Bu bölümde, sunulan çalı¸smada önerilen yöntemin gri seviyeli görüntüler üzerindeki performansının test edilmesi amaçlanmaktadır. Burada da, çalı¸smanın ilk a¸samasında oldu˘gu gibi öznitelik çıkarılması, özniteliklerden çizge hesaplanması, çizgedeki kritik noktaların kullanılarak ¸sekillerin geometrik uzayda temsili ve TTM ile ¸sekiller arasın- daki benzerli˘gin hesaplanması i¸slemleri yapılmı¸stır.
8.1 Yöntem
Gri seviyeli görüntüler kullanıldı˘gından, çalı¸smanın ilk a¸samasında yapılan i¸slemler- den farklı olarak ¸sekillerin iskeleti çıkarılmamı¸s bunun yerine SIFT öznitelikleri [34] kullanılmı¸stır. ¸Seklin temsili için çizge hesaplanması için ilk a¸samada yapıldı˘gı gibi, her bir özniteli˘gin bir dü˘gümü temsil etti˘gi bir tam çizge olu¸sturulmu¸s ve MYA algorit- masıyla öznitelikler arasındaki kom¸suluklar hesaplanmı¸stır. Daha sonra, derecesi ≥ 3 ve 1 olan dü˘gümler kritik noktalar olarak kabul edilmi¸stir. Sonradan ¸sekillerin temsil edilece˘gi geometrik uzayın her bir ¸sekil için farklı oryantasyonda olmaması için kritik noktalar sıralanmı¸stır. Kritik noktalara uygulanan sıralama i¸slemi için SIFT öznitelik- lerine ait 128 boyutlu tanımlayıcı vektör kullanılmı¸stır. Aslında SIFT özniteliklerine ait tanımlayıcıların kullanılması, tanımlayıcılar özniteliklerin yakın kom¸sulu˘gu kul- lanılarak hesaplandı˘gından dolayı, özniteliklerin sıralama i¸sleminin ilk a¸samada yapı- lana benzer oldu˘gunu göstermektedir. Sıralama i¸sleminden sonra çizge üzerinde her bir noktanın kritik noktalara olan uzaklı˘gı hesaplanarak ¸sekiller geometrik uzayda temsil edilmi¸stir. Yine, geometrik uzayın boyutunun veri setindeki her ¸sekil için aynı olmasını sa˘glamak için TBA uygulanmı¸stır. Son olarak, TTM fonksiyonuyla geometrik uzayda temsil edilen ¸sekiller arasındaki uzaklık bulunmu¸stur.
8.2 Deneysel Çalı¸smalar
Önerilen yöntemin test edilebilmesi için ALOI veri setinden seçilen 10 farklı sınıfa ait toplam 720 gri seviyeli görüntü kullanılmı¸stır. Kullanılan görüntüler Resim-8.1’de gösterilmektedir. ˙Ilk iki satırda ALOI veri setinden alınan 10 farklı sınıftan birer gö- rüntü, üçüncü satırda ise bir sınıfın farklı açılardan çekilmi¸s görüntüleri verilmi¸stir.
Resim 8.1: ˙Ilk iki satırda ALOI veri setinden alınan 10 farklı sınıftan birer görüntü gösterilmektedir. Üçüncü satırda ise bir sınıfın farklı açılardan çekilmi¸s gö- rüntüleri vardır.
˙Ilk iki a¸samada oldu˘gu gibi, burada da "birini çıkar" yöntemi ve en yakın kom¸su sı- nıflandırıcısı kullanılmı¸stır. En yakın kom¸su sınıflandırıcısından elde edilen sonuçlara göre %90 ba¸sarım elde edilmi¸stir. Yöntemin gri seviyeli görüntülere uygulanması, üze- rinde yeni çalı¸smalar yapılabilecek bir konudur. Kullanılacak öznitelik türünün seçimi, çizge olu¸sturulurken öznitelik kom¸sulu˘gunu belirleyen uzaklık fonksiyonu, ¸sekiller arasındaki benzerlik hesaplanırken tanımlayıcılardan yararlanma yolları gibi konular ayrı bir ara¸stırmanın konusu olabilir.
