Geri Dön

A comparative study of deep learning based face recognition algorithms for video under adverse conditions

Derin öğrenme tabanlı yüz tanıma yöntemlerinin zorlayıcı koşullar altