girshick R, Donahue J, Darrell T, Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, 23–28 June 2014.
Girshick R. Fast R-CNN. 2015 IEEE International Conference on Computer Vision (ICCV), Santiago, 1440-1448, 2015
Ren S, He K, Girshick R, Sun J. Faster R-CNN: Towards real-time object detection with region proposal networks. Neural Information Processing Systems (NIPS), 2015.
Tayara H, Soo K, Chong K. Vehicle Detection and Counting in High-Resolution Aerial Images Using Convolutional Regression Neural Network. IEEE Access, 1-1, 2017
Redmon J, Farhadi A. "An incremental improvement". CoRR, vol. 3, 2018.
Redmon J, Divvala S, Girshick R, Farhadi A. "You only look once: Unified real-time object detection". IEEE Conference on ComputerVision and Pattern Recognition, 2016.
Redmon J, Farhadi A. "YOLO9000: Better, Faster, Stronger". 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 6517-6525, 2017
Liu W, Anguelov D, Erhan D, Szegedy C, Reed S. "Ssd: Single shot multibox detector". European Conference on ComputerVision (ECCV), 2016.
Russakovsky O, Deng J, Su H, Krause J, Satheesh S, Ma S, Huang Z, Karpathy A, Khosla A, Bernstein M, Berg A. "Large Scale Visual Recognition Competition". International Computer Vision Journal, 2015.
He K, Zhang X, Ren S, Sun J. "Deep residual learning for image recognition". IEEE Conference on Computer Vision and Pattern Recognition, 2016.
Deng J, Dong W, Socher R. "Imagenet: A large-scale hierarchical image database". CVPR, 248-255, 2009.
Lin T, Maire M, Belongie S, Hays J, Perona P, Ramanan D, Dollár P. "Microsoft COCO: common objects in context". ECCV,740-755, 2014.
Razakarivony S, Jurie F. Vehicle detection in aerial imagery: A small target detection benchmark. J. Vis. Commun. Image Represent, 34, 187–203, 2016
İnternet: Utah agrc URL:http://gis.utah.gov/. 2012.
Zhong J, Lei T, Yao G. Robust Vehicle Detection in Aerial Images Based on Cascaded Convolutional Neural Networks. Sensors, 17(12), 2720, 2017.
Sakla W, Konjevod G, Mundhenk T. "Deep Multi-modal Vehicle Detection in Aerial ISR Imagery". 2017 IEEE Winter Conference on Applications of Computer Vision, Santa Rosa, CA, 916-923, 2017.
Uijlings J, Van de Sande K, Gevers T, Smeulders A. Selective search for object recognition. Int. J. Comput. Vision, 104,154–171, 2013
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv, 1409, 1556, 2014.
Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, Erhan D, Vanhoucke V, Rabinovich A. “Going deeper with convolutions”. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1–9, 2015.
Szegedy C, Ioffe S, Vanhoucke V. Inception-v4 inception-ResNet and the impact of residual connections on learning. CoRR, vol. abs/1602.07261, 2016
Huster T, Deep learning for pedestrian detection in aerial imagery. In MSS Passive Sensors, 2016.
Carlet J, Abayowa B. Fast vehicle detection in aerial imagery. CoRR, vol. Abs/1709.08666, 2017.
Glorot X, Bengio Y. “Understanding the difficulty of training deep feedforward neural networks”. Journal of Machine Learning Research - Proceedings Track, 9, 249-256, 2010.

Details

Primary Language

Turkish

Subjects

Engineering

Journal Section

Research Article

Authors

Ömer Er ^*
Türkiye

Hasan Şakir Bilge
Türkiye

Publication Date

January 15, 2021

Submission Date

July 16, 2020

Acceptance Date

December 4, 2020

Published in Issue

Year 2021 Volume: 4 Number: 1

IZ

https://izlik.org/JA49DW88KU

Cite

RIS / Bibtex

APA

Er, Ö., & Bilge, H. Ş. (2021). Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti. Veri Bilimi, 4(1), 73-83. https://izlik.org/JA49DW88KU

AMA

1.Er Ö, Bilge HŞ. Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti. Data Sci. J. 2021;4(1):73-83. https://izlik.org/JA49DW88KU

Chicago

Er, Ömer, and Hasan Şakir Bilge. 2021. “Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti”. Veri Bilimi 4 (1): 73-83. https://izlik.org/JA49DW88KU.

EndNote

Er Ö, Bilge HŞ (January 1, 2021) Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti. Veri Bilimi 4 1 73–83.

IEEE

[1]Ö. Er and H. Ş. Bilge, “Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti”, Data Sci. J., vol. 4, no. 1, pp. 73–83, Jan. 2021, [Online]. Available: https://izlik.org/JA49DW88KU

ISNAD

Er, Ömer - Bilge, Hasan Şakir. “Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti”. Veri Bilimi 4/1 (January 1, 2021): 73-83. https://izlik.org/JA49DW88KU.

JAMA

1.Er Ö, Bilge HŞ. Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti. Data Sci. J. 2021;4:73–83.

MLA

Er, Ömer, and Hasan Şakir Bilge. “Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti”. Veri Bilimi, vol. 4, no. 1, Jan. 2021, pp. 73-83, https://izlik.org/JA49DW88KU.

Vancouver

1.Ömer Er, Hasan Şakir Bilge. Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti. Data Sci. J. [Internet]. 2021 Jan. 1;4(1):73-8. Available from: https://izlik.org/JA49DW88KU