{"id":1058,"date":"2023-03-30T13:03:47","date_gmt":"2023-03-30T10:03:47","guid":{"rendered":"https:\/\/legendhomework.com\/tr\/?p=1058"},"modified":"2023-03-30T13:03:47","modified_gmt":"2023-03-30T10:03:47","slug":"bilesen-segmentasyonu-multimedya-bolumu-multimedya-bolumu-odevleri-multimedya-bolumu-tez-yaptirma-multimedya-bolumu-odev-ucretleri","status":"publish","type":"post","link":"https:\/\/legendhomework.com\/tr\/bilesen-segmentasyonu-multimedya-bolumu-multimedya-bolumu-odevleri-multimedya-bolumu-tez-yaptirma-multimedya-bolumu-odev-ucretleri\/","title":{"rendered":"Bile\u015fen Segmentasyonu \u2013 Multimedya B\u00f6l\u00fcm\u00fc \u2013 Multimedya B\u00f6l\u00fcm\u00fc \u00d6devleri \u2013 Multimedya B\u00f6l\u00fcm\u00fc Tez Yapt\u0131rma \u2013Multimedya B\u00f6l\u00fcm\u00fc \u00d6dev \u00dccretleri"},"content":{"rendered":"

Deneysel Sonu\u00e7lar<\/span><\/strong><\/h3>\n

\u0130deal olarak, hareket tahminimizin her iterasyonu i d\u00f6rt ad\u0131mdan olu\u015facakt\u0131r. \u0130lk olarak, t\u00fcm g\u00f6zlem noktalar\u0131yla \u00e7\u00f6z\u00fcyoruz. Ard\u0131ndan, dayan\u0131kl\u0131 hareket tahmini kriterlerini kar\u015f\u0131layan g\u00f6zlem noktalar\u0131n\u0131 se\u00e7iyoruz. \u00dc\u00e7\u00fcnc\u00fc ad\u0131mda, yine se\u00e7ilen bu g\u00f6zlem noktalar\u0131n\u0131 kullanarak hareket parametrelerini tahmin ediyoruz.<\/span><\/p>\n

Son olarak bu parametreleri g\u00f6re hareket kompanzasyonu i\u00e7in kullan\u0131yoruz. \u0130ki kez \u00e7\u00f6zmekten ka\u00e7\u0131nmak i\u00e7in, i – 1 yinelemesinde sa\u011flam tahmin kriterlerini kar\u015f\u0131layan g\u00f6zlem noktalar\u0131n\u0131 kullan\u0131r\u0131z. Bu nedenle, her i yineleme \u00fc\u00e7 ad\u0131mdan olu\u015fur: (1) i – 1 yinelemesinde se\u00e7ilen g\u00f6zlem noktalar\u0131n\u0131 kullanarak \u00e7\u00f6z, (2) hareket, model nesnesini tahmin edilen hareket parametreleriyle telafi eder ve (3) i + 1 yinelemesinde kullan\u0131lacak yeni g\u00f6zlem noktalar\u0131n\u0131 se\u00e7er.<\/span><\/p>\n

Hareket tahmin algoritmas\u0131n\u0131 ve sa\u011flam tahmin y\u00f6ntemlerini de\u011ferlendirmek i\u00e7in, algoritmay\u0131 bilinen parametrelerle \u00fcretilmi\u015f sentetik g\u00f6r\u00fcnt\u00fc \u00e7iftleri \u00fczerinde test ediyoruz. \u0130lk olarak, test dizisini kullanarak bir model nesnesi olu\u015fturuyoruz.<\/span><\/p>\n

Model g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fc g\u00f6r\u00fcnt\u00fc d\u00fczlemine yans\u0131tarak ilk test g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fc olu\u015fturuyoruz. \u0130kinci test g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fc sentezlemeden \u00f6nce, s\u0131ras\u0131yla hareket ve model hatalar\u0131n\u0131 sim\u00fcle ederek model nesnesini hareket ettirir ve y\u00fcz ifadesini de\u011fi\u015ftiririz.<\/span><\/p>\n

