Derin öğrenme algoritmaları kullanılarak gerçek zamanlı silah tanıma uygulaması
Yükleniyor...
Dosyalar
Tarih
2017
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
GPU'lardaki donanımsal gelişmeler ve GPU'ların genel amaçlı programlanmasını sağlayan CUDA, görüntü işleme gibi yüksek derecede veri paralelliği gerektiren bazı alanlarda köklü değişiklikler yaşatmıştır. Özellikle bilgisayar görüsünde nesne sınıflandırma, nesne algılama, bölütleme gibi görevlerde etkileyici başarılar sergileyen derin öğrenme algoritmalarına olan ilgiyi artırmıştır. GPU ve derin öğrenme alanında yaşanan gelişmeler sayesinde kamera görüntülerinin gerçek zamanlı olarak, insan faktörüne ihtiyaç duymadan yorumlanmasında önemli başarılar elde edilmiştir. Güvenliğin önemli olduğu yerlerde, kameralardan elde edilen görüntülerin mümkün olan en kısa zamanda yorumlanması önem arz etmektedir. Silahlı tehditlerin hızlı bir şekilde tespit edilmesi güvenliği daha yüksek düzeye çıkaracaktır. Bu işlemi gerçekleştirmek adına bu tez çalışmasında, NVIDIA firmasının CUDA destekli platformları ve derin öğrenme algoritmaları kullanılarak gerçek zamanlı silah tanıma uygulaması gerçekleştirilmiştir. Uygulamayı gerçekleştirmek için içerisinde silah nesnesi bulunan resimlerle veri seti oluşturulmuştur. Bu veri seti kullanılarak DetectNet ve YOLO derin sinir ağı modelleri eğitilmiştir. Test görüntülerinden elde edilen sonuçlar ve CUDA destekli bir gömülü sistem olan Jetson TX1 kartındaki çalışma performansı bakımından DetectNet modelinin YOLO modelinden daha başarılı olduğu görülmüştür.
The development of GPUs and CUDA, which allows general-purpose programming of GPUs, have undergone radical changes in some areas that require high degree of data parallel such as image processing. In particular, it has also increased the interest in deep learning algorithms that show impressive successes in tasks such as object classification, object detection, segmentation on a computer vision. Thanks to improvements in GPU and deep learning areas, important achievements have been achieved in interpreting camera images in real time, without the need for a human factor. It is important to quickly interpret the images obtained from the cameras in places where safety is important. Rapid detection of armed threats will result in a higher level of security. In order to accomplish this task, in this thesis, real-time handgun detection was implemented using NVIDIA's CUDA-supported platforms and deep learning algorithms. In order to perform the application, a data set was created by using the pictures with the handgun object. Using this data set, DetectNet and YOLO deep neural network models were trained. The results from the test images and the performance on the Jetson TX1 card, an embedded system with CUDA support, were found to be the DetectNet model is more successful than the YOLO model.
The development of GPUs and CUDA, which allows general-purpose programming of GPUs, have undergone radical changes in some areas that require high degree of data parallel such as image processing. In particular, it has also increased the interest in deep learning algorithms that show impressive successes in tasks such as object classification, object detection, segmentation on a computer vision. Thanks to improvements in GPU and deep learning areas, important achievements have been achieved in interpreting camera images in real time, without the need for a human factor. It is important to quickly interpret the images obtained from the cameras in places where safety is important. Rapid detection of armed threats will result in a higher level of security. In order to accomplish this task, in this thesis, real-time handgun detection was implemented using NVIDIA's CUDA-supported platforms and deep learning algorithms. In order to perform the application, a data set was created by using the pictures with the handgun object. Using this data set, DetectNet and YOLO deep neural network models were trained. The results from the test images and the performance on the Jetson TX1 card, an embedded system with CUDA support, were found to be the DetectNet model is more successful than the YOLO model.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
Cuda, Derin Öğrenme, Derin Sinir Ağları, GPU, Nesne Algılama, Silah Algılama, Deep Learning, Deep Neural Network, Handgun Detection, Object Detection
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Akdağ, A. (2017). Derin öğrenme algoritmaları kullanılarak gerçek zamanlı silah tanıma uygulaması. (Yayınlanmamış Yüksek Lisans Tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı, Konya.
