Derin Öğrenme ile İnsansız Hava Aracı Görüntülerinden Yaya Tespiti
Abstract
Bu çalışmada, insansız hava araçlarından (İHA) elde edilen görüntüler kullanılarak yaya tespitine yönelik bir uygulama gerçekleştirilmiştir. Bunun için, elde edilen İHA görüntülerinden, derin öğrenme yöntemi yardımıyla özellik çıkarımı yapılmıştır. İHA’lardan alınan görüntülerin işlenmesinde karşılaşılan zorluklardan biride, büyük veri kümelerinin sınıflandırmasıdır. Bu çalışmada, bu zorluğun üstesinden gelmek için Evrişimsel Sinir Ağları (ESA) kullanılmıştır. Bir diğer zorluk ise bazı veri türlerinin azlığından dolayı kaliteli bir eğitim sürecinin gerçekleştirilememesidir. Bu nedenle, eğitimin etkinliğini artırabilmek için resim çoğaltma yöntemi uygulanmıştır. Önerilen yöntem ile İHA’dan elde edilen yaya, bisikletli, araba, ağaç ve sokak lambası resimleri istenen boyutlarda ayarlanarak ESA modellerinden AlexNet ve VGG16’ya giriş verisi olarak verilerek özellik çıkarımı gerçekleştirilmiştir. Çıkarılan özellikler Destek Vektör Makinesi (DVM) ile sınıflandırılmıştır. Sınıflandırma işlemi sayesinde hem yaya ile diğer öğelerin ayrımı gerçekleştirilirken hem de AlexNet ile VGG16’nın performansları karşılaştırılmıştır. Sonuçlar, geliştirilen yöntemin yayaları belirlemede kullanılabilecek faydalı bir yöntem olabileceğini göstermiştir.
Keywords
References
- [1] M. Radovic, O. Adarkwa, and Q. Wang, “Object Recognition in Aerial Images Using Convolutional Neural Networks,” J. Imaging, vol. 3, no. 2, p. 21, 2017.
- [2] L. Li, L., Fan, Y., Huang, X., & Tian, “Real-time UAV weed scout for selective weed control by adaptive robust control and machine learning algorithm,” Am. Soc. Agric. Biol. Eng. Annu. Int. Meet. ASABE, 2016.
- [3] C. Hung, Z. Xu, and S. Sukkarieh, “Feature learning based approach for weed classification using high resolution aerial images from a digital camera mounted on a UAV,” Remote Sens., vol. 6, no. 12, pp. 12037–12054, 2014.
- [4] P. Zarjam, J. Epps, F. Chen, and N. H. Lovell, “Estimating cognitive workload using wavelet entropy-based features during an arithmetic task,” Comput. Biol. Med., vol. 43, no. 12, pp. 2186–1295, 2013.
- [5] S. W. Chen, S. S. Shivakumar, S. Dcunha, J. Das, E. Okon, C. Qu, C. J. Taylor, and V. Kumar, “Counting Apples and Oranges With Deep Learning: A Data-Driven Approach,” IEEE Robot. Autom. Lett., vol. 2, no. 2, pp. 781–788, 2017.
- [6] W. Li, H. Fu, L. Yu, and A. Cracknell, “Deep Learning Based Oil Palm Tree Detection and Counting for High-Resolution Remote Sensing Images,” Remote Sens., vol. 9, no. 1, p. 22, 2016.
- [7] N. V. Kim and M. A. Chervonenkis, “Situation control of unmanned aerial vehicles for road traffic monitoring,” Mod. Appl. Sci., vol. 9, no. 5, pp. 1–13, 2015.
- [8] M. B. Bejiga, A. Zeggada, A. Nouffidj, and F. Melgani, “A convolutional neural network approach for assisting avalanche search and rescue operations with UAV imagery,” Remote Sens., vol. 9, no. 2, 2017.
Details
Primary Language
Turkish
Subjects
-
Journal Section
Research Article
Authors
Suat Toraman
Türkiye
Publication Date
December 23, 2018
Submission Date
August 4, 2018
Acceptance Date
October 31, 2018
Published in Issue
Year 2018 Volume: 2 Number: 2
Cited By
Derin Öğrenme Yöntemleri Kullanılarak Havadan Elde Edilen Görüntüler Üzerinde Nesne Tespiti
El-Cezeri Fen ve Mühendislik Dergisi
https://doi.org/10.31202/ecjse.1135509Deep learning based classification of time series of chaotic systems over graphic images
Multimedia Tools and Applications
https://doi.org/10.1007/s11042-023-15944-3