Son olarak, test g\u00f6r\u00fcnt\u00fclerine varyans\u0131 \u03c3n2 olan beyaz Gauss g\u00fcr\u00fclt\u00fcs\u00fcn\u00fc ekliyoruz. A\u015fa\u011f\u0131daki testlerde, ilk test g\u00f6r\u00fcnt\u00fcs\u00fcne kar\u015f\u0131l\u0131k gelen model nesnesini kullan\u0131yoruz. \u0130kinci test g\u00f6r\u00fcnt\u00fcs\u00fcyle sonu\u00e7lanan hareket parametrelerini tahmin ediyoruz.<\/span><\/p>\n

Birinci kalite \u00f6l\u00e7\u00fcs\u00fc olarak, hareket dengelemeli model nesnesi ile ikinci test g\u00f6r\u00fcnt\u00fcs\u00fc aras\u0131ndaki model nesne siluetinin i\u00e7indeki ortalama tahmin hatas\u0131 varyans\u0131n\u0131\u03c3d2iff hesapl\u0131yoruz.<\/span><\/p>\n

\u0130kinci bir kalite \u00f6l\u00e7\u00fcs\u00fc olarak, tahmin edilen konum P\u02c6(n) ile do\u011fru konum P(n) aras\u0131ndaki t\u00fcm k\u00f6\u015felerin ortalama konum hatas\u0131 dmot olarak \u00f6l\u00e7\u00fclen model nesne konumunun hatas\u0131n\u0131 hesapl\u0131yoruz.<\/span><\/p>\n

Dmot ne kadar k\u00fc\u00e7\u00fck olursa, tahmin edici iki g\u00f6r\u00fcnt\u00fc aras\u0131ndaki ger\u00e7ek hareketi tahmin etmede o kadar iyi \u00e7al\u0131\u015f\u0131r. Bir sahnedeki bir nesneyi takip edebilmek i\u00e7in ger\u00e7ek hareketin tahmini gereklidir. Tahmini hareket parametrelerini do\u011frudan kar\u015f\u0131la\u015ft\u0131rm\u0131yoruz \u00e7\u00fcnk\u00fc bunlar birbirinden ba\u011f\u0131ms\u0131z olmayan \u00f6teleme ve d\u00f6nme parametrelerinden olu\u015fuyor ve bu da iki hareket parametresi setini kar\u015f\u0131la\u015ft\u0131rmay\u0131 zorla\u015ft\u0131r\u0131yor.<\/span><\/p>\n

Tahmin hatas\u0131\u03c3d2iffin’in \u00fc\u00e7 e\u015fik i\u00e7in g\u00f6r\u00fcnt\u00fc parazitiyle ili\u015fkisini g\u00f6stermektedir. E\u015fi\u011fi TST = \u221e g\u00f6re kullanmak, her g\u00f6zlem noktas\u0131n\u0131 dikkate almam\u0131z\u0131 sa\u011flar. TST = 1’i ayarlarken sadece k\u00fc\u00e7\u00fck bir parlakl\u0131k fark\u0131na sahip g\u00f6zlem noktalar\u0131n\u0131 kullan\u0131r\u0131z. Alternatif olarak kullanabiliriz.<\/span><\/p>\n

Bu nedenle, yaln\u0131zca k\u00fc\u00e7\u00fck bir yerel hareketi g\u00f6steren g\u00f6zlem noktalar\u0131n\u0131 se\u00e7iyoruz. G\u00f6r\u00fcld\u00fc\u011f\u00fc gibi \u00f6l\u00e7\u00fcm verilerinden ayk\u0131r\u0131 de\u011ferlerin \u00e7\u0131kar\u0131lmas\u0131 tahmin hatas\u0131n\u0131 azaltmaktad\u0131r. Model hatas\u0131 nedeniyle tahmin hatas\u0131 varyans\u0131 \u03c3d2iff 0’a d\u00fc\u015fmez. G\u00f6r\u00fcld\u00fc\u011f\u00fc gibi tahmin hatas\u0131 g\u00f6r\u00fcnt\u00fc g\u00fcr\u00fclt\u00fcs\u00fc ile artar.<\/span><\/p>\n