9. SONUÇ VE ÖNER˙ILER
Yapılan çalı¸smada, ¸sekillerin iskeletleri üzerinden yeni bir ¸sekil e¸sleme çalı¸sması su- nulmu¸stur. Algoritma ilk olarak, dü˘gümleri iskelet noktalarını ve kenarları iskelet nok- talarının kom¸suluklarını temsil eden, orta eksen çizgesini çıkarır. Daha sonra çizge üzerinde kesi¸sim ve uç noktalarının birle¸simi olan kritik, di˘ger bir deyi¸sle derecesi ≥ 3 veya 1 olan, noktalar bulunur ve her bir iskelet noktasının kritik noktalara olan uzaklı˘gı hesaplanarak ¸sekiller geometrik uzayda temsil edilir. Geometrik uzayın bo- yut sayısı iskelet üzerindeki kritik noktaların sayısına ba˘glı oldu˘gundan bu i¸slem so- nucunda ¸sekillerin temsil edildi˘gi uzaylar farklı boyutta olacaktır. Bu sorunun önüne geçmek için TBA (teme bile¸sen analizi) kullanılarak farklı boyuttaki nokta da˘gılım- ları aynı boyuta indirgenmi¸stir. Geometrik uzaya alınan iskeletler arasındaki mesafe FastEMD algoritması kullanılarak TTM (toprak ta¸sıyıcı mesafesi) fonksiyonuyla bu- lunmu¸stur. Önerilen yöntemin performansını de˘gerlendirmek için üç farklı veri seti üzerinde deneyler yapılmı¸s ve yöntemin ba¸sarımı literatürdeki çe¸sitli yöntemlerin ba- ¸sarımıyla kar¸sıla¸stırılmı¸stır. Önerilen yöntemin performansını daha da iyile¸stirebilmek adına sonuçlar ileri beslemeli yapay sinir a˘glarıyla desteklenmi¸s ve her üç veri seti üze- rinde de %100’e yakın ba¸sarım alındı˘gı görülmü¸stür.
Çalı¸sma boyunca anlatılan adımların bazılarında, alternatif yöntemler denenmi¸s ve so- nuçlar tercih edilen yöntemler uygulandı˘gında alınan sonuçlarla kar¸sıla¸stırılmı¸stır. Bu adımlardan biri, orta eksen çizgesi üzerinde hesaplanan kritik noktalar kümesine, is- keletin her bir dalında kritik noktaların arasında kalan birer noktanın dahil edilmesidir. Orta noktalar, derecesi ≥ 3 veya 1 olan noktalara göre daha az kararlı oldu˘gundan ve bu yöntemle iskeletin kısa dalları üzerinde daha yo˘gun örnekleme e˘gilimi oldu˘gun- dan ba¸sarım bir miktar dü¸smü¸stür. Alternatifi test edilen bir di˘ger yöntem, kullanılan mesafe fonksiyonudur. Geometrik uzayda temsil edilen ¸sekiller arasındaki uzaklı˘gı bulmak için TTM fonksiyonu dı¸sında Hausdorff ve χ2 mesafe fonksiyonları denen- mi¸s fakat alınan sonuçlardan, TTM fonksiyonunun önerilen yöntem için daha uygun oldu˘guna karar verilmi¸stir.
Gürültülü veri setleri üzerinde yapılan deneyler önerilen yöntemin bozuk iskeletlerin kullanımına kar¸sı dayanıklılı˘gını göstermi¸stir. Bunun yanında, gürültülü veri seti olu¸s- turulması için kullanılan yöntem görüntülerin genelinde de˘gi¸siklik yaptı˘gından, yön- temin kısmi kapanma problemine kar¸sı test edilmesi amacıyla görüntüler üzerinde ya-
pılacak yerel de˘gi¸sikliklerin, gürültülü veri setleri için verilen performansı daha a¸sa˘gı çekece˘gi öngörülmektedir. Gelecekte, yöntemin kısmi kapanma problemine kar¸sı test edilip dayanıklı hale getirilmesi yapılması planlananlar arasındadır.
Ba¸sta da belirtildi˘gi üzere önerilen yöntemde, ¸sekillerin önceden belirlenmi¸s temsilci ¸sekiller kullanılarak indekslenmesi yakla¸sımı temel alınmı¸stır [63]. Bu yöntemde, bu- lunmak istenen ¸sekil veri setindeki tüm ¸sekillerle kar¸sıla¸stırılmadan, yalnızca tem- silci ¸sekillerle arasındaki benzerlik hesaplanarak, etkili bir biçimde bulunabilmekte- dir. Önerilen yakla¸sımın bir indeksleme sistemiyle desteklenmesi, ileride gerçekle¸sti- rilmesi planlanan dikkate de˘ger bir ara¸stırma konusudur.
