DERİN ÖĞRENME KULLANAN DİNAMİK BULANIK BİLİŞSEL HARİTALAR İLE GERÇEK ZAMANLI NESNE TAKİBİ

Abstract

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.Fuzzy cognitive maps (FCM) is a soft computation method that simulates the operation of the system by expressing some properties of the system for the modeling of complex systems and their relationships on a graph structure. Fuzzy cognitive maps with classical and static weights, which are not supported by any learning method, have some shortcomings and failures in modeling dynamic systems. This is due to the fact that fuzzy cognitive maps with static weights use the same concept relations at the time of operation and for the all conept values. In the literature, different dynamic FCM recommendations are presented to overcome this problem of FCM. In this thesis, a new dynamic point of view for FCM operation is given. The dynamic FCM used here in provides online weight determination with a deep artificial neural network model. In addition, genetic optimization-based FCM weight determination process was used to establish the data set of the deep artificial neural network used for weight determination. In addition, the developed structure has been tested on different virtual scenarios and the results of the thesis study are given. When the results are examined, the error tolerance and high performance in dynamic operations are noteworthy since the structure developed by the deep learning and weight determination process. After testing the structure on virtual scenarios, different object tracking applications with dynamic fuzzy cognitive maps (DBBH) using deep learning were performed in real time. The first object tracking application mentioned here is the classic single object tracking. The proposed method, which has the least complexity, has successfully implemented the tracking application. Then, when the performance of the proposed method on classical multiple follow-up applications is tested, the results obtained were considered as satisfactory and successful. Last, the DFCM structure using deep learning, is tested on a multi view objtect tracking scenario and this test results also show us our new DFCM structure can track object with high performance in a multiview scenario.