TR201614118A1 - Bir deniz aracı tanıma yöntemi. - Google Patents
Bir deniz aracı tanıma yöntemi. Download PDFInfo
- Publication number
- TR201614118A1 TR201614118A1 TR2016/14118A TR201614118A TR201614118A1 TR 201614118 A1 TR201614118 A1 TR 201614118A1 TR 2016/14118 A TR2016/14118 A TR 2016/14118A TR 201614118 A TR201614118 A TR 201614118A TR 201614118 A1 TR201614118 A1 TR 201614118A1
- Authority
- TR
- Turkey
- Prior art keywords
- images
- image
- recognition method
- feature
- query image
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000001454 recorded image Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 235000014510 cooky Nutrition 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000007123 defense Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Mevcut buluşla, deniz araçlarının en az bir görüntü kullanarak tanınması için bir tanıma yöntemi geliştirilmektedir. Bahsedilen yöntem, en az bir kaynaktan farklı sınıflardaki yüksek sayıda deniz araçlarına ait görüntülerin alınarak (1) bir veri tabanına kaydedilmesi; kaydedilen görüntülerdeki deniz araçları kullanılarak en az iki üst sınıf oluşturulması (2); derin öğrenme vasıtasıyla bahsedilen üst sınıflara ait modeller elde edilmesi (4); en az bir deniz aracına ait olan en az bir sorgu görüntüsünün (I) betimleyicilerinin çıkartılarak bahsedilen modellerle ilişkilendirilmiş olan hangi üst sınıfa ait olduğunun belirlenerek bahsedilen sorgu görüntüsüne (I) sahip olan deniz aracının sınıflandırılması (5) adımlarını içermektedir.
Description
TARIFNAME
Mevcut bulus, deniz araçlarini en az bir görüntü kullanarak taniyan uygulamalarla ilgilidir.
Bir deniz aracinin bir görüntüleme aygiti vasitasiyla elde edilen görüntüsünün kullanilarak
deniz aracinin taninmasi (örnegin deniz aracinin bir yük gemisi. tanker veya askeri bir
gemi oldugunun belirlenmesi) görüntü isleme teknikleri vasitasiyla saglanabilmektedir.
Bahsedilen taninma islemi, özellikle savunma alaninda önem tasimaktadir.
Bilinen teknikte, bir nesnenin görüntüsüne göre tanimlanmasi için genellikle derin
ögrenme tabanli uygulamalar kullanilmaktadir. Derin ögrenme tabanli uygulamalarda
öncelikle bir ögrenme adimi ile farkli nesnelere ait öznitelikler/betimleyiciler çikartilmakta
ve bahsedilen `öznitelikIer/betimleyiciler kullanilarak nesneler siniflandirilmaktadir. Bir
nesnenin hangi sinifa ait oldugunun belirlenmesi için, bahsedilen nesnenin görüntüsünden
ilgili nesneye ait öznitelikler çikartilmakta ve çikartilan öznitelik bilgisinin ögrenme
adiminda elde edilen hangi sinifa veya siniflara ait olabilecegi olasilik bazinda
hesaplanmaktadir. Böylelikle, ilgili nesnenin siniflandirilmasi saglanmaktadir.
Chatfield, K., Simonyan, K., Vedaldi, A., Zisserman, A., “Return of the devil in the details:
Delving deep into convolutional nets.” ve Vedaldi, A., Lenc, K., “Matconvnet -
convolutional neural networks for MATLAB” baslikli makalelerde, betimleyici çikartilmasi
için VGG-F betimleyicileri kullanilmasindan bahsedilmektedir.
Mabel M. Zhang et al “VAIS A Dataset for Recognizing Maritime Imagery in the Visible
and Infrared Spectrums" baslikli makalede, gemi tanimlanmasi için görünür görüntü ve
kizilötesi görüntü kullanilan bir yöntem açiklanmaktadir. Bahsedilen yöntemde, derin
evrisimsel sinir aglari ve bilinircilik alanlari (gnostic fields) birlikte kullanilmaktadir. Ancak
2590/TR
bahsedilen uygulamada, gemi siniflandirilmasi yeterince hassas
gerçeklestirilememektedir.
