Geleneksel ve derin öğrenme tabanlı nesne takip yöntemlerinin performans değerlendirmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İnönü Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği, Türkiye
Tezin Onay Tarihi: 2018
Tezin Dili: Türkçe
Öğrenci: HÜSEYİN ÜZEN
Asıl Danışman (Eş Danışmanlı Tezler İçin): Muhammed Fatih Talu
Eş Danışman: KAZIM HANBAY
Özet:Nesne takibi bir video veya gerçek zamanlı kayıt ortamında hedef nesnenin merkez konumu ve boyutunun otomatik olarak elde edilmesidir. Gelişen teknoloji ile birlikte, farklı uygulama alanlarına yönelik nesne takip yöntemleri geliştirilmektedir. Ancak, literatürdeki bu yöntemlerin birtakım testler yardımıyla avantajları ve dezavantajlarının ortaya konulması gerekmektedir. Bu sayede, günümüz problemlerine uygun çözümler geliştirilebilecektir. Bu tez çalışmasında gerçekleştirilen kıyaslamalı testler ile güncel nesne takip yöntemleri değerlendirilmiştir. Ayrıca, destek vektör makinesi gibi geleneksel makine öğrenmesi yöntemlerinin yanında, günümüzde oldukça popüler olan derin öğrenme tabanlı yöntemler de ele alınmıştır. Yapılan tez çalışmasında öncelikle literatürdeki güncel yöntemler incelenmiştir. Daha sonra uygulamalı karşılaştırmalar yapmak üzere beş geleneksel ve beş derin öğrenme tabanlı olmak üzere on nesne takip yöntem seçilmiştir. Bu yöntemlerin avantaj ve dezavantajlarını ortaya koymak amacıyla birbirinden farklı birçok veri setinden videolar kullanılmıştır. Ayrıca, incelenen yöntemler tez çalışması sırasında oluşturulan özel veri seti ile test edilmiştir. Deneysel sonuçlar, üç ana başlık altında (genel, problem bazlı ve performans bazlı değerlendirme) detaylı bir şekilde incelenmiştir. Yapılan kıyaslamalı testler sonucunda derin öğrenme tabanlı yaklaşımların oldukça yüksek nesne takip performansı elde ettiği görülmüştür. Bunun yanında korelasyon filtresi kullanan yöntemler performans açısından günümüzde hala vazgeçilemeyen yöntemler arasında yer almaktadırlar. Ayrıca korelasyon filtresinin nesne tespitinde geleneksel ikili sınıflandırıcılara göre çok daha başarılı olduğu gözlemlenmiştir. Son olarak yapılan testlerde derin öğrenme tabanlı ADNet yönteminin sahip olduğu güçlü ağ mimarisi sayesinde gelecekteki birçok çalışmaya yön verebileceği sonucuna varılmıştır.