ismailari.com

Teze başlarken bir hayli zaman harcıyor insan. Örnekler içeren bir şablon ile başlamak içeriğe bir an önce geçebilmek için önemli. Kendi tezimin kaynağını biraz kırpıp içinde örnek figür, tablo, algoritma ve atıflar içeren bir şablon oluşturdum. Buyurun:

Kaynak: sample_fbe_ms_thesis.zip
Çıktısı (PDF): sample_fbe_ms_thesis.pdf

FBE tarafından kabul edileceği garanti edilemez, kendiniz buradan denetlemelisiniz. Kaynakça stil dosyası için B. Gürdağ'ın emeğine sağlık.

Güncelleme (21 Nisan): Üstteki kod, Bakoma LaTeX editörü ile Windows'ta çalıştığımdan bir sorun çıkarmıyordu fakat bazı etiketler açılmasına rağmen kapanmamış ve hatatlıymış. Bu hataları kaldırdım ve yeni sürümünü yükledim. Ubuntu kullandığım için onda test ettim. Windows veya Mac'ta da çalışmasını bekliyorum.

Güncelleme (Ağustos 2011): FBE Tez formatının güncellendiğine dair bir duyum aldım. O sebeple lütfen bu hali doğrudan kullanmak yerine FBE'nin sayfasındaki formatı kullanınız. Buradaki formül, algoritma, figür kullanımlarından yararlanabilirsiniz ama tüm şablonu kullanırsanız FBE'den onaylanmama ihtimali var, aklınızda bulunsun.

Kaynak: sample_fbe_ms_thesis_v2.zip

Teknoport’ta yayınlanan B.Ü. Pilab (Algısal Zeka Laboratuvarı) bünyesindeki işaret dili tanıma çalışmalarının anlatıldığı röportajlar. İlk konuşmacı Oya Aran, ikincisi ben.

Böyle şeylere alışık olmadığımdan cümleler biraz devrik olmuş, affola…

Yapılacaklar listesi tutmak, işleri zamanında yetiştirmek ve daha iyi plan yapmak için iyi bir alışkanlık. Bunun türlü yolları var. Nasıl yollar var ve ben ne düşünüyorum, bi bakalım:

• Post-it ile ekranın sağına soluna yapıştırmayı sevenler var. Ya da mantar panolara. Ama benim gibi 2+ farklı yerde (evde/okulda/kütüphanede) çalışmayı sürdürüyorsanız hangi monitöre veya duvara yapıştırmalı?
• Küçük bir not defteri tutmak da bir yol. Yıllardır hep isterim ama ilk sayfadan sonra vazgeçerim. Tam yapacağım işi yazayım derim, kalem olmaz, diğer çantada kalmış olur, vb.
• Bir masaüstü yazılımı kullanmak. Türlü post-it yazılımı denedim indirip. Kimisi çok cafcaflı, dokunmatik ekran falan lazım. Zaten çok karışık olmasına gerek duymuyorum, sadece metin olsun yeter. Böyle yazılım kullanmanın bir sorunu da yine bilgisayara bağımlı kalmış olması. Format atarken dosyaları dışarı aktarmak falan lazım, zor iş.
• Bu işi internette halletmek lazım, çünkü istediğin yerden ulaşabilirim ve güncelleyebilirim ve böyle hizmetler de var. Ben Remember the Milk ve Todoist'i denedim. İkisi de hoş. İlkini Google Takvim'e ekleyebilince daha da sevindim (altta ekran görüntüsü var). Arayüzü de sade, kafa karıştırmıyor. Google Takvim'i zaten kullandığımdan ayrıca başka ekran açmama da gerek kalmıyor. Belki daha güzel eklentiler de vardır bu işi yapan, bilemiyorum, pek bakmadım bunu beğenince. Hem kağıt israfı da yok. Bitirilmiş işleri de arşivlemiş oluyorsunuz sonrası için. Bu arada, Google Takvim size ücretsiz kısa mesaj yollayabiliyor hatırlatma için, biliyor muydunuz? Önemli günlerde/anlarda çok işe yarayabiliyor mesela, kaçırmıyorsunuz!

Son yöntem şimdilik en iyi gözüküyor, deneyeyim bir süre...

İlgili yazılar (sonradan eklenen):

• Temiz bir gelen kutusu ve takvim

Bu yazı temel bileşenler analizinin MATLAB ile kodlanması üzerinedir. Temel bileşenler analizi hakkında detaylı teorik bilgi için tıklayınız.

