İnsansız hava araçlarından elde edilen görüntüleri yapay zeka sistemleri ile analiz eden otomatik sistemlerin sayısı giderek artmaktadır. Bu çalışmaların örneklerini şehircilik ve trafik uygulamalarında da görmekteyiz. Bu uygulamalar için görüntüde bulunan arabaların sayısının belirlenmesi oldukça önemlidir. Yapay zeka sistemlerinin eğitimi için olabildiğince fazla sayıda etiketlenmiş veriye ihtiyaç duyulmaktadır. Etiketleme işlemi yapıldığı yönteme bağlı olarak çok zahmetli olabilmektedir. Bu çalışmada İHA görüntülerinden otomatik olarak arabaları sayısını belirleyen derin öğrenme modeli önerilmektedir. Önerilen modelin eğitimi için nokta etiketleme verilerinin yeterli olması veri seti oluşturma aşamasını oldukça kolaylaştırmaktadır. Nokta etiketleme ile derin modellerin eğitilmesi için yeni bir kayıp fonksiyonu önerilmiştir. Önerilen yöntemin başarımının değerlendirilmesi amacıyla CARPK veri seti üzerinde deneysel sonuçlar yapılmıştır. Elde edilen sonuçlar çerçeve etiketleme ile eğitilen modeller ile kıyaslandığında önerilen yöntemin bu modeller ile yarışabilecek düzeyde başarım elde ettiği görülmektedir.
The number of automatic systems that analyze images obtained from unmanned aircraft with artificial intelligence systems is increasing. We also see examples of these studies in urban and traffic practices. It is very important to determine the number of cars in the picture for these applications. The training of artificial intelligence systems requires as many labeled data as possible. It can be very difficult depending on the method in which the labelling process is done. In this study, a deep learning model is recommended that automatically determines the number of cars from IHA images. The sufficient point labelling data for the proposed model training makes the data set creation phase quite easy. A new loss function has been suggested for the training of deep models with point labelling. Experimental results on the CARPK data set have been made in order to assess the success of the proposed method. The results obtained compared to the models trained with frame labelling, it appears that the recommended method has achieved a level of success that can compete with these models.
Alan : Fen Bilimleri ve Matematik; Mühendislik
Dergi Türü : Ulusal
Benzer Makaleler | Yazar | # |
---|
Makale | Yazar | # |
---|