Bulusun Kisa Açiklamasi
Mevcut bulusla. deniz araçlarinin en az bir görüntü kullanarak taninmasi için bir tanima
yöntemi gelistirilmektedir. Bahsedilen yöntem, en az bir kaynaktan farkli siniflardaki
yüksek sayida deniz araçlarina ait görüntülerin alinarak bir veri tabanina kaydedilmesi;
kaydedilen görüntülerdeki deniz araçlari kullanilarak en az iki üst sinif olusturulmasi; derin
ögrenme vasitasiyla bahsedilen üst siniflara ait modeller elde edilmesi; en az bir deniz
aracina ait olan en az bir sorgu görüntüsünün betimleyicilerinin çikartilarak bahsedilen
modellerle iliskilendirilmis olan hangi üst sinifa ait oldugunun belirlenerek bahsedilen
sorgu görüntüsüne sahip olan deniz aracinin siniflandirilmasi adimlarini içermektedir.
Mevcut bulusla gelistirilen deniz araci tanima yönteminde, internet gibi bir kaynaktan
alinan görüntüler kullanildigindan farkli deniz araçlarina ait görüntüler ile ögrenme islemi
gerçeklestirilmektedir. Ayrica, bahsedilen görüntüler üst siniflara ayrildigindan deniz
araçlarinin daha dogru siniflandirilmasi saglanmaktadir. Bunlara ek olarak mevcut bulusla
gelistirilen tanima yönteminde, verilen bir sorgu görüntüsüne ait olan deniz aracinin ayni
sinifa ait diger deniz araçlari arasinda taninarak tanimlama bilgilerinin kullaniciya
sunulmasi, bir sorgu görüntüsüne benzer olan görüntülerin alinmasi ve iki farkli sorgu
görüntüsünün ayni deniz aracina ait olup olmadigi da belirlenebilmektedir.
Bulusun Amaci
Mevcut bulusun amaci, deniz araçlarinin en az bir görüntü kullanarak taninmasi için bir
Mevcut bulusun bir diger amaci, yüksek dogruluk oranina sahip olan bir tanima yöntemi
gelistirmektir.
Mevcut bulusun bir baska amaci, iki görüntünün ayni deniz aracina ait olup olmadiginin
algilanmasini saglayan bir tanima yöntemi gelistirmektir.
2590/TR
Mevcut bulusun farkli bir amaci, bir deniz aracinin görüntüsü kullanilarak benzer
görüntülerin elde edilmesini saglayan bir tanima yöntemi gelistirmektir.
Sekillerin Açiklamasi
Mevcut bulusla gelistirilen tanima yönteminin uygulama örnekleri ekli sekillerde gösterilmis
olup bu sekillerden;
Sekil 1; gelistirilen tanima yönteminin bir akis diyagramidir.
Sekil 2; gelistirilen tanima yöntemi ile geleneksel bir uygulamanin karsilastirmali
bir alinan görüntü sayisi/ortalama duyarlilik degeri grafigidir.
Sekillerdeki parçalar tek tek numaralandirilmis olup bu numaralarin karsiliklari asagida
verilmistir:
Sorgu görüntüsü
Görüntü alinmasi 1)
Üst sinif olusturma (2)
Veri kümesi ayristirma (3)
Derin ögrenme (4)
Siniflandirma (5)
Benzer görüntü bulma (6)
Dogrulama (8)
Bulusun Açiklamasi
Bir deniz aracinin en az bir görüntüsünün kullanilarak deniz aracinin hangi sinifa ait
oldugun belirlenmesi, özellikle savunma alaninda önem tasimaktadir. Bir deniz aracinin
örnegin askeri bir araç mi yoksa bir yük gemisi mi oldugunun algilanmasi sayesinde,
gerekli durumlarda önceden tedbir alinabilmektedir. Deniz aracinin hizli ve dogru bir
sekilde taninmasi, gerekli tedbirlerin zamaninda ve dogru alinabilmesini saglamaktadir.
Bu sebeple mevcut bulusla, deniz araçlarinin en az bir görüntü kullanilarak taninmasi için
bir tanima yöntemi gelistirilmektedir.
2590/TR
Mevcut bulusla gelistirilen ve örnek bir akis diyagrami Sekil 1'de verilen tanima yöntemi,
örnegin internet gibi en az bir kaynaktan farkli siniflardaki yüksek sayida deniz araçlarina
ait görüntülerin alinarak (1) bir veri tabanina kaydedilmesi; kaydedilen görüntülerdeki
deniz araçlari kullanilarak en az iki üst sinif olusturulmasi (2); derin ögrenme vasitasiyla
bahsedilen üst siniflara ait modeller elde edilmesi (4); en az bir deniz aracina ait olan en
az bir sorgu görüntüsünün (I) betimleyicilerinin çikartilarak bahsedilen modellerle
iliskilendirilmis olan hangi üst sinifa ait oldugunun belirlenerek bahsedilen sorgu
görüntüsüne (l) sahip olan deniz aracinin siniflandirilmasi (5) adimlarini içermektedir.