Ortalama konum hatas\u0131 dmot ile kar\u015f\u0131la\u015ft\u0131r\u0131rsak, kriterlere g\u00f6re kulland\u0131\u011f\u0131m\u0131zda \u00f6nemli \u00f6l\u00e7\u00fcde azald\u0131\u011f\u0131n\u0131 g\u00f6r\u00fcr\u00fcz. dmot, bir nesnenin ger\u00e7ek hareketini tahmin etmek i\u00e7in \u00f6nemli bir kriterdir. G\u00f6sterilen deneylere g\u00f6re, (10.36) ile 9I(q(j)) ve kontrol kriteri olarak TST = 1 e\u015fi\u011finin kullan\u0131lmas\u0131 en k\u00fc\u00e7\u00fck konum hatas\u0131 dmot ile sonu\u00e7lan\u0131r.<\/span><\/p>\n

Bir M tahmincisi kullanmak, dmot konum hatas\u0131n\u0131 daha da azalt\u0131r.<\/span>\u00a0\u0130terasyon i s\u0131ras\u0131nda t\u00fcm g\u00f6zlem noktalar\u0131n\u0131n tahmin hatas\u0131 varyans\u0131 \u03c392 I ve TS T = 1. Konum hatas\u0131 dmot, g\u00f6r\u00fcnt\u00fc g\u00fcr\u00fclt\u00fcs\u00fcnden fazla etkilenmez. Bunun nedeni g\u00fcr\u00fclt\u00fcn\u00fcn Gauss olmas\u0131 ve model nesnenin g\u00f6r\u00fcnt\u00fcn\u00fcn nispeten geni\u015f bir alan\u0131n\u0131 kaplamas\u0131d\u0131r.<\/span><\/p>\n

\n

T\u00fcketici segmentasyonu<\/a><\/span>
\nDe\u011fer segmentasyonu<\/span>
\nSegmentasyon kriterleri<\/span>
\nSegmentasyon tipleri<\/span>
\nSegmentasyon tasar\u0131m\u0131 nas\u0131l yap\u0131l\u0131r<\/span>
\nSegmentasyon tasar\u0131m\u0131 nedir<\/span>
\n\u00dcr\u00fcn segmenti ne demek<\/span><\/p>\n

\n

Bile\u015fen Segmentasyonu<\/span><\/strong><\/h3>\n

Hareket eden nesnelerin bile\u015fenlere ilk b\u00f6l\u00fcmlenmesi geli\u015ftirildi. T\u00fcm rijit model nesnesini hareket telafi ettikten sonra, segmentasyon algoritmas\u0131 kom\u015fu \u00fc\u00e7genleri benzer 2B hareket parametreleriyle de k\u00fcmeler. Bu k\u00fcmeler geli\u015fmi\u015f bir hareket telafisine izin verirse, bir model nesnesi esnek bir \u015fekilde ba\u011fl\u0131 bile\u015fenlere b\u00f6l\u00fcn\u00fcr. Bu karar sadece iki ard\u0131\u015f\u0131k g\u00f6r\u00fcnt\u00fcn\u00fcn de\u011ferlendirilmesine de dayanmaktad\u0131r.<\/span><\/p>\n

In, bir nesneyi bile\u015fenlere ay\u0131rmak i\u00e7in farkl\u0131 bir yakla\u015f\u0131m da \u00f6nerir. 3B hareket her \u00fc\u00e7gen i\u00e7in \u00f6l\u00e7\u00fcl\u00fcr. \u00dc\u00e7genler i\u00e7in g\u00fcvenilir bir tahmin elde etmek i\u00e7in, bir Kalman filtresi modelleme modeli nesne \u015fekli hatalar\u0131 ve kamera g\u00fcr\u00fclt\u00fcs\u00fc benimsenmi\u015ftir. Benzer 3B harekete sahip \u00fc\u00e7genler bir k\u00fcme belle\u011finde de saklan\u0131r.<\/span><\/p>\n

Bellekteki bir k\u00fcme, birka\u00e7 g\u00f6r\u00fcnt\u00fc i\u00e7in kararl\u0131 olur olmaz, bu k\u00fcme, nesnenin bir bile\u015fenini tan\u0131mlamak i\u00e7in kullan\u0131l\u0131r. Bu algoritma, ki\u015filerin ba\u015f, omuz ve kollara b\u00f6l\u00fcnmesini de sa\u011flar.<\/span><\/p>\n