Sunulan yöntemin gri seviyeli görüntüler üzerindeki kullanımının test edilmesi için, ALOI veri setinden seçilen 10 sınıfa ait renkli görüntüler üzerinde deneyler yapıl- mı¸stır. Veri setindeki görüntüler üzerinde SIFT öznitelikleri bulunmu¸stur. Daha sonra ¸seklin temsili için çizge olu¸sturulmu¸s ve derecesi ≥ 3 veya 1 olan kritik noktalar bu- lunmu¸stur. Çizge üzerinde her bir noktanın kritik noktalara olan en kısa yol uzaklı˘gı bulunarak ¸sekiller geometrik uzayda temsil edilmi¸stir. Geometrik uzaya alınan ¸sekil- ler arasındaki mesafe FastEMD algoritması kullanılarak TTM fonksiyonuyla bulun- mu¸stur. Birini çıkar yöntemiyle yapılan deneyde, en yakın kom¸su sınıflandırıcısı %90 ba¸sarım vermi¸stir.
Ayrıca, kritik olmayan noktaların ba¸sarıma etkisini ölçmek için, iskelet noktaları kulla- nılarak orta eksen çizgesi çıkarıldıktan ve kritik noktalar bulunduktan sonra, kritik ol- mayan noktalar dikkate alınmamı¸s ve ¸sekiller yalnızca kritik noktaların birbirine olan en kısa yol uzaklıklarıyla temsil edilmi¸stir. Bunun sonucunda, elde edilen ba¸sarımda az bir miktar dü¸sü¸s olurken, çalı¸sma zamanında oldukça yüksek oranda bir azalma mey- dana gelmi¸stir. Ba¸sarımdaki dü¸sü¸sün çalı¸sma zamanındaki iyile¸smeye göre oldukça az olmasının nedeni olarak kritik noktaların iskeletin topolojik yapısını temsil etmekteki ba¸sarısı gösterilebilir.
Önerilen yöntemin, iskelet çıkarımı, orta eksen çizgesi bulunması, ¸sekillerin geometrik uzayda temsili gibi birçok a¸samasındaki teknik, do˘grudan uygulanmak yerine çe¸sitli iyile¸stirmeler yapılarak kullanılmı¸stır. Buna kar¸sın, metinde de belirtildi˘gi üzere, hala birçok iyile¸stirmeye yer vardır. Yöntemde ikili görüntülerde kullanım için ileride yapı- labilecek geli¸stirmeler ¸su ¸sekilde sıralanabilir: yöntem için daha iyi sonuç verebilecek iskelet yöntemlerinin ara¸stırılması, iskelet noktalarından orta eksen çizgesinin hesap- lanması a¸samasında dü˘gümler arasında farklı mesafe fonksiyonları denenmesi, kritik noktaları bulmak için derecesi sadece ≥ 3 veya 1 olan noktaları almak yerine, global optimizasyon ve makine ö˘grenmesi teknikleri kullanılarak bu noktaların her bir ¸sekle
özel olarak seçilmesi gibi çe¸sitli stratejilerin uygulanması ve farklı noktaların denen- mesi, e¸sle¸stirme a¸samasında TTM yerine kullanılabilecek ba¸ska mesafe fonksiyonları bulunması, gürültü ve kısmi kapanma problemleri için konvolüsyon ve interpolasyon metotlarının kullanılması.
Gri seviyeli görüntülerde uygulanan kısım üzerinde ise: SIFT yerine ba¸ska öznitelik- lerin denenmesi, özniteliklerden çizge olu¸sturulurken öznitelikler arasında farklı me- safe fonksiyonları uygulanması, hem ikili görüntüler hem gri seviyeli görüntüler için özniteliklerin gruplanması gibi konuların ara¸stırılması gerekli görülmektedir. Ayrıca çalı¸sma zamanını daha da iyile¸stirebilmek adına kritik olmayan noktalar üzerinde bir önem fonksiyonu tanımlanması ve FastEMD algoritmasına uygulanan e¸sik de˘geri üze- rinde, kullanılan veri setine özgü olarak, optimizasyon uygulanması da ara¸stırmaya de˘ger konulardır.