Burada, bahsedilen üst sinif olusturulmasi (2) için alinan görüntülerdeki deniz araçlarinin
betimleyicileri çikartilmakta ve ana bilesenler analizi ile betimleyicilerin boyutlari
küçültülmektedir. Sonrasinda, siniflar arasi uzaklik matrisi ile dagilimi birbirine benzeyen
ve semantik olarak da birbiriyle ilgili olan siniflar spektral kümeleme yöntemi ile birer üst
sinif olarak birlestirilmektedir.
Bulusun tercih edilen bir uygulamasinda, üst siniflarin olusturulmasi (2) adimindan sonra,
alinan görüntüler egitim kümesi ve test kümesi olarak veri kümelerine ayrilmistir (3). Derin
ögrenme (4) adiminda, bahsedilen egitim veri kümesinde ögrenilen modeller kullanilarak
test veri kümesindeki gemiler siniflandirilmaktadir. Örnek bir uygulamada, betimleyici
olarak VGG-F betimleyicileri ve derin ögrenme (4) uygulamasi olarak AIexNet mimarisi
kullanilmasi durumunda, test veri kümesindeki gemilerin %73,14 dogrulukla
siniflandirildigi görülmüstür.
Bulusun bir diger tercih edilen uygulamasinda bahsedilen tanima yöntemi, iki farkli sorgu
görüntüsünün (l) ayni deniz aracina ait olup olmadiginin dogrulanmasi (8) için, kümelere
ayristirma (3) adiminda ayni deniz araçlarina ait olan (pozitif) ve farkli deniz araçlarina ait
olan (negatif) görüntü çiftlerine ait modeller ile olusturulmus temsillerle egitim ve test veri
kümeleri olusturulmasi adimini içermektedir. Burada, ana bilesenler analizi ve destek
vektör makinesi kullanilarak %91,01 dogrulama basarisi saglanabilmektedir.
Bulusun tercih edilen bir baska uygulamasinda, bulgetir amaçli olarak, verilen bir sorgu
görüntüsüne (l) benzer görüntülerin elde bulunan büyük veri kümesinden getirilmesi (6)
saglanmaktadir. Bu uygulamada, sorgu görüntüsünün (l) betimleyicileri çikartilmakta ve
veri tabanindaki görüntülerden, betimleyicileri sorgu görüntüsünün (l) betimleyicilerine
2590/TR
yakin olan görüntüler kullaniciya sunulmaktadir. Sekil 2'de, mevcut bulusla gelistirilen
yöntemdeki benzer görüntü bulma (6) uygulamasi ile geleneksel bir uygulamanin (VGG-F
uygulamasinin) karsilastirilmasi verilmektedir. Sekil 2”de verilen grafige göre, özellikle
düsük sayida benzer görüntü istendiginde sorgu görüntüsü (I) ile ayni siniftan görüntü
getirilmesi olasiligi geleneksel uygulamalardan yüksek olmaktadir.
Bulusun diger bir tercih edilen uygulamasinda, bir deniz aracinin sorgu görüntüsü (I)
kullanilarak taninmasi (7) saglanmaktadir. Bu uygulamada, görüntüsü veri tabaninda yer
alan deniz araçlarina ait tanimlama bilgileri (örnegin IMO- International Maritime
Organization - Uluslararasi Denizcilik Örgütü numarasi), ilgili deniz aracinin görüntüleri ile
eslenerek bahsedilen veri tabanina kaydedilmektedir. Taninmasi istenen deniz aracina ait
olan sorgu görüntüsü (I) alindiginda, bahsedilen sorgu görüntüsünün (l) betimleyicileri
çikartilarak öncelikle deniz aracinin sinifi belirlenmekte, ardindan belirlenen siniftaki
görüntülerden hangisinin (veya hangilerinin) ilgili deniz aracina ait oldugu
belirtilenmektedir. Sonrasinda, belirlenen görüntüye ait olan tanimlama bilgilerinin
kullaniciya sunulmasi ile tanima islemi (7) gerçeklestirilmektedir.
Mevcut bulusla gelistirilen deniz araci tanima yönteminde, internet gibi bir kaynaktan
alinan görüntüler (1) kullanildigindan farkli deniz araçlarina ait görüntüler ile ögrenme
islemi gerçeklestirilmektedir. Ayrica, bahsedilen görüntüler üst siniflara ayrildigindan (2)
deniz araçlarinin daha dogru siniflandirilmasi (5) saglanmaktadir. Bunlara ek olarak
mevcut bulusla gelistirilen tanima yönteminde, verilen bir sorgu görüntüsüne (I) ait olan
deniz aracinin ayni sinifa ait diger deniz araçlari arasinda taninarak (7) tanimlama
bilgilerinin kullaniciya sunulmasi, bir sorgu görüntüsüne (I) benzer olan görüntülerin
alinmasi ve iki farkli sorgu görüntüsünün (I) ayni deniz aracina ait olup olmadigi da
belirlenebilmektedir.
Claims (1)
- ISTEM LER Deniz araçlarinin taninmasi için bir tanima yöntemi olup özelligi; - en az bir kaynaktan yüksek sayidaki farkli siniflara deniz araçlarina ait görüntülerin alinarak (1) bir veri tabanina kaydedilmesi; - kaydedilen görüntülerdeki deniz araçlari kullanilarak en az iki üst sinif olusturulmasi (2); - derin ögrenme vasitasiyla bahsedilen üst siniflara ait modeller elde edilmesi - en az bir deniz aracina ait olan en az bir sorgu görüntüsünün (l) betimleyicilerinin çikartilarak bahsedilen modellerle iliskilendirilmis olan hangi üst sinifa ait oldugunun belirlenerek bahsedilen sorgu görüntüsüne (l) sahip olan deniz aracinin siniflandirilmasi (5) adimlarini içermesidir. Istem 1'e uygun bir tanima yöntemi olup özelligi; bahsedilen üst sinif olusturulmasi (2) - alinan görüntülerdeki deniz araçlarinin betimleyicilerinin çikartilmasi ve ana bilesenler analizi ile betimleyicilerin boyutlarinin küçültülmesi; - siniflar arasi uzaklik matrisi ile dagilimi birbirine benzeyen ve semantik olarak da birbiriyle ilgili olan siniflar spektral kümeleme yöntemi ile birer üst sinif olarak birlestirilmesi adimlarini içermesidir. Istem ile uygun bir tanima yöntemi olup özelligi; üst siniflarin olusturulmasi (2) adimindan sonra, alinan görüntüler egitim kümesi ve test kümesi olarak veri kümelerine ayrilmasi (3) adimini içermesidir. Istem 3'e uygun bir tanima yöntemi olup özelligi; derin ögrenme (4) adiminda, bahsedilen egitim veri kümesinde ögrenilen modeller kullanilarak test veri kümesindeki gemilerin siniflandirilmasidir. Istem Sie uygun bir tanima yöntemi olup özelligi; kümelere ayristirma (3) adiminda ayni deniz araçlarina ait olan ve farkli deniz araçlarina ait olan görüntü çiftlerine ait modeller ile olusturulmus temsillerle egitim ve test veri kümeleri olusturulmasi adimini içermesidir. Istem 1'e uygun bir tanima yöntemi olup özelligi; bir sorgu görüntüsüne (I) benzer görüntülerin elde bulunan büyük veri kümesinden getirilmesi (6) için, - sorgu görüntüsünün (I) betimleyicileri çikartilmasi ve - veri tabanindaki görüntülerden, betimleyicileri sorgu görüntüsünün (I) betimleyicilerine yakin olan görüntülerin kullaniciya sunulmasi adimlarini içermesidir. istem 1'e uygun bir tanima yöntemi olup özelligi; bir deniz aracinin sorgu görüntüsü (l) kullanilarak taninmasi (7) için, - görüntüsü veri tabaninda yer alan deniz araçlarina ait tanimlama bilgilerinin ilgili deniz aracinin görüntüleri ile eslenerek bahsedilen veri tabanina kaydedilmesi, - bahsedilen sorgu görüntüsünün (I) betimleyicileri çikartilarak deniz aracinin sinifinin belirlenmesi, - belirlenen siniftaki görüntülerden hangisinin ilgili deniz aracina ait oldugunun belirlenmesi, - belirlenen görüntüye ait olan tanimlama bilgilerinin kullaniciya sunulmasi adimlarini içermesidir.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2016/14118A TR201614118A1 (tr) | 2016-10-07 | 2016-10-07 | Bir deniz aracı tanıma yöntemi. |
