21 June 2022 in IEEE Sensors Journal
People use various communication methods to interact with each other, such as speech and body movements. However, communication methods in babies differ according to their developmental periods. Babies may not be able to express themselves verbally, but they do have their own communication methods. Naturally, it becomes important for parents to understand these signs/poses. Human pose estimation is extensively employed in different applications such as video surveillance, sports analysis and medical support/aid. The goal of this research is to assist new parents by addressing pose-based real-time body movements of babies (such as arching back, head banging, kicking legs, rubbing eyes, stretching, sucking fingers) and making sense of their activities. This is the first study to estimate poses on babies. In this paper, a baby pose dataset is created from 156 video clips through online video sharing platforms. Key-points are obtained from three different pose estimators - OpenPose, AlphaPose, and KAPAO. Different LSTM models are used to recognize the babies’ activities and different performance metrics are used to compare these models. The best model has 99% accuracy and 0.0712 loss ratio. Also, babies are tracked in real-time via DeepSORT algorithm. Experimental results show that the proposed system is very promising and filling a gap in making sense of baby poses and monitoring them.
31 March 2026 in Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi
Toprak sıcaklığı; buzulların enerji dengesi, kütle dengesi, ekolojik istikrar ve tarımsal verimlilik üzerinde belirleyici bir değişken olup, karmaşık ve doğrusal olmayan etkileşimler nedeniyle doğru biçimde tahmin edilmesi güçtür. Mevcut yöntemler bu karmaşıklıkları yeterince temsil edemediğinden, daha gelişmiş modellere ihtiyaç duyulmaktadır. Bu çalışma, toprak sıcaklığı tahmini için transformatör tabanlı yeni bir çerçeve önermektedir. Transformatör mimarilerinin uzun vadeli bağımlılıkları ve zamansal örüntüleri yakalama konusundaki üstün yeteneklerinden yararlanılarak çevresel veriler üzerinde yüksek doğruluklu bir tahmin modeli geliştirilmiştir. Modelin geliştirilmesi ve değerlendirilmesi için altı farklı FLUXNET istasyonundan elde edilen veriler kullanılmıştır. Karşılaştırmalı analizler; ağaç tabanlı yöntemler, klasik derin öğrenme mimarileri ve beş gelişmiş transformatör modeli (Vanilla Transformer, Informer, Autoformer, Reformer ve ETSformer) ile gerçekleştirilmiştir. Sonuçlar, transformatör tabanlı modellerin tahmin doğruluğu bakımından geleneksel yaklaşımlara kıyasla belirgin üstünlük sağladığını göstermektedir. Ayrıca önerilen yöntemin farklı çevresel koşullarda tutarlı, sağlam ve genelleştirilebilir performans sergilediği doğrulanmıştır. Bulgular, transformatör modellerinin çevresel tahmin problemlerinde, özellikle toprak sıcaklığı öngörüsünde, yüksek potansiyele sahip olduğunu ortaya koymakta hem bilimsel anlayışa katkı sağlamakta hem de ölçeklenebilir, güvenilir ve pratik uygulamalara uygun bir araç sunmaktadır.