KAYNAKLAR
[1] ARDIZZONE, E., CASCIA, M. L., GESU, V. D., AND VALENTI, C. Content-
based indexing of image and video databases by global and shape featu- res. In Proceedings of the International Conference on Pattern Recogni- tion (ICPR ’96) Volume III-Volume 7276 - Volume 7276(Washington, DC, USA, 1996), ICPR ’96, IEEE Computer Society, pp. 140–.
[2] ASLAN, C., AND TARI, S. An axis-based representation for recognition. In
ICCV (2005), IEEE Computer Society, pp. 1339–1346.
[3] BAI, X., LIU, W., ANDTU, Z. Integrating contour and skeleton for shape clas- sification. In IEEE Workshop on NORDIA (2009).
[4] BAI, X., WANG, X., LATECKI, L. J., LIU, W.,ANDTU, Z. Active skeleton for non-rigid object detection. In Computer Vision, 2009 IEEE 12th Internati- onal Conference on(2009), IEEE, pp. 575–582.
[5] BELONGIE, S., MALIK, J., AND PUZICHA, J. Shape matching and object re-
cognition using shape contexts. Pattern Analysis and Machine Intelligence, IEEE Transactions on 24, 4 (2002), 509–522.
[6] BLUM, H. A Transformation for Extracting New Descriptors of Shape. In Mo- dels for the Perception of Speech and Visual Form, W. Wathen-Dunn, Ed. MIT Press, Cambridge, 1967, pp. 362–380.
[7] BLUM, H., AND NAGEL, R. Shape description using weighted symmetric axis
features. Pattern Recognition 10, 3 (1978), 167–180.
[8] BRAND, M. Incremental singular value decomposition of uncertain data with missing values. In Computer Vision-ECCV 2002. Springer, 2002, pp. 707– 720.
[9] BROWN, M., SZELISKI, R., AND WINDER, S. Multi-image matching using
multi-scale oriented patches. In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on (2005), vol. 1, IEEE, pp. 510–517.
[10] CALONDER, M., LEPETIT, V., STRECHA, C.,ANDFUA, P. Brief: Binary robust independent elementary features. Computer Vision–ECCV 2010 (2010), 778–792.
[12] CORTES, C.,AND VAPNIK, V. Support-vector networks. Machine learning 20, 3 (1995), 273–297.
[13] COTTRELL, G. Metcalfe. 1991. empath: Face, emotion, and gender recognition using holons. Advances in Neural Information Processing, Morgan Kauf- mann Publishers.
[14] DALAL, N., AND TRIGGS, B. Histograms of oriented gradients for human de-
tection. In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on(2005), vol. 1, IEEE, pp. 886–893. [15] DEMIRCI, M. F., PLATEL, B., SHOKOUFANDEH, A., FLORACK, L. L., AND
DICKINSON, S. J. The representation and matching of images using top
points. Journal of Mathematical Imaging and Vision 35, 2 (2009), 103– 116.
[16] DIAS, P., KASSIM, A., AND SRINIVASAN, V. A neural network based corner detection method. In Neural Networks, 1995. Proceedings., IEEE Interna- tional Conference on(1995), vol. 4, IEEE, pp. 2116–2120.
[17] DIMITROV, P., PHILLIPS, C., AND SIDDIQI, K. Robust and efficient skeletal
graphs. In Computer Vision and Pattern Recognition, 2000. Proceedings. IEEE Conference on(2000), vol. 1, IEEE, pp. 417–423.
[18] EBERLY, D. A differential geometric approach to anisotropic diffusion. In Geometry-Driven Diffusion in Computer Vision, B. Haar Romeny, Ed., vol. 1 of Computational Imaging and Vision. Springer Netherlands, 1994, pp. 371–392.
[19] F. DEMIRCI, A. B. Shape classification based on skeleton branch distances.
In International Conference on Computer Vision Theory and Applications (2015), INSTICC.
[20] FELDMAN, J., AND SINGH, M. Bayesian estimation of the shape skeleton. Proceedings of the National Academy of Sciences 103, 47 (2006), 18014– 18019.
