50 YANGIN VE GÜVENLİK • KASIM - ARALIK / 2025 ÇEVİRİ lirlikli hedefler için ReID modeli aracılığıyla görünüm özellikleri çıkarır ve Kalman filtresi kullanarak yeni yörünge durumlarını tahmin eder. Daha sonra, Macar algoritması kullanılarak ön eşleştirme yapılır; hareket ipuçları (IoU tabanlı) ve görünüm özellikleri birleştirilerek mevcut yörüngeler güncellenir veya yenileri başlatılır. Eşleşmeyen yörüngeler ve düşük güvenilirlikli hedefler, yanlış negatifleri azaltmak için ikinci bir eşleştirmeye tabi tutulur. Yörünge yönetim modülü, uzun süre eşleşemeyen yörüngeleri budarken geçerli olma potansiyeli taşıyanları korur. Son olarak, algoritma benzersiz hedef kimlikleri, konumları, kategorileri ve güven skorlarını içeren izlenen yörüngeleri çıktılar, böylece hassas ve sağlam çoklu nesne takibi sağlar. 3. YÖNTEM 3.1. Statik duman ve yangın özelliklerine dayalı olarak YOLOv10m omurgasının (backbone) geliştirilmesi Yangınlar genellikle yukarıya doğru daralan, aşağıya doğru genişleyen üçgensel bir morfolojiye sahiptir; yanma sırasında yayılan duman da benzer biçimsel örüntüler gösterir. Bu statik geometrik özellikleri yakalayabilmek için deforme edilebilir evrişim (deformable convolution) kullanılabilir. Deforme Edilebilir Evrişim [13], geleneksel evrişim çekirdeklerinin sabit örnekleme desenlerinden kaynaklanan sınırlamaları, öğrenilebilir uyarlanabilir sapmalar (offset) ekleyerek aşar. Böylece ağın, yangın ve duman şekillerindeki geometrik değişkenlikleri modelleme kapasitesi artar. Geleneksel 2B evrişim hesaplaması iki adımdan oluşur: (1) Girdi öz nitelik haritası x, düzenli bir ızgara R üzerinden örneklenir. R, örnekleme bölgesini tanımlar. (2) Örneklenen değerlerin, ağırlıklar w ile çarpılarak toplamı alınır. Deforme edilebilir evrişimde ise bu düzenli ızgara R, öğrenilebilir sapma parametreleri Δpn ile zenginleştirilir. Bu mekanizma sayesinde ağ, Δpn parametrelerini eğitim sırasında optimize ederek düzensiz hedeflerin biçimsel özelliklerini öğrenebilir. Ancak deforme edilebilir evrişim hâlâ bazı sınırlamalara sahiptir ve sıfırdan eğitilmesi gereken büyük ölçekli görsel modeller için tam olarak uygun değildir. Bu durumu aşmak için Wang ve arkadaşları [14], DCN ve DCNv2 üzerine sistematik iyileştirmeler yaparak DCNv3’ü önermiştir. Ayrılabilir evrişimden (separable convolution) esinlenen DCNv3, evrişim ağırlıklarını derinlik tabanlı (depthwise) bileşen mgk ve nokta tabanlı (point-wise) bileşen wg olarak ayırarak hesaplama verimliliğini büyük ölçüde artırır. Çok Başlı Öz-Dikkat (Multi-Head Self-Attention, MHSA) yapısından alınan ilhamla, DCNv3 uzamsal birleştirme sürecini bağımsız parametrelere sahip G grubuna ayırarak özellik temsili gücünü güçlendirir. Ağ derinliği arttıkça, özellik haritalarının uzamsal boyutları azalır ancak daha soyut ve üst düzey anlamsal bilgiler taşır. Düzensiz hedef şekil özelliklerinin çıkarım kapasitesini en üst düzeye çıkarmak amacıyla, bu çalışmada orijinal omurgadaki son C2f/CIB modülü, DCNv3 ile güçlendirilmiştir. Özellikle, CIB modülü DCNv3 ile değiştirilerek C2f/Deformable Convolution Bloğu (C2f/ DCB) adı verilen yeni bir modül tasarlanmıştır (Şekil 3). Bu geliştirilmiş omurga ağı, geleneksel evrişimin alım alanı sınırlamalarını aşarak duman ve yangının statik morfolojik özelliklerini etkili bir şekilde yakalar ve tespit doğruluğunu artırır. 3.2. SEAM ile YOLOv10m Head yapısının geliştirilmesi Pratik tespit senaryolarında, özellikle orman veya kentsel yangın gibi karmaşık arka planlarda, ağaçlar, binalar ve diğer nesneler duman ve yangını kısmen örterek tespit performansını düşürebilir ve müdahale süresini geciktirebilir. Bu sorunu çözmek için bu çalışmada, orijinal algoritmanın tespit başlığını (Head) geliştirmek amacıyla SEAM mekanizması kullanılmıştır. SEAM (Separated and Enhancement Attention Module), Yu ve arkadaşları [15] tarafından YOLO-FaceV2 modelinde, çok ölçekli yüz tespiti ve arka plan kaynaklı yüz örtüşme sorunlarını çözmek amacıyla önerilmiştir. SEAM özünde bir kanal dikkat (channel attention) mekanizmasıdır. Evrişimsel, artık (residual) ve doğrusal katmanlardan oluşan bir dizi işlemle ağırlıklar elde eder ve Şekil 3. C2f/DCB Modülü Şekil 4. SEAMFHead
RkJQdWJsaXNoZXIy MTcyMTY=