İnsansız Hava Aracı Görüntülerinde Evrişimli Sinir Ağı Kullanarak Araç Sayımı için Yeni Bir Haritalama Yöntemi

Özet

İnsansız hava araçlarından (İHA) elde edilen görüntüleri yapay zeka sistemleri ile analiz eden otomatik sistemlerin sayısı giderek artmaktadır. Bu çalışmalarınörneklerini şehircilik ve trafik uygulamalarında da görmekteyiz. Bu uygulamalar için görüntüde bulunan arabaların sayısının belirlenmesi oldukça önemlidir. Verihazırlama ve etiketleme işlemi yapıldığı yönteme bağlı olarak çok zahmetli olmaktadır. Özellikle çerçeve etiketleme ile verilerin hazırlanması uzun zamanalmaktadır. Nokta etiketleme ile verilerin hazırlanması çerçeve etiketleme ile hazırlanan süreyi 4 kat azaltmaktadır. Bu çalışmada nokta etiketleme ile hazırlanan veri ile İHA görüntülerinden araç sayımı öğrenebilen derin öğrenme modeli önerilmektedir. Nokta etiketleme ile derin modellerin eğitilmesi için yeni bir kayıpfonksiyonu önerilmiştir. Önerilen yöntemin başarımının değerlendirilmesi amacıyla CARPK veri seti üzerinde deneysel sonuçlar yapılmıştır. Elde edilen sonuçlarçerçeve etiketleme ile eğitilen modeller ile kıyaslandığında önerilen yöntemin bu modeller ile yarışabilecek düzeyde başarım elde ettiği görülmektedir.

Abstract

Numbers of automated artificial intelligence systems that process images captured from unmanned aerial vehicles (UAV) are gradually increasing. Examples of these studies have been performed in urbanization and traffic applications. Determining the number of cars in the image is very crucial for these applications. Data preparation and labeling process is very laborious depending on the method it is performed. It takes a long time to prepare the data, especially with bounding box annotation. Preparation of data with point annotation reduces the time prepared with bounding box labeling by 4 times. In this study, a novel deep learning model that can learn vehicle counting from UAV images with data prepared with point labeling is proposed. A novel loss function has been proposed for the training of the model with point annotation. Experiments on the CARPK dataset show the competitive counting and localizing performance of the proposed method comparedwith existing methods that were been trained with bounding box annotations.