[21] FELZENSZWALB, P. F., GIRSHICK, R. B., MCALLESTER, D., AND RAMA- NAN, D. Object detection with discriminatively trained part-based models. Pattern Analysis and Machine Intelligence, IEEE Transactions on 32, 9 (2010), 1627–1645.
[22] FELZENSZWALB, P. F., AND HUTTENLOCHER, D. P. Pictorial structures for
object recognition. International Journal of Computer Vision 61, 1 (2005), 55–79.
[23] GEUSEBROEK, J., BURGHOUTS, G., AND SMEULDERS, A. The amsterdam library of object images. International Journal of Computer Vision 61, 1 (2005), 103–112.
[24] GUOCHENG, A., FENGJUN, Z., HONG’AN, W., AND GUOZHONG, D. Shape
filling rate for silhouette representation and recognition. In Pattern Recog- nition (ICPR), 2010 20th International Conference on(2010), pp. 507–510.
[25] HARRIS, C., AND STEPHENS, M. A combined corner and edge detector. In Alvey vision conference(1988), vol. 15, Citeseer, p. 50.
[26] HO, T. K. Random decision forests. In Document Analysis and Recognition, 1995., Proceedings of the Third International Conference on(1995), vol. 1, IEEE, pp. 278–282.
[27] HUA, G., BROWN, M., AND WINDER, S. Discriminant embedding for local image descriptors. In Computer Vision, 2007. ICCV 2007. IEEE 11th In- ternational Conference on(2007), IEEE, pp. 1–8.
[28] LI, L., MA, M., LEI, P., WANG, X., AND CHEN, X. A linear approximate al- gorithm for earth mover’s distance with thresholded ground distance. Mat- hematical Problems in Engineering 2014(2014).
[29] LI, P., WANG, Q.,ANDZHANG, L. A novel earth mover’s distance methodology for image matching with gaussian mixture models. ICCV.
[30] LI, Z., QU, W., CAO, J., QI, H., AND STOJMENOVIC, M. Ecds: An effective
shape signature using electrical charge distribution on the shape. Pattern Recognition 48, 2 (2015), 402–410.
[31] LIENHART, R., ANDMAYDT, J. An extended set of haar-like features for rapid
object detection. In Image Processing. 2002. Proceedings. 2002 Internati- onal Conference on(2002), vol. 1, IEEE, pp. I–900.
[32] LING, H., AND JACOBS, D. Shape classification using the inner-distance.
Pattern Analysis and Machine Intelligence, IEEE Transactions on 29, 2 (2007), 286–299.
[33] LIU, T.,AND GEIGER, D. Approximate tree matching and shape similarity. In Computer Vision, 1999. The Proceedings of the Seventh IEEE International Conference on(1999), vol. 1, IEEE, pp. 456–462.
[34] LOWE, D. Object recognition from local scale-invariant features. ICCV.
[35] MACRINI, D., SIDDIQI, K., AND DICKINSON, S. From skeletons to bone graphs: Medial abstraction for object recognition. In Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on (2008), IEEE, pp. 1–8.
[36] MIKOLAJCZYK, K.,ANDSCHMID, C. A performance evaluation of local desc-
riptors. Pattern Analysis and Machine Intelligence, IEEE Transactions on 27, 10 (2005), 1615–1630.
[37] OGNIEWICZ, R., AND KÜBLER, O. Hierarchic voronoi skeletons. Pattern re-
cognition 28, 3 (1995), 343–359.
[38] OLIVER, N. M., ROSARIO, B., AND PENTLAND, A. P. A bayesian compu-
ter vision system for modeling human interactions. Pattern Analysis and Machine Intelligence, IEEE Transactions on 22, 8 (2000), 831–843.
[39] PELE, O.,ANDWERMAN, M. Fast and robust earth mover’s distances. In Com- puter vision, 2009 IEEE 12th international conference on (2009), IEEE, pp. 460–467.
[40] PREMACHANDRAN, V., AND KAKARALA, R. Perceptually motivated shape context which uses shape interiors. Pattern recognition 46, 8 (2013), 2092– 2102.
[41] ROSTEN, E., AND DRUMMOND, T. Machine learning for high-speed corner detection. In Computer Vision–ECCV 2006. Springer, 2006, pp. 430–443. [42] RUBLEE, E., RABAUD, V., KONOLIGE, K., AND BRADSKI, G. Orb: an effi-
cient alternative to sift or surf. In Computer Vision (ICCV), 2011 IEEE International Conference on(2011), IEEE, pp. 2564–2571.
