Derin öğrenme kullanan dinamik bulanık bilişsel haritalar ile gerçek zamanlı nesne takibi

Bulanık bilişsel haritalar (BBH) kompleks sistemlerin modellenmesi için sisteme ait bazı özellikler ve bu özelliklerin ilişkilerini bir graf yapısı üzerinde ifade ederek ilgili sistemin işletimini taklit veya simüle eden yumuşak hesaplama yöntemidir. Herhangi bir öğrenme yöntemi ile takviye edilmemiş klasik ve statik ağırlıklara sahip bulanık bilişsel haritaların, dinamik sistemleri modelleme konusunda bazı eksiklikleri ve başarısızlıkları görülmektedir. Bu durumun sebebi, statik ağırlıklara sahip bulanık bilişsel haritaların aynı konsept değerleri ve işletim zamanında aynı konsept ilişkilerini kullanmasından kaynaklanmaktadır. Literatürde, BBH'ın bu problemini aşmak için farklı dinamik BBH önerileri sunulmuştur. Bu tez çalışmasında, BBH işletimi için yeni bir dinamik bakış açısı kazandırılmıştır. Burada kullanılan dinamik BBH çevrimiçi ağırlık belirleme işlemini bir derin yapay sinir ağı modeliyle sağlamaktadır. Ayrıca ağırlık belirlemesinde kullanılan derin yapay sinir ağının bilişsel ağırlıklar içeren veri setinin oluşturulması için genetik optimizasyon tabanlı BBH ağırlık belirleme işlemi kullanılmıştır. Buna ek olarak geliştirilen yapı farklı sanal senaryolar üzerinde test edilmiş ve tez çalışması içerisinde sonuçları verilmiştir. Verilen sonuçlar incelendiğinde geliştirilen yapının derin öğrenme ile ağırlık belirleme işlemini gerçekleştirmesinden ötürü dinamik işletimlerde meydana gelen hata toleransı ve yüksek başarım oldukça dikkat çekicidir. Sanal senaryolar üzerinde verilen yapının test edilmesinin ardından derin öğrenme kullanan dinamik bulanık bilişsel haritalarla (DBBH) farklı nesne takip uygulamaları gerçek zamanlı bir şekilde gerçekleştirilmiştir. Burada bahsedilen ilk nesne takip uygulaması klasik tekli nesne takibidir. Önerilen yöntem komplekliği en az olan bu nesne takip uygulamasını başarılı bir şekilde gerçekleştirmiştir. Daha sonra klasik çoklu takip uygulamaları üzerinde önerilen yöntemin başarımı test edildiğinde elde edilen sonuçlar yine oldukça tatmin edici ve başarılı olarak nitelendirilmiştir. Son olarak farklı görüde kaydedilmiş görüntüler üzerindeki nesne takibi işlemini de gerçek zamanlı performansta ve yüksek başarımda gerçekleştiren verilen bu yeni bakış açısı, derin öğrenme kullanan DBBH'ın görüntü işleme ve bilgisayarlı görü problemleri için oldukça uygulanabilir ve yüksek performanslı olduğunu göstermektedir.