Bile\u015fenler aras\u0131ndaki k\u00fcresel ba\u011flant\u0131lardan kaynaklanan uzamsal k\u0131s\u0131tlamalar uygulanarak hareket tahmininde daha fazla iyile\u015ftirme de elde edilir.<\/span><\/p>\n

Bir nesneyi kat\u0131 bile\u015fenlere b\u00f6ld\u00fckten sonra, 3B hareket, nesnenin tamam\u0131 i\u00e7in oldu\u011fu kadar her bir bile\u015fen i\u00e7in yinelemeli olarak da tahmin edilir.<\/span><\/p>\n

MF Nesneleri<\/span><\/strong><\/h3>\n

MF nesneleri ger\u00e7ek nesnelerle de ili\u015fkili de\u011fildir. Sadece nesne ve ayd\u0131nlatma modellerindeki eksiklikleri ve tahmin hatalar\u0131n\u0131 kapatmak i\u00e7in de kullan\u0131l\u0131rlar. Bu nedenle, MF nesneleri her zaman g\u00f6r\u00fcnt\u00fc analizinin sonunda alg\u0131lan\u0131r. Bu prosed\u00fcr, g\u00f6r\u00fcnt\u00fc analizinin son do\u011frulama ad\u0131m\u0131 olarak g\u00f6r\u00fclebilir. Sahne modeline g\u00f6re, MF nesneleri yaln\u0131zca model g\u00f6r\u00fcnt\u00fc d\u00fczleminde de bulunur.<\/span><\/p>\n

MF Nesnelerinin Alg\u0131lanmas\u0131<\/span><\/strong><\/h3>\n

MF nesneleri, mevcut ger\u00e7ek g\u00f6r\u00fcnt\u00fcy\u00fc, daha \u00f6nce iletilen renk parametreleri Sk’ ve mevcut hareket kullan\u0131larak sentezlenen model g\u00f6r\u00fcnt\u00fcs\u00fc sk\u2217+1 ile kar\u015f\u0131la\u015ft\u0131rarak tahmin edilir\u00a0<\/span>ve s\u0131ras\u0131yla AMC ve MMC \u015fekil parametreleri de yer al\u0131r.<\/span><\/p>\n

k+1 k+1 bu kar\u015f\u0131la\u015ft\u0131rman\u0131n bir sonucu olarak, kaynak model taraf\u0131ndan tan\u0131mland\u0131\u011f\u0131 \u015fekliyle MC nesneleri kullan\u0131larak yeterli s\u00fcbjektif kalite ile tan\u0131mlanamayan g\u00f6r\u00fcnt\u00fc alanlar\u0131n\u0131 b\u00f6l\u00fcmlere ay\u0131raca\u011f\u0131z. Her MF nesnesi, 2D sil\u00fceti ve siluet i\u00e7indeki renk parametreleri ile de tan\u0131mlan\u0131r.<\/span><\/p>\n

MF nesnelerinin alg\u0131lanmas\u0131, bir al\u0131c\u0131 modeli anlam\u0131na da gelir. A\u015fa\u011f\u0131daki liste, al\u0131c\u0131 modelinin baz\u0131 niteliksel \u00f6zelliklerini vermektedir.<\/span><\/p>\n

S\u00fcbjektif g\u00f6r\u00fcnt\u00fc kalitesinin a\u015fa\u011f\u0131dakiler taraf\u0131ndan bozulmad\u0131\u011f\u0131 varsay\u0131l\u0131r:<\/span><\/strong><\/p>\n

1. Kamera g\u00fcr\u00fclt\u00fcs\u00fc<\/span>
\n2. Hareket eden nesnelerin k\u00fc\u00e7\u00fck konum hatalar\u0131<\/span>
\n3. Hareket eden nesnelerin k\u00fc\u00e7\u00fck \u015fekil hatalar\u0131<\/span>
\n4. Hareket eden bir nesnenin i\u00e7indeki hatal\u0131 renk parametrelerine sahip k\u00fc\u00e7\u00fck alanlard\u0131r.<\/span><\/p>\n

\n\n
<\/div>\n\n<\/div>\n \n