Yapay Hava İmgeleriyle Nesne Tespit Algoritmalarının Güçlendirilmesi

Abstract

İnsansız hava araçlarından (İHA) elde edilen görüntülerde nesne tespitinin Derin Evrişimsel Yapay Sinir Ağlarıyla (DEYSA) yapılabilmesi için nesnelere ait referans sınıf bilgisi, çevreleyici kutu, optik akış, örtüşme ve bölütleme gibi etiketlere sahip çok sayıda örnek imgeye ihtiyaç duyulmaktadır. Ancak çevresel şartlardan kaynaklanan senaryo çeşitliliğindeki yetersizlik ve bu senaryoların etiketlenmesinde karşılaşılan zorluklar nedeniyle bahse konu referans bilgilerine sahip yeterli sayıda veri kümesi literatürde bulunmamaktadır. Bu çalışmada, sanal dünyalar yaratılarak farklı senaryolarda her türlü etiketleme bilgisine sahip yapay hava görüntüleri üretilmiş ve DEYSA tabanlı nesne tespit algoritmalarının güçlendirilmesi hedeflenmiştir. Yapılan deneylerde eğitim aşamasında yapay hava imgelerinin desteğiyle eğitilen DEYSA tabanlı nesne tespit algoritmalarının gerçek hava imgelerinde tespit sonuçlarının, önemli ölçüde iyileştirildiği görülmüştür.

In order to accurately perform object detection by deep convolutional neural networks (DCNN) in videos, obtained from unmanned aerial vehicles (UAVs), many example images of objects containing annotations such as ground truth class information, bounding box, optical flow, occlusion and segmentation are required. Due to the difficulties faced during annotation of scenarios, and due to the inadequacy of the scenario diversity resulting from environmental conditions, a dataset containing above mentioned ground truths has not been found in the literature. In this study, synthetic aerial images with various annotation information were created in different scenarios while composing virtual worlds, and enhancing object detection algorithms is aimed. Enhancement of detection results of DCNN based object detection algorithms, trained with the support of synthetic aerial images, on real-world aerial images significantly, was observed during the experiments, conducted.