SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2018 / Cilt: 30 - Sayı: 3

Dış Ortam Görüntülerindeki İnsan Hareketlerinin Hibrit Derin Öğrenme Yöntemleri Kullanarak Sınıflandırılması

Özlem ALGUR
Vedat TÜMEN
Özal YILDIRIM
Pages
121–129
Publication Date
2018-09-20
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)

Makale kapsamında, dört sınıflı bir veri seti oluşturularak önerilen sistemin performans değerlendirmeleri yapılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu makale çalışmasında, dış ortam görüntülerinde yer alan insan hareketlerinin otomatik sınıflandırılması için hibrit bir derin öğrenme yaklaşımı önerilmiştir.
📊
Key Findings & Data:İlk olarak, dış ortamdan çekilen görüntü içerisindeki kişilerin tespiti sağlanmıştır.
💡
Conclusion & Impact:Makale kapsamında, dört sınıflı bir veri seti oluşturularak önerilen sistemin performans değerlendirmeleri yapılmıştır.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Derin öğrenme · İnsan hareket tespiti · Görüntü işleme

Özet

Bu makale çalışmasında, dış ortam görüntülerinde yer alan insan hareketlerinin otomatik sınıflandırılması için hibrit bir derin öğrenme yaklaşımı önerilmiştir. İlk olarak, dış ortamdan çekilen görüntü içerisindeki kişilerin tespiti sağlanmıştır. Bu amaçla, literatürde yaygın olarak kullanılan önceden eğitilmiş derin nesne tespit aracı olan YOLO kullanılmıştır. Dış ortam görüntülerinin elde edilmesinde Google street view platformu tercih edilmiştir. Daha sonra tespit edilen kişiler için hareket sınıfları oluşturulmuştur. Bu hareket sınıfları; sağa yürüme, sola yürüme, ayakta durma ve oturma şeklindedir. Böylece dış ortam görüntülerinden tespit edilen kişiler için kapsamlı bir veri seti oluşturulmuştur. Sınıfları belirlenen verilerin otomatik olarak tanınması işlemi için bir konvolüsyonel sinir ağı (KSA) modeli tasarlanmıştır. Eğitimi tamamlanan bu model, YOLO nesne tespit sistemi ile hibrit bir şekilde kullanılarak giriş görüntüsü içerisindeki kişi hareketlerinin otomatik olarak tanınmasını sağlamıştır. Makale kapsamında, dört sınıflı bir veri seti oluşturularak önerilen sistemin performans değerlendirmeleri yapılmıştır.

🔖

Cite This Article

ALGUR, Ö., TÜMEN, V., YILDIRIM, Ö. (2018). Dış Ortam Görüntülerindeki İnsan Hareketlerinin Hibrit Derin Öğrenme Yöntemleri Kullanarak Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 30 - Sayı: 3, 121–129. https://ajindex.com/articles/254081

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Dhamsania, C. J., & Ratanpara, T. V. (2016). A survey on Human action recognition from videos. Online International Conference on In Green Engineering and Technologies, 1-5
  2. Geronimo, D., Lopez, A. M., Sappa, A. D., & Graf, T. (2010). Survey of pedestrian detection for advanced driver assistance systems. IEEE transactions on pattern analysis and machine intelligence, 32(7): 1239-1258
  3. Ouyang, W., Zeng, X., & Wang, X. (2016). Learning mutual visibility relationship for pedestrian detection with a deep model. International Journal of Computer Vision, 120(1): 14-27
  4. Aguilar, W. G., Luna, M. A., Moya, J. F., Abad, V., Parra, H., & Ruiz, H. (2017). Pedestrian detection for UAVs using cascade classifiers with meanshift. In Semantic Computing (ICSC), 509-514
  5. Thomas B. Moeslund, Adrian Hilton, Volker Krüger, (2006). A survey of advances in vision-based human motion capture and analysis, Computer Vision and Image Understanding, 104 (2–3) 90–126
  6. Cheng, G., Wan, Y., Saudagar, A. N., Namuduri, K., & Buckles, B. P. (2015). Advances in human action recognition: A survey. arXiv preprint arXiv:1501.05964
  7. Aggarwal, J. K., & Ryoo, M. S. (2011). Human activity analysis: A review. ACM Computing Surveys, 43(3): 16
  8. Chaudhary, A., Raheja, J. L., Das, K., & Raheja, S. (2011). A survey on hand gesture recognition in context of soft computing. In International Conference on Computer Science and Information Technology 133: 46-55
  9. Weinland, D., Ronfard, R., Boyer, E., (2011). A survey of vision-based methods for action representation, segmentation and recognition. Computer Vision and Image Understanding 115: 224–241
  10. Yu, G., & Yuan, J. (2015). Fast action proposals for human action detection and search. In Proceedings of the IEEE conference on computer vision and pattern recognition, 1302-1311
  11. Baccouche, M., Mamalet, F., Wolf, C., Garcia, C., & Baskurt, A. (2011). Sequential deep learning for human action recognition. In International Workshop on Human Behavior Understanding, 7065: 29-39
  12. Eroglu, H., Gokce, C. O., & Ilk, H. G. (2014, April). Human action recognition via spatial and temporal methods. In Signal Processing and Communications Applications Conference (SIU), 2014 22nd, 104-107
  13. Niebles, J. C., Wang, H., & Fei-Fei, L. (2008). Unsupervised learning of human action categories using spatial-temporal words. International journal of computer vision, 79(3): 299-318
  14. Schuldt, C., Laptev, I., & Caputo, B. (2004). Recognizing human