Detection of humans in video streams using convolutional neural networks

Bu tezde, video akışlarında insanların tespiti için CNN gibi derin öğrenme yaklaşımlarına odaklandım. Bu tez, esas olarak, istenen sonuçları elde etmek için sinir ağlarını veya diğer modelleri yeterli miktarda veri ile eğitmeye odaklanmıştır. Derin öğrenme alanındaki en küçük birim olan bir nöronun tanımlandığı ve açıklandığı sinir ağının temellerinden başlayarak, araştırmayı video akışlarında insanları tespit edebileceğim konuya yükselttim. Bu araştırmada önce sinir ağları tanıtılmış, ardından sinir ağlarının hem CPU hem de GPU ile eğitimi sağlanmıştır. Bu tezin temel amacı, Konvolüsyonel Sinir Ağlarını Kullanarak Video Akışlarında İnsanların Tespiti için bir yöntem geliştirmektir. Bu araştırma, önerilen sistemi herhangi bir açık kaynaklı video nesnesi veri kümesi üzerinde Evrişimsel sinir ağı ile eğitmeyi amaçlamaktadır. Önerilen sistemin metodolojisi için CNN kullanılacaktır. CNN yöntemi, bir dizi kural üzerinde herhangi bir görevi gerçekleştirmek için farklı ajanların bir araya getirilmesiyle daha iyi sonuçlar elde etmenin en gelişmiş ve verimli yöntemlerinden biridir. Python'da Evrişimsel sinir ağı Kitaplıkları kullanılacaktır. Video tabanlı insan tespiti için veri kümesi, UCL veya Open Sets gibi Kaggle gibi herhangi bir açık kaynak deposundan temin edilecektir ve veri kümelerinin adı Pascal VOC 2007 ve alışveriş veri kümesidir. Bu tezin uygulanması için Python, büyük ölçekli verileri daha doğru bir şekilde işlemek için en verimli araç olduğu için kullanımda iletilecektir. Geri yayılımın matris formu olarak adlandırılan bir algoritmada, CUDA çekirdeği ve cuBLAS kitaplığı (Python Kitaplığı) ile birlikte birden fazla GPU kullanımı yapılmıştır. İnsan yüzü tanıma uygulaması, önceden eğitilmiş model Facenet (yüz tanıma sistemi) ve Derin Evrişimli Sinir Ağları kullanılarak gerçekleştirilmiştir. Sinir ağları ve yüz tanıma uygulaması analiz edildikten sonra, diğer derin öğrenme yaklaşımlarına güç verilmiştir. Python için anaconda tarafından desteklenen tensör akışı ve keras ortamıyla yüz tanıma, Görüntü kaydı ve YOLO Nesne Algılama ve Tanıma uygulamak için OpenCV kitaplığını derin öğrenme yaklaşımlarıyla birlikte kullandım. %91,6 doğruluk elde ettik.