Geleneksel ve derin öğrenme tabanlı nesne takip yöntemlerinin performans değerlendirmesi
| dc.contributor.author | Üzen, Hüseyin | |
| dc.date.accessioned | 2019-11-11T10:22:29Z | |
| dc.date.available | 2019-11-11T10:22:29Z | |
| dc.date.issued | 2018 | |
| dc.department | Enstitüler, | en_US |
| dc.description.abstract | 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. | en_US |
| dc.description.abstract | Object tracking is automatic obtain of the center position and size of target object in a video or real-time recording environment. Along with the developing technology, object tracking methods for different application areas are being developed. The advantages and disadvantages of these state-of-art methods need to present with the help of several tests. Thus, novel solutions can be developed for today's problems. In this thesis, state-of-art object tracking methods were evaluated with the carried out comparative tests. In addition to traditional machine learning methods such as support vector machines, deep learning-based methods, which are quite popular today, are also discussed. In this thesis, firstly the state-of-art methods are examined. Then, ten object tracking methods, which are five traditional and five deep learning based, were selected for applied comparisons. In order to demonstrate the advantages and disadvantages of these methods, videos from many different datasets have been used. In addition, the examined methods were tested with a special dataset which is created during the thesis study. Experimental results have been examined in detail under three main topics (general, problem-based and performance-based evaluation). As a result of the comparative tests, it is seen that the deep learning-based approaches achieve high tracking performance. Besides, methods utilizing correlation filter are still the indispensable methods in terms of performance. It has also been observed that the correlation filter is much more successful in detecting objects than traditional binary classifiers. Finally, it has been concluded with the carried out comparative tests that thanks to the powerful network architecture of deep learning-based ADNet method, it can lead to many future works. | en_US |
| dc.identifier.citation | Üzen, Hüseyin (2018). Geleneksel ve derin öğrenme tabanlı nesne takip yöntemlerinin performans değerlendirmesi. Yayımlanmış Yüksek lisans tezi, İnönü Üniversitesi, Malatya. 1-97 ss | en_US |
| dc.identifier.endpage | 97 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://hdl.handle.net/11616/14774 | |
| dc.language.iso | tr | en_US |
| dc.publisher | İnönü Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
| dc.subject | Computer Engineering and Computer Science and Control Dizin: | en_US |
| dc.title | Geleneksel ve derin öğrenme tabanlı nesne takip yöntemlerinin performans değerlendirmesi | en_US |
| dc.title.alternative | Evaluating object tracking performance of conventional and deep learning based methods | en_US |
| dc.type | Master Thesis | en_US |
