Tez No İndirme Tez Künye Durumu
600385
A multi-camera system for automation of mouse grimace scaling using convolutional neural networks / Evrişimsel sinir ağları kullanarak fare yüz buruşturması ölçeklendirme otomasyonu için çoklu kamera sistemi
Yazar:AHMET AĞCA
Danışman: PROF. DR. UĞUR HALICI
Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
Konu:Elektrik ve Elektronik Mühendisliği = Electrical and Electronics Engineering
Dizin:
Onaylandı
Yüksek Lisans
İngilizce
2019
149 s.
Geçtiğimiz 10 yıl içinde, Evrişimsel Sinir Ağları bilgisayarla görü alanında büyük ilerleme kaydetmiştir. Görüntü algılama veya sınıflandırma otomasyonu ile ilgili bir çok problemin çözümü evrişimsel sinir ağları kullanılarak bir insanın başarabileceğinden daha yüksek doğrulukla mümkün olmaktadır. Bu problemlerin bir tanesi de Fare Yüz Buruşturması Ölçeklendirme (Mouse Grimace Scaling, MGS) otomasyonudur. Videodan çıkartılmış bir sürü görüntü için deney faresinin ağrı seviyesini sınıflandırmak bir uzman için bile zaman alıcı ve hataya açık bir işlemdir. Bu nedenle popüler makina öğrenme algoritmalarını bu araştırmaya dahil etmek önem taşımaktadır. Bu tezin amacı MGS otomasyonunu uygulanabilir hale getirmek için kayda değer başarı elde etmenin yanı sıra, otomasyon için kullanılan metodolojiyi de geliştirmektir. Bu tezde, MGS için deney faresini gözlemleme düzeneğinden sinir ağlarını oluşturmaya kadar tam bir otomasyon metodu üzerine çalışılmış ve sonuçlar önceki çalışmaların sonuçlarıyla kıyaslanmıştır. Fare yüzü tespiti için daha önceki bir çalışmada geliştirilmiş fare yüzü takip algoritması ve fare yüzü tespit sinir ağı değiştirilmeden kullanılmıştır. MGS otomasyonu, hem sınıflandırma hem de regresyon problemi olarak ele alınmış ve transfer öğrenimi çalışmanın temelinde yer almıştır. Regresyon için, tek bir eşit ağırlıklandırılmış çapraz doğrulama setinde 0.226 ortalama mutlak hata elde edilmiş, eşit ağırlıklandırılmış çapraz doğrulama ortalaması ise en iyi 0.26 olmuştur (ölçek aralığı 0-2). İkili sınıflandırmada ise, tek bir eşit ağırlıklandırılmış set için %91.10, eşit ağırlıklandırılmış tüm setlerin ortalamasında da %82.45 doğruluk değeri elde edilmiştir.
Over the past decade, convolutional neural networks (CNNs) have gained great progress on the area of computer vision. Many problems related to automation of image recognition or classification are now possible to be solved using CNN with an accuracy much more than a human can achieve. One of these problems is the automation of Mouse Grimace Scaling (MGS). It is such a time consuming and error-prone task even for an expert to classify the pain levels of a mouse for lots of images captured from videos. For this reason, it is essential to incorporate the benefits of popular machine learning algorithms into this research area. The purpose of this thesis is to achieve significant results for practical implementations along with improving the methodology for automation of MGS. In this thesis, a complete set of methodology starting from the mouse monitoring setup to building the neural network model for automation of MGS was studied and the results were compared with that of previous works. For detecting the mouse in video frames, the previously developed tracker algorithms and detection networks were used without change. The evaluation was performed by means of both classification and regression problem and transfer learning was adopted for the basis of the study. For regression, MAE of 0.226 was achieved for one cross-validation (CV) balanced set, and 0.26 was achieved for overall balanced sets (score range, 0 to 2). For binary-classification, 91.10% accuracy was achieved for one CV balanced set, while 82.45% was achieved for overall balanced sets.