Obje tanıma için yeni bir CNN modeli
A new CNN model for object detection
- Tez No: 832793
- Danışmanlar: DOÇ. DR. MURAT KURT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Obje Tanıma, Derin Öğrenme, Görüntü İşleme, Evrişimsel Sinir Ağları, Önceden Eğitilmiş Derin Ağlar, Görsel nesne tanıma, Object Recognition, Deep Learning, İmage Processing, Convolutional Neural Networks, Pretrained Deep Neural Networks, Visual object recognition
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uluslararası Bilgisayar Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Objelerin doğru bir şekilde tanınması, yapay zeka, görüntü işleme ve nesne algılama alanlarında büyük öneme sahip olan bir konudur. Objelerin tanınması, gerçek dünyadaki görüntülerin analiz edilerek, içerisinde bulunan objelerin sınıflandırılması ve tanımlanması işlemidir. Bu süreç, genellikle bir görüntü üzerindeki özniteliklerin çıkarılması, sınıflandırıcı algoritmaların kullanılması ve sonuçların doğru şekilde yorumlanmasıyla gerçekleştirilir. Objelerin doğru bir şekilde tanınması, birçok farklı zorlukla karşılaşabilir. Örneğin, değişen ışık koşulları, nesnelerin farklı açılardan görünmesi, benzer görünen nesnelerin ayrımı gibi faktörler, tanıma performansını etkileyebilir ve ayrıca, görüntülerdeki arka plan karmaşıklığı, örtülme durumları ve perspektif değişimleri de doğru tanımayı zorlaştırabilir. Bu zorluklara rağmen, obje tanıma alanında önemli ilerlemeler kaydedilmiştir. Derin öğrenme algoritmaları, özellikle de Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN), obje tanıma performansını önemli ölçüde artırmıştır. Bu tez çalışması, Fake-Vs-Real-Faces (Hard) ve 140k Real and Fake Faces veri setlerini kullanarak görüntü işleme tabanlı obje tanıma üzerine odaklanmaktadır. Her iki veri seti, gerçek ve sahte yüz görüntülerini barındıran iki sınıftan oluşmaktadır. Çalışmada bu görüntüleri kullanarak yüz tanıma işlemini gerçekleştirmek için derin öğrenme modelleri geliştirilmiştir. Ayrıca, her iki veri seti için 8 farklı önceden eğitilmiş Evrişimsel Sinir Ağı mimarisi üzerinde deneme yapılmış ve sonuçlar yeni geliştirilen modeller ile karşılaştırılmıştır. Veri setinin yalnızca yüz görüntülerinden oluşmasına rağmen geliştirilen modeller diğer iki sınıflı obje tanıma problemlerinde de kullanılabilmektedir.
Özet (Çeviri)
Accurate recognition of objects is an issue of great importance in the fields of artificial intelligence, image processing and object detection. Recognition of objects is the process of classifying and defining the objects in it by analyzing real-world images. This process is usually accomplished by extracting features from an image, using classifier algorithms, and correctly interpreting the results. Recognizing objects correctly can encounter many different challenges. For example, factors such as changing lighting conditions, seeing objects from different angles, distinguishing similar looking objects can affect recognition performance, and background complexity, occlusion scenarios and perspective changes in images can make accurate recognition difficult. Despite these difficulties, significant progress has been made in the field of object recognition. Deep learning algorithms, especially Convolutional Neural Networks, have significantly improved object recognition performance. This thesis focuses on image processing-based object recognition using Fake-Vs-Real-Faces (Hard) and 140k Real and Fake Faces datasets. Both datasets con-sist of two classes containing real and fake face images. In the study, deep learn-ing models were developed to perform face recognition using these images. Addi-tionally, 8 different pre-trained Convolutional Neural Network architectures were tested for both data sets and the results were compared with newly developed models. Although the data set consists only of face images, the developed models can also be used in other two-class object recognition problems.
Benzer Tezler
- Derin obje sezicilerle tümleştirilmiş bayesçi filtreleme ile videoda obje izleme
Integration of bayesian filtering and deep object detection for video object tracking
FİLİZ GÜRKAN GÖLCÜK
Doktora
Türkçe
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL KALYONCU
- Car damage analysis for insurance market using convolutional neural networks
Sigorta sektörü için evrişimsel sinir ağları kullanarak araç hasarı analizi
CİHAT TOLGA ARTAN
Yüksek Lisans
İngilizce
2019
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TOLGA KAYA
- Image quality assesment and enhancement for robust face recognition
Yüz tanıma için imgelerin kalite ölçümü ve iyileştirilmesi
ONUR SERTKAYA
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- Reduced dimensional features for object recognition
Nesne tanıma için boyutu indirgenmiş öznitelik vektörleri
REYHAN KEVSER KESER
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Collectr: A gamified emotional data collection and labelling platform for children
Collectr: Çocuklar için oyunlaştırılmış duygu verisi toplama ve etiketleme aracı
TURGUT CAN AYDINALEV
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiOyun ve Etkileşim Teknolojileri Ana Bilim Dalı (disiplinlerarası)
PROF. DR. HATİCE KÖSE