Emrah ŞİMŞEK, Bariş ÖZYER, Gülşah Tümüklü ÖZYER

Foto-Kapan Görüntülerinde Derin Öğrenme Tabanlı İnsan Tespiti

Foto-kapanlar doğal ortamda yaşayan canlılara ait görüntülerin elde edilmesi amacıyla kullanılan gömülü sistemlerdir. Foto-kapanların hareket tetikleyicisi ile belirli frekanslarda kaydettiği bu görüntüler, karmaşıklık, arka plan hareketi, ışık şiddeti yetersizliği, kapanma, afin ve 3D dönüşümü, ölçekleme değişimi, parçalı nesne bulunması gibi önemli zorluklar içermektedir. Görüntülerdeki canlıların otomatik olarak tespit edilmesi ve bu zorlukların giderilmesi için kullanılan yerel ve genel öznitelikler ile örüntü tanıma yöntemleri bu zorluklara karşı sınırlı dayanıklılığa sahip olmaları, görüntülere ait derin özniteliklerin çıkarılabildiği derin öğrenme tabanlı yöntemlerin tercih edilmesine neden olmaktadır. YOLO mimarisi, gerçek zamanlı nesne tespitinde kullanılan yüksek tespit ve hız performansına sahip bir derin öğrenme yöntemidir. Bu çalışmada PASCAL VOC veri seti ile eğitilmiş YOLO mimarisinin çok sayıda zorluk içeren foto-kapan veri setindeki tespit başarısı değerlendirilmiştir. Foto-kapan veri setinde yapılan uygulamada yüksek tespit başarısı elde edilmiştir.

Anahtar Kelimeler:

nesne tespiti, derin öğrenme, yolo, foto-kapan

PDF

___

Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep learning for visual understanding: A review. Neurocomputing, 187, 27-48.
Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 580-587).
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.
Nguyen, H., Maclagan, S. J., Nguyen, T. D., Nguyen, T., Flemons, P., Andrews, K., ... & Phung, D. (2017, October). Animal Recognition and Identification with Deep Convolutional Neural Networks for Automated Wildlife Monitoring. In Data Science and Advanced Analytics (DSAA), 2017 IEEE International Conference on (pp. 40-49). IEEE.
Norouzzadeh, M. S., Nguyen, A., Kosmala, M., Swanson, A., Palmer, M., Packer, C., & Clune, J. Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning.
Gonçalves, D. N., de Arruda, M. D. S., da Silva, L. A., Araujo, R. F. S., Machado, B. B., & Gonçalves, W. N. Recognition of Pantanal Animal Species using Convolutional Neural Networks.
Tekeli, U., & Bastanlar, Y. Ham Fotokapan Verisinde HayvanIçeren Fotografların Belirlenmesi Detection of Images with Animals in Raw Camera-Trap Data.
Yu, X., Wang, J., Kays, R., Jansen, P. A., Wang, T., & Huang, T. (2013). Automated identification of animal species in camera trap images. EURASIP Journal on Image and Video Processing, 2013(1), 52.
Kays, R., Tilak, S., Kranstauber, B., Jansen, P. A., Carbone, C., Kays, R., Tilak, S., Kranstauber, B., Jansen, P. A., Carbone, C., Rowcliffe, M. J., & He, Z. (2010). Monitoring wild animal communities with arrays of motion sensitive camera traps. arXiv preprint arXiv:1009.5718.
Andavarapu, N., & Vatsavayi, V. K. (2017). Wild-Animal Recognition in Agriculture Farms Using W-COHOG for Agro-Security. International Journal of Computational Intelligence Research, 13(9), 2247-2257.
Gu, J., Wang, Z., Kuen, J., Ma, L., Shahroudy, A., Shuai, B., ... & Chen, T. (2018). Recent advances in convolutional neural networks. Pattern Recognition, 77, 354-377.
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).
Tompson, J., Goroshin, R., Jain, A., LeCun, Y., & Bregler, C. (2015). Efficient object localization using convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 648-656).