Evrişimli sinir ağı özelliklerine dayanan korelasyon filtreleme ve veri ilişkilendirme ile çoklu nesne takibi
Multiple object tracking with data association and correlation filter based on convolutional neural network features
- Tez No: 687366
- Danışmanlar: DR. ÖĞR. ÜYESİ CEYDA NUR ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Gerçek zamanlı sistemler, Hedef izleme, Çoklu hedef izleme, Real time systems, Target tracking, Multiple target tracking
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesne takibi art arda görüntüler içerisinde nesne tespitine ihtiyaç duyulmaksızın nesne konumlarının belirlenmesini sağlar. Çekirdek korelasyon filtresi Fourier uzayında hızlı ve etkili nesne takibini gerçekleştirmektedir. Evrişimli sinir ağlarının ürettiği derin özelliklerin korelasyon filtresi ile kullanımı takip başarısını arttırmaktadır. Bu tez kapsamında üç farklı deney çalışması yapılmıştır. İlk çalışmada OTB-100 veri seti üzerinde farklı nesne takibi yöntemlerinin performans karşılaştırması gerçekleştirilmiştir. İkinci çalışmada çekirdek korelasyon filtresi için farklı görünüm modellerinin takip başarısına etkisi analiz edilmiştir. Üçüncü çalışmada ise 2D MOT 15 veri seti üzerinde yayaların tespit edilmesi, takip edilmesi, takip ve tespit edilen yayaların ilişkilendirilmesi denenmiştir. Yayaların tespit edilmesi için Yolo kullanılmıştır. Tespit edilen yayaların takip edilmesi için ise yönelimli eğimlerin histogramı (histogram of oriented gradients - HOG) tabanlı çekirdek korelasyon filtresi çalıştırılmıştır. Yayaların ilişkilendirilmesi için derin özellikler, renk histogramı ve çevreleyici kutulardan faydalanılmıştır. Yöntemlerin tekli nesne takip performansı başarı, kesinlik ve saniye başına düşen çerçeve ölçütleri ile çoklu nesne takip performansı ise tespitlerin hata oranı birleşimi ve kimlik değişim sayısı gibi ölçütler ile hesaplanmıştır. Sonuçlar göstermiştir ki çekirdek korelasyon filtresi derin özellikler ile birlikte kullanıldığında nesne takibi başarısı artmaktadır. Evrişimli sinir ağlarının daha çok son katmanlarından oluşturulan görünüm modelleri nesne takibini etkin kılmaktadır. Çekirdek korelasyon filtresi HOG özellikleri ile kullanıldığında gerçek zamanlı nesne takibi mümkün olmaktadır. Çoklu nesne takibinde derin özellikler ile yayaların ilişkilendirilmesi kimlik bilgilerinin değişim miktarını azaltmaktadır.
Özet (Çeviri)
Object tracking allows determination of object positions in successive images without object detection. The kernelized correlation filter performs fast and efficient object tracking in Fourier space. Using deep features that are produced by convolutional neural networks with correlation filter increases tracking success. Three experimental studies were carried out in this thesis. In the first study, performance comparison of different object tracking methods was performed using OTB-100 dataset. In the second study, the effect of different appearance models on tracking success was analyzed for kernelized correlation filter. In the third study, detecting and tracking pedestrians, and associating the tracked and detected pedestrians using 2D MOT 15 dataset were tried. Yolo was used to detect pedestrians. In order to track the detected pedestrians, histogram of oriented gradients (HOG) based kernelized correlation filter was run. Deep features, color histogram, and bounding boxes were used to associate pedestrians. Single object tracking performances of the methods were computed with success, precision, and frames per second metrics, while multi-object tracking performances were computed with metrics such as a combined error rate of detections and number of identity changes. The results showed that the success of object tracking increases when the kernelized correlation filter is used with deep features. Appearance models, which are mostly retrieved from the last layers of convolutional neural networks, enable effective object tracking. Real-time object tracking is possible when the kernelized correlation filter is used with HOG features. Associating pedestrians with deep features in multi-object tracking reduces number of identity switches.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- A new biometric system based on human hand geometry using deep convolutional neural network
Derin evrişimli sinir ağı kullanan insan eli geometrisine dayalı yeni bir biyometrik sistem
MOHAMMED FADHIL MOHAMMED SALEH AGHA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AYÇA KURNAZ TÜRKBEN
- 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
- Automatic determination of plant type and phenological stage with deep learning methods
Tarla görüntülerinden bitki türü ve fenolojik evresinin derin öğrenme yöntemleri ile otomatik saptanması
AIGERIM KAIROLDAYEVA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK