SavedAdd your journal

Journals / Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi / 2020 / Cilt: 36 - Sayı: 2

İnsansız Hava Aracı Görüntülerinde Evrişimli Sinir Ağları Tabanlı Araba Sayımı Yöntemi

Ersin KILIÇ
Serkan ÖZTÜRK
Pages
170–177
Publication Date
2020-08-17
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Elde edilen sonuçlar çerçeve etiketleme ile eğitilen modeller ile kıyaslandığında önerilen yöntemin bu modeller ile yarışabilecek düzeyde başarım elde ettiği görülmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İnsansız hava araçlarından elde edilen görüntüleri yapay zeka sistemleri ile analiz eden otomatik sistemlerin sayısı giderek artmaktadır.
📊
Key Findings & Data:Önerilen yöntemin başarımının değerlendirilmesi amacıyla CARPK veri seti üzerinde deneysel sonuçlar yapılmıştır.
💡
Conclusion & Impact:Elde edilen sonuçlar çerçeve etiketleme ile eğitilen modeller ile kıyaslandığında önerilen yöntemin bu modeller ile yarışabilecek düzeyde başarım elde ettiği görülmektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Evrişimli sinir ağları · nesne tespiti · nesne sayımı

Özet

İnsansız hava araçlarından elde edilen görüntüleri yapay zeka sistemleri ile analiz eden otomatik sistemlerin sayısı giderek artmaktadır. Bu çalışmaların örneklerini şehircilik ve trafik uygulamalarında da görmekteyiz. Bu uygulamalar için görüntüde bulunan arabaların sayısının belirlenmesi oldukça önemlidir. Yapay zeka sistemlerinin eğitimi için olabildiğince fazla sayıda etiketlenmiş veriye ihtiyaç duyulmaktadır. Etiketleme işlemi yapıldığı yönteme bağlı olarak çok zahmetli olabilmektedir. Bu çalışmada İHA görüntülerinden otomatik olarak arabaları sayısını belirleyen derin öğrenme modeli önerilmektedir. Önerilen modelin eğitimi için nokta etiketleme verilerinin yeterli olması veri seti oluşturma aşamasını oldukça kolaylaştırmaktadır. Nokta etiketleme ile derin modellerin eğitilmesi için yeni bir kayıp fonksiyonu önerilmiştir. Önerilen yöntemin başarımının değerlendirilmesi amacıyla CARPK veri seti üzerinde deneysel sonuçlar yapılmıştır. Elde edilen sonuçlar çerçeve etiketleme ile eğitilen modeller ile kıyaslandığında önerilen yöntemin bu modeller ile yarışabilecek düzeyde başarım elde ettiği görülmektedir.

🔖

Cite This Article

KILIÇ, E., ÖZTÜRK, S. (2020). İnsansız Hava Aracı Görüntülerinde Evrişimli Sinir Ağları Tabanlı Araba Sayımı Yöntemi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, Cilt: 36 - Sayı: 2, 170–177. https://ajindex.com/articles/253016

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. C. Huai, Z. Libao, M. Jie ve Z. Jue, «Target heat-map network: An end-to-end deep network for target detection in remote sensing images,» Neurocomputing, no. 331, pp. 375-387, 2019
  2. N. Mundhenk, G. Konjevod, W. Sakla ve B. Kofi, «A Large Contextual Dataset for Classification, Detection and Counting of Cars with Deep Learning,» %1 içinde The 14th European Conference on Computer Vision, Amsterdam, 2016
  3. S. Ren, K. He, R. Girshick ve J. Sun, «Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,» IEEE Transactions on Pattern Analysis and Machine Intelligence, cilt 39, no. 6, pp. 1137 - 1149, 2017
  4. J. Redmon, S. Divvala, R. Girshick ve A. Farhadi, «You Only Look Once: Unified, Real-Time Object Detection,» CoRR, cilt abs/1506.02640, pp. 1-15, 2015
  5. T.-Y. Lin, P. Goyal, R. Girshick, K. He ve P. Dollar, «Focal Loss for Dense Object Detection,» CoRR, cilt abs/1708.02002, pp. 1-12, 2017
  6. A. Bearman, O. Russakovsky, V. Ferrari ve L. Fei-Fei, «What’s the Point: Semantic Segmentation with Point Supervision,» %1 içinde European Conference on Computer Vision, SANTIAGO, CHILE, 2015
  7. I. Stavness ve S. Aich, «Improving Object Counting with Heatmap Regulation,» CoRR, pp. 1-17, 2018
  8. M.-R. Hsieh, Y.-L. Lin ve W. Hsu, «Drone-based Object Counting by Spatially Regularized Regional Proposal Networks,» %1 içinde International Conference on Computer Vision, Venice, 2017
  9. R. Girshick, J. Donahue, T. Darrell ve J. Malik, «Rich feature hierarchies for accurate object detection and semantic segmentation,» CoRR, cilt abs/1311.2524, pp. 1-12, 2013
  10. R. Girshick, «Fast R-CNN,» CoRR, cilt abs/1504.08083, pp. 1-15, 2015
  11. E. Goldman, R. Herzig, O. Ratzon, I. Levi, J. Goldberger ve T. Hassner, «Precise Detection in Densely Packed Scenes,» CoRR, cilt abs/1904.00853, pp. 1-15, 2019
  12. W. Li, H. Li, Q. Wu, X. Chen ve K. N. Ngan, «Simultaneously Detecting and Counting Dense Vehicles From Drone Images,» IEEE Transactions on Industrial Electronics, cilt 66, no. 12, pp. 9651 - 9662, 2019
  13. Y. Cai, D. Du, L. Zhang, L. Wen, W. Wang, Y. Wu ve S. Lyu, «Guided Attention Network for Object Detection and Counting on Drones,» CoRR, pp. 1-15, 2019
  14. V. Lempitsky ve A. Zisserman, «Learning To Count Objects in Images,» %1 içinde Advances in Neural Information Processing Systems 23, Curran Associates, Inc., 2010, pp. 1324--1332
  15. L. Boominathan, S. S. S. Kruthiventi ve R. V. Babu, «CrowdNet: A Deep Convolutional Network for