Dergiler / Veri Bilimi / 2021 / Cilt: 4 - Sayı: 1

Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti

Sayfa
73–83
Yayın Tarihi
2021-01-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Deneyler sonucunda %74.9 ortalama hassasiyet elde etmenin mümkün olduğu gösterilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Hava görüntüleri üzerinde araç tespiti; istihbarat, keşif ve gözetleme açısından önemlidir.
📊
Temel Bulgular & Veri:Ancak bu görev; düşük uzamsal çözünürlük, karmaşık arka plan, nesne üzerine düşen ışık/gölge farklılıkları ve nesnelerin çevre tarafından kamufle olması gibi sebeplerle zordur.
💡
Sonuç & Katkı:Deneyler sonucunda %74.9 ortalama hassasiyet elde etmenin mümkün olduğu gösterilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Nesne Tespiti · Derin Öğrenme · Hava Görüntüleri

Özet

Hava görüntüleri üzerinde araç tespiti; istihbarat, keşif ve gözetleme açısından önemlidir. Ancak bu görev; düşük uzamsal çözünürlük, karmaşık arka plan, nesne üzerine düşen ışık/gölge farklılıkları ve nesnelerin çevre tarafından kamufle olması gibi sebeplerle zordur. Son zamanlarda geliştirilen CNN tabanlı ağlar umut vericidir ancak bu ağlar doğrudan küçük nesnelerin tespiti için yeterli değildirler ve ince ayara ihtiyaç duyarlar. Bu çalışmada daha hızlı RCNN algoritması ve görece büyük nesnelerin tespitinde başarısı kanıtlanmış ResNet ağı ile VEDAI veri kümesi üzerinde çalışılmıştır. Nesnelerin toplam görüntüdeki piksellerin 0.5×10−3’ü kadar az yer kapladığı görüntüler üzerinde başarım artırımı için daha hızlı RCNN algoritmasında değişiklikler ile çeşitli deneyler yapılmıştır. Deneyler sonucunda %74.9 ortalama hassasiyet elde etmenin mümkün olduğu gösterilmiştir.

🔖

Bu Makaleye Atıf Yap

ER, Ö., BİLGE, H. Ş. (2021). Bir Küçük Nesne Tespit Zorluğu Olarak Hava Görüntülerinden Araç Tespiti. Veri Bilimi, Cilt: 4 - Sayı: 1, 73–83. https://ajindex.com/articles/821863

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. Liu C, Ding Y, Zhu M, Xiu J, Li M, Li Q. ”Vehicle Detection in Aerial Images Using a Fast Oriented Region Search and the Vector of Locally Aggregated Descriptors”. Sensors, 19(15), 3294, 2019.
  2. Dalal N., Triggs B. Histograms of oriented gradients for human detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition; San Diego, CA, USA. 20–25 June 2005.
  3. Lowe D. “Distinctive image features from scale-invariant keypoints”. International Journal of Computer Vision, 60, 91–110, 2004.
  4. Chang C, Lin C. LIBSVM: A library for support vector machines. ACM Trans. Intell. Syst. Technology, 389–396, 2011.
  5. Viola P, Jones M. Rapid object detection using a boosted cascade of simple features. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Kauai, USA, 2001.
  6. Felzenszwalb P, Girshick R, McAllester D, Ramanan D. Object detection with discriminatively trained part based models. IEEE Trans. Pattern Anal. Mach. Intell, 32, 1627–1645, 2010.
  7. Deng J, Berg A, Satheesh S, Su H, Khosla A, Li F. ImageNet Large Scale Visual Recognition Competition 2012, accessed on 10 July 2017.
  8. Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks. Proceedings of the 25th International Conference on Neural Information Processing System, Lake Tahoe, NV, USA, 3–6 December 2012.
  9. Girshick R, Donahue J, Darrell T, Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, 23–28 June 2014. Girshick R. Fast R-CNN. 2015 IEEE International Conference on Computer Vision (ICCV), Santiago, 1440-1448, 2015
  10. Ren S, He K, Girshick R, Sun J. Faster R-CNN: Towards real-time object detection with region proposal networks. Neural Information Processing Systems (NIPS), 2015.
  11. Tayara H, Soo K, Chong K. Vehicle Detection and Counting in High-Resolution Aerial Images Using Convolutional Regression Neural Network. IEEE Access, 1-1, 2017
  12. Redmon J, Farhadi A. "An incremental improvement". CoRR, vol. 3, 2018.
  13. Redmon J, Divvala S, Girshick R, Farhadi A. "You only look once: Unified real-time object detection". IEEE Conference on ComputerVision and Pattern Recognition, 2016.
  14. Redmon J, Farhadi A. "YOLO9000: Better, Faster, Stronger". 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 6517-6525, 2017
  15. Liu W, Anguelov D, Erhan D, Szegedy C, Reed S. "Ssd: Single shot multi