PCT/TR2016/050374 WO2018067080A1 (en) | 2016-10-07 | 2016-10-10 | A marine vessel identification method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2016/14118A TR201614118A1 (tr) | 2016-10-07 | 2016-10-07 | Bir deniz aracı tanıma yöntemi. |
Publications (1)
Publication Number | Publication Date |
---|---|
TR201614118A1 true TR201614118A1 (tr) | 2018-04-24 |
Family
ID=57485848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TR2016/14118A TR201614118A1 (tr) | 2016-10-07 | 2016-10-07 | Bir deniz aracı tanıma yöntemi. |
Country Status (2)
Country | Link |
---|---|
TR (1) | TR201614118A1 (tr) |
WO (1) | WO2018067080A1 (tr) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376591B (zh) * | 2018-09-10 | 2021-04-16 | 武汉大学 | 深度学习特征与视觉特征联合训练的船只目标检测方法 |
CN109657541A (zh) * | 2018-11-09 | 2019-04-19 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的船舶检测方法 |
CN109754014B (zh) * | 2018-12-29 | 2021-04-27 | 北京航天数据股份有限公司 | 工业模型训练方法、装置、设备及介质 |
CN110175535B (zh) * | 2019-05-08 | 2023-07-04 | 广州中交通信有限公司 | 一种基于深度学习的船舶识别系统及其识别方法 |
CN110569844B (zh) * | 2019-08-26 | 2022-02-08 | 中国人民解放军91550部队 | 基于深度学习的船舶识别方法及系统 |
CN111259812B (zh) * | 2020-01-17 | 2023-04-18 | 上海交通大学 | 基于迁移学习的内河船舶重识别方法、设备及存储介质 |
CN113139077B (zh) * | 2020-11-04 | 2023-03-10 | 西安天和防务技术股份有限公司 | 一种识别船舶身份的方法、装置、终端及存储介质 |
CN114007050A (zh) * | 2021-10-14 | 2022-02-01 | 桂林电子科技大学 | 一种基于北斗通信的目标识别图像传输方法 |
-
2016
- 2016-10-07 TR TR2016/14118A patent/TR201614118A1/tr unknown
- 2016-10-10 WO PCT/TR2016/050374 patent/WO2018067080A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2018067080A1 (en) | 2018-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TR201614118A1 (tr) | Bir deniz aracı tanıma yöntemi. | |
Han et al. | Object detection in optical remote sensing images based on weakly supervised learning and high-level feature learning | |
WO2017027321A1 (en) | Business discovery from imagery | |
US9076195B2 (en) | Methods and apparatus to identify components from images of the components | |
Hussain et al. | Robust pre-processing technique based on saliency detection for content based image retrieval systems | |
CN111914921A (zh) | 一种基于多特征融合的相似性图像检索方法及系统 | |
CN108073940B (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN110659374A (zh) | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 | |
Kang et al. | Self-supervised spectral–spatial transformer network for hyperspectral oil spill mapping | |
Wang et al. | Drone detection based on FD-HOG descriptor | |
CN113298146A (zh) | 一种基于特征检测的图像匹配方法、装置、设备及介质 | |
Solmaz et al. | Generic and attribute-specific deep representations for maritime vessels | |
CN111553184A (zh) | 一种基于电子围网的小目标检测方法、装置及电子设备 | |
Haigang et al. | A novel ship detection method for large-scale optical satellite images based on visual LBP feature and visual attention model | |
Ghosh et al. | Automated color logo recognition system based on shape and color features | |
Farahnakian et al. | Transfer learning for maritime vessel detection using deep neural networks | |
CN110751065B (zh) | 训练数据的采集方法及装置 | |
CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 | |
CN110717406B (zh) | 一种人脸检测的方法、装置及终端设备 | |
Francisco et al. | Deep learning-based object level change detection in overhead imagery | |
Arai | Image retrieval and classification method based on Euclidian distance between normalized features including wavelet descriptor | |
Liu | An improved ViBe moving object detection algorithm based on spatial-temporal gradient of image | |
Li et al. | Correlation based identity filter: An efficient framework for person search | |
Mouthaan et al. | Region descriptors for automatic classification of small sea targets in infrared video | |
van den Broek et al. | Recognition of ships for long-term tracking |