AI Summary & Key Takeaways
AI InsightAccording to this evaluation result, high performance results are obtained with 0.916 precision, 0.895 recall and 0.906 f1 score value in the ResNet50 model.
📌 3 Key Takeaways
Abstract
There has been a significant increase in the use of deep learning algorithms in recent years. Convolutional neural network (CNN), one of the deep learning models, is frequently used in applications to distinguish important objects such as humans and vehicles from other objects, especially in image processing. After the ImageNet Large Scale Visual Recognition Competition (ILSVRC) in 2012, the use of ESA in applications is becoming quite common. With the development of image processing hardware, the image processing process is significantly reduced. Thanks to these developments, the performance of studies on deep learning is increasing. In this study, a system based on deep learning has been developed to detect and classify objects (human, car and motorcycle / bicycle) from images captured by drones. Two datasets, the image set of Stanford University and the drone image set created at Afyon Kocatepe University (AKÜ), are used to train and test the deep neural network with the transfer learning method. Training and testing processes are carried out using a total of 3841 images, 2591 from the Stanford dataset and 1250 from the AKÜ dataset. The precision, recall and f1 score values are evaluated according to the process of determining and classifying human, car and motorcycle / bicycle classes using GoogleNet, VggNet and ResNet50 deep learning algorithms. According to this evaluation result, high performance results are obtained with 0.916 precision, 0.895 recall and 0.906 f1 score value in the ResNet50 model.
Özet
Son yıllarda derin öğrenme algoritmalarının kullanımında önemli bir artış görülmektedir. Uygulamalarda derin öğrenme modellerinden evrişimli sinir ağı (ESA) özellikle görüntü işlemede insan ve araç gibi önemli nesneleri diğer nesnelerden ayırmak için sıklıkla kullanılmaktadır. Görüntü işleme donanımlarının gelişmesiyle görüntü işleme süreci önemli ölçüde azaltılmaktadır. Bu gelişmeler sayesinde derin öğrenme üzerine yapılan çalışmaların performansı artmaktadır. Bu çalışmada, dronlar tarafından elde edilen görüntülerden nesneleri (insan, araba ve motosiklet/bisiklet) tespit etmek ve sınıflandırmak için derin öğrenmeye dayalı bir sistem geliştirilmiştir. Derin sinir ağının transfer öğrenme yöntemiyle eğitilmesi ve test edilmesi için açık kaynak olan Stanford Üniversitesi görüntü seti ve Afyon Kocatepe Üniversitesi (AKÜ)’nde oluşturulan drone görüntü seti olmak üzere iki veri seti kullanılmıştır. GoogleNet, VggNet ve ResNet50 derin öğrenme algoritmaları kullanılarak insan, araba ve motosiklet/bisiklet sınıflarını tespit etme ve sınıflandırma işlemine göre kesinlik, duyarlılık ve f1 skor değerleri değerlendirilmiştir. Bu değerlendirme sonucuna göre ResNet50 modelinde 0,916 kesinlik, 0,895 hassasiyet ve 0,906 f1 skor değeriyle performansı yüksek sonuçlar elde edilmiştir.Anahtar Kelimeler: Derin öğrenme, Nesne tespiti, CNN