[43] RUBNER, Y., TOMASI, C., ANDGUIBAS, L. J. The earth mover’s distance as a metric for image retrieval. International Journal of Computer Vision 40, 2 (2000), 99–121.
[44] SEBASTIAN, T., KLEIN, P., AND KIMIA, B. Recognition of shapes by editing their shock graphs. IEEE Trans. Pattern Anal. Mach. Intell. 26, 5 (2004), 550–571.
[45] SEBASTIAN, T. B.,AND KIMIA, B. B. Curves vs. skeletons in object recogni- tion. Signal Processing 85, 2 (Feb. 2005), 247–263.
[46] SEBASTIAN, T. B., KLEIN, P. N., AND KIMIA, B. B. Recognition of shapes
by editing their shock graphs. Pattern Analysis and Machine Intelligence, IEEE Transactions on 26, 5 (2004), 550–571.
[47] SHAKED, D., AND BRUCKSTEIN, A. Pruning medial axes. Computer vision and image understanding 69, 2 (1998), 156–169.
[48] SHAPIRO, M. D., AND BLASCHKO, M. B. On hausdorff distance measures.
Computer Vision Laboratory University of Massachusetts Amherst, MA 1003(2004).
[49] SHARVIT, D., CHAN, J., TEK, H.,ANDKIMIA, B. Symmetry-based indexing of
image databases. In Content-Based Access of Image and Video Libraries, 1998. Proceedings. IEEE Workshop on(1998), IEEE, pp. 56–62.
[50] SHEKAR, B., PILAR, B., AND KITTLER, J. An unification of inner distance
shape context and local binary pattern for shape representation and classi- fication. In Proceedings of the 2nd International Conference on Perception and Machine Intelligence(2015), ACM, pp. 46–55.
[51] SHEN, W., BAI, X., HU, R., WANG, H., AND JAN LATECKI, L. Skeleton
growing and pruning with bending potential ratio. Pattern Recognition 44, 2 (2011), 196–209.
[52] SHEN, W., WANG, X., YAO, C.,ANDBAI, X. Shape recognition by combining
contour and skeleton into a mid-level representation. In Pattern Recogni- tion. Springer, 2014, pp. 391–400.
[53] SHOKOUFANDEH, A., KESELMAN, Y., DEMIRCI, M., MACRINI, D., AND
DICKINSON, S. Many-to-many feature matching in object recognition a
review of three approaches. Computer Vision, IET 6, 6 (2012), 500–513. [54] SIDDIQI, K., BOUIX, S., TANNENBAUM, A., AND ZUCKER, S. Hamilton-
jacobi skeletons. International Journal of Computer Vision 48, 3 (2002), 215–231.
[55] SIRIN, Y.,ANDDEMIRCI, F. Skeleton filling rate for shape recognition. In 2014 22nd International Conference on Pattern Recognition (ICPR)(2014). [56] STRICKER, M. A., AND ORENGO, M. Similarity of Color Images. In Storage
and Retrieval for Image and Video Databases (SPIE)(1995), pp. 381–392. [57] SUN, K.,AND SUPER, B. Classification of contour shapes using class segment
sets. In 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2005), 20-26 June 2005, San Diego, CA, USA (2005), IEEE Computer Society, pp. 727–733.
[58] SUNDAR, H., SILVER, D., GAGVANI, N., AND DICKINSON, S. Skeleton ba- sed shape matching and retrieval. In Shape Modeling International, 2003 (2003), IEEE, pp. 130–139.
[59] SZELISKI, R. Computer vision: algorithms and applications. Springer Science & Business Media, 2010.
[60] TAMURA, S., KAWAI, H., AND MITSUMOTO, H. Male/female identification
from 8× 6 very low resolution face images by neural network. Pattern Recognition 29, 2 (1996), 331–335.
[61] TORRESANI, L., KOLMOGOROV, V.,ANDROTHER, C. Feature correspondence via graph matching: Models and global optimization. In Computer Vision– ECCV 2008. Springer, 2008, pp. 596–609.
[62] VIOLA, P., AND JONES, M. Rapid object detection using a boosted cascade of simple features. In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on(2001), vol. 1, IEEE, pp. I–511.
[63] VLEUGELS, J., AND VELTKAMP, R. Efficient image retrieval through vantage objects. Pattern Recognition 35, 1 (2002), 69–80.
[64] WANG, F.,ANDGUIBAS, L. Supervised earth mover’s distance learning and its computer vision applications. In Computer Vision–ECCV 2012. Springer, 2012, pp. 442–455.
[65] WANG, J., YANG, J., YU, K., LV, F., HUANG, T., AND GONG, Y. Locality- constrained linear coding for image classification. In Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on(2010), IEEE, pp. 3360–3367.
[66] WANG, X., FENG, B., BAI, X., LIU, W., ANDLATECKI, L. J. Bag of contour fragments for robust shape classification. Pattern Recognition 47, 6 (2014), 2116–2125.
[67] XU, J., ZHANG, Z., TUNG, A., AND YU, G. Efficient and effective similarity search over probabilistic data based on earth mover’s distance. The VLDB Journal-The International Journal on Very Large Data Bases 21, 4 (2012), 535–559.
[68] XU, Y., WANG, B., LIU, W., AND BAI, X. Skeleton graph matching based
on critical points using path similarity. In Computer Vision–ACCV 2009. Springer, 2009, pp. 456–465.
[69] YANG, C., TIEBE, O., PIETSCH, P., FEINEN, C., KELTER, U., AND GR- ZEGORZEK, M. Shape-based object retrieval by contour segment matc- hing. In Image Processing (ICIP), 2014 IEEE International Conference on (2014), IEEE, pp. 2202–2206.
[70] YANG, J., JIANG, Y.-G., HAUPTMANN, A. G., AND NGO, C.-W. Evaluating bag-of-visual-words representations in scene classification. In Proceedings of the international workshop on Workshop on multimedia information ret- rieval(2007), ACM, pp. 197–206.
[71] YANG, X., BAI, X., YU, D., AND LATECKI, L. Shape classification based on skeleton path similarity. In Energy Minimization Methods in Computer Vision and Pattern Recognition, 6th International Conference, EMMCVPR 2007, Ezhou, China, August 27-29, 2007, Proceedings (2007), pp. 375– 386.
[72] YANG, Y., AND NEWSAM, S. Bag-of-visual-words and spatial extensions for land-use classification. In Proceedings of the 18th SIGSPATIAL Internati- onal Conference on Advances in Geographic Information Systems (2010), ACM, pp. 270–279.
ÖZGEÇM˙I ¸S
Ad-Soyad : Salih Arda BÖLÜK
Uyru˘gu : T.C.
Do˘gum Tarihi ve Yeri : 05.01.1991 Ankara
E-posta : ardaboluk2@gmail.com
Ö ˘GREN˙IM DURUMU:
• Lisans : 2014, TOBB ETU, Mühendislik Fakültesi, Bilgisayar Mühendisli˘gi
MESLEK˙I DENEY˙IM VE ÖDÜLLER:
Yıl Yer Görev
2011-2012 Talya Bili¸sim Stajyer Yazlım Mühendisi 2012-2013 Koza ˙Ipek Holding Stajyer Yazılım Mühendisi 2013-2014 Turkish Aerospace Industries Stajyer Test Mühendisi
YABANCI D˙IL: ˙Ingilizce, Almanca
TEZDEN TÜRET˙ILEN YAYINLAR, SUNUMLAR VE PATENTLER:
• S. A. Boluk, M. F. Demirci, Shape classifcation based on skeleton-branch distances, in: VISAPP 2015 - Proceedings of the 10th International Conference on Computer Vision Theory and Applications, Volume 2, Berlin, Germany, 11- 14 March, 2015., 2015, pp. 353-359.
• S. A. Boluk, M. F. Demirci, Skeleton branch distances for shape recognition, in: Signal Processing and Communications Applications Conference (SIU), 2015 23th, IEEE, 2015, pp. 552-555.
• S. A. Boluk, M. F. Demirci, Skeleton Critical Points for Shape Matching, in: Signal Processing and Communications Applications Conference (SIU), 2016
D˙I ˘GER YAYINLAR, SUNUMLAR VE PATENTLER:
• Betül Cerit, S. A. Boluk, M. F. Demirci, Analysis of the Effect of Image Resolution on Automatic Face Gender and Age Classification, in: Signal Processing and Communications Applications Conference (SIU), 2016 24th