PCA, görüntü işleme de dahil olmak üzere birçok alanda sıkça kullanılan istatistiksel bir yöntemdir. Boyut azaltmak için başvurulabilir. Genel amaçlı bir MATLAB PCA kodu yazalım:

Girdiler

sampleMat ⇒ Her satırı bir örnek vektörden oluşan matris
n ⇒ (opsiyonel) istenilen özvektör ve özdeğer sayısı

Çıktılar

V ⇒ "sampleMat" ile verilen vektörlerin ana yönleri (özvektörleri). "V" matrisinin her sütunu bir özvektördür. Soldan sağa doğru baskınlık azalır.
D ⇒ "V" özvektörlerine ait özdeğerler. "D" vektörünün her elemanı, "V" matrisinin ilgili sütunundaki özvektör yönündeki değişintiyi (varyasyonu) gösterir.

Örnek

3 boyutta olan 5 nokta olsun. Bunları her satıra bir tanesi gelecek şekilde yazalım. x = [1 2 1; 0 2 1; 0 3 2; 2 4 1; 1 3 0], n = 2 olursa V iki sütundan oluşur ve ilk sütun en çok değişintinin oldugu yönü, ikinci sütun da sonraki baskın yonu gösterir. Bunlar birim vektörlerdir. İlk yöndeki değişinti 0.9576'dır. Standart sapma da bunun kareköküdür. Bu beş noktaya ait iki boyutun PCA sonuçları aşağıdaki gibidir.

V =

-0.7164 0.1720
-0.6486 -0.5212
0.2570 -0.8359

D =

0.9576
0.4412

Not: Eğer örnek sayısı, boyut sayısından azsa hızlı olması için Eckart-Young teoremini kullanır.

Kaynak Kod

Yazının tamamını okuyun »

Uzunca bir uğraştan sonra (~1 haftasonu), tez sunumumu video haline getirebildim. Yazılar İngilizce, sunum (ses) ise Türkçe. Ne yazık ki tüm sunumu baştan Türkçe yazmaya zamanım olmadı. Bir de bilgisayara anlatmak sıkıcı bir şeymiş, onu öğrendim.

Aktif şekil modellerinin nasıl çalıştığını, yüz özniteliklerini takip etmede nasıl kullanılabileceğini ve bu sonuçların nasıl sınıflandırılabileceğini merak ediyorsanız izleyebilirsiniz. Tez de burada.

Özet:

Bir imge dizisinde bulunan yüz öznitelik noktalarının otomatik olarak takipedilmesi, ifade tanımayı da kapsayan birçok uygulamanın ilk adımıdır.İşaret dili özelinde bakarsak, ifadeler hem duygusal ifade hem de baş hareketi içerebilen ele ait olmayan işaretler olarakkarşımıza çıkar. Bu çalışmada, Türk İşaret Dili’nde yaygın olarak kullanılan ifadeleri tanımayı amaçladık. Önerdiğimiz sistem iki aşamadan oluşmaktadır: İlkinde, imge dizisindeki her kare için, çok-yönlü (düz, sağa, sola, yukarı) Çok-çözünürlüklü Aktif Şekil Modelleri (ÇÇAŞM) ile yüzdeki nirengi noktaları otomatik olarak saptanır. Bulunan yönlerden şekli modele en iyioturan ve önceki seçilen şekle en yakın olan yönün şekli seçilir. Eğer seçilen şeklin güvenirliği, eşik değerinin altında ise o kare boş bırakılır ve şekil başlangıç durumuna getirilir. Böylece takip edilen şeklin dağılması önlenirve sistemin gürbüz çalışması sağlanır. Boş bırakılan kareler interpolasyon ile doldurulur ve hatalı sonuçları elemek için alfa-trim ortalama süzgeci kullanılır. İkinci aşamada takip edilen noktalar normalize edilir ve çokdeğişkenli Sürekli Saklı Markov Modelleri (SSMM) tabanlı sınıflandırıcıya girdi olarak verilir ve ifade tanınması yapılır. Bulunan sonuçları sınayabilmek için ele ait olmayan ifadelerden oluşan bir video veritabanı topladık. Hem takip hem tanıma kısımları için ÇÇAŞM yöntemini tek-yön/çok-yön ve genel/kişiye-özel çeşitlemeleri ile çalıştırıp sonuçları karşılaştırdık. Çok-yönlü kişiye-özel takipçi en başarılı sonuçları vermektedir ve sistemin gürbüz bir şekilde noktaları takip edebildiği gözlemlenmektedir. Sınıflandırma kısmı için önerilen SSMM sınıflandırıcısını değişik eğitim ve test kümelerinde denedik. Birbirinden farklı sınıflar için başarı çok yüksek gözükmektedir.

Sunumu izle:

Yüz Özniteliklerinin Takibi Ve İşaret Dili İçin İfade Tanıma from İsmail on Vimeo.