Vehicle type classification with deep learning

Abstract

In this thesis, we studied the vehicle type classification problem from several perspectives. We apply a deep learning technique with different parameters such as image size and the number of images in data sets to the classification of an image as one of the nine vehicle types. After choosing the most appropriate one among trained models, we convert the problem into a hierarchical tree classification problem so that it could be analyzed in three different tree hierarchies. Experiments are performed using three computational methods for calculating possibilities for each of the nine classes that correspond to the leaves of the hierarchical trees. These studies result in a conclusion that 0.762812 average accuracy is obtained when traditional arithmetic mean computation applied on the hierarchical tree with level-2 using the Stanford Dataset by 224 image size on ResNet34 architecture.

Bu tez çalışmasında, taşıt tipi sınıflandırma problemi farklı açılardan incelenmiştir. Bir imgeyi dokuz araç türünden biri olarak sınıflandırmak için imge boyutu, veri kümelerindeki örnek sayısı gibi farklı parametreleri kullanan bir derin öğrenme tekniği uygulanmıştır. Eğitimli modeller arasında en uygun olanını seçtikten sonra, sorunu hiyerarşik bir ağaç sınıflandırma problemine dönüştürerek üç farklı ağaç hiyerarşisinde analiz ettik. Deneyler, hiyerarşik ağaçların yapraklarına karşılık gelen dokuz sınıfın her biri için olasılıkları hesaplamak için üç hesaplama yöntemi kullanılarak gerçekleştirilmiştir. Bu çalışmalar, ResNet34 mimarisinde 224 görüntü boyutuna göre Stanford veri seti kullanılarak seviye-2 ile hiyerarşik ağaçta geleneksel aritmetik ortalama hesaplama uygulandığında 0.762812 ortalama doğruluğunun elde edildiği sonucuna varmaktadır.