No abstract

No abstract

Özetçe-İki sınıflı verilerde sınıflara ait örnek sayılarındaki dengesizlik, üzerinde çalışılan önemli sorunlardan biridir. Eğitim veri setlerinde, bir sınıfa ait örneklerin sayısının diğer sınıfın örneklerinin sayısından büyük ölçüde fazla olduğu durumlarda standart makine öğrenme algoritmaları, büyük sınıflar tarafından boğulmuş olma eğilimindedir ve küçük sınıfların varlığı ortadan kaybolmaktadır. Sınıf dengesizliği sorununun ortadan kaldırılması için literatürde geliştirilmiş bazı algoritmalar bulunmaktadır. Bu çalışmada veri dengesizliğinin giderilmesinde kullanılan mevcut algoritmalar karşılaştırılmış ve en iyi başarıma sahip algoritma bulunmaya çalışılmıştır. Anahtar kelimeler-sınıf dengesizliği, ikili sınıflandırma, yeniden örnekleme, boosting.Abstract-The class imbalance problem in two-class data sets is one of the most important problems. When samples of one class in a training data set vastly outnumber samples of the other class, standard machine learning algorithms tend to be overwhelmed by the majority class and ignore the minority class. There are several algorithms to alleviate the problem of class imbalance in literature. In this paper experiments have been done comparing the existing algorithms with each other and the algorithm which has the best performance tried to be found.

Özetçe-Bu bildiri, Kinect duyargaya ait RGB video görüntülerde ve derinlik haritalarında uzam-zamansal özellikleri kullanan bir Türkİşaret Dili tanıma sistemini sunmaktadır. Sistemde, ardışıl video görüntülerdeki dinamik işaretlerin zamansal özelliklerini ifade etmek için, hareket farklarına dayalı toplamsal imge yaklaşımı kullanılmaktadır. Toplamsal imgeler, işaret süresince işaretçinin gerçekleştirdigi hareketin bütününü ifade etmektedir. Hareketlere ait uzamsal özellikleri elde etmek için, toplamsal imgelere 2-B Ayrık Kosinüs Dönüşümü (DCT) uygulanmakta ve işaretlerin enerji yogunluklarını gösteren dönüşüm imgeleri elde edilmektedir. Yöntemler, işaretlere ait RGB video görüntülere ve derinlik haritalarına ayrı ayrı uygulanıp iki adet dönüşüm imgesi elde edilmektedir.İşaretlere ait öznitelik vektörlerinin oluşturulması için ise dönüşüm imgelerinde zig-zag tarama ile yüksek enerjili DCT katsayıları belirli oranlarda seçilerek birleştirilmektedir. Sistemin tanıma aşamasında, Manhattan uzaklıgını kullanan K-en yakın komşu sınıflandırıcısı kullanılmıştır. Sistem performansının degerlendirilmesi amacıyla Türkİşaret Dili'ne (TİD) ait 3 ayrı kategoride toplam 111 kelimeden oluşan 1002 işaretlik bir veri seti kullanılmıştır. Çalışma sonucunda yaklaşık %90 oranında bir tanıma başarımı gözlemlenmiştir.Anahtar Kelimeler-işaret dili tanıma; Türkİşaret Dili; dinamik işaretler; uzam-zamansal özellikler; Kinect duyarga; derinlik haritaları.Abstract-This paper presents a Turkish Sign Language recognition system that uses spatio-temporal features on Kinect sensor RGB video sequences and depth maps. Proposed system uses cumulative motion images which based on motion differences and represent the temporal characteristics of dynamic signs in motion sequences. Cumulative motion images represent the whole motions of signers. 2-D Discrete Cosine Transform (DCT) is applied to cumulative sign images in order to obtain spatial features of signs and transformed images that represent the energy density of signs are obtained. Two transform images are obtained by applying referred methods to both of RGB video sequences and depth maps seperately. Feature vectors of dynamic signs are produced by combining a certain amount of DCT coefficients that contain higher energy via zig-zag scanning on transform images. K-Nearist Neighbor classifier with Manhattan distance used for recognition process. System performance is evaluated on a sign database that contains 1002 signs belongs to 111 words in three different categories of Turkish Sign Language (TID). Proposed sign language recognition system has a recognition rate about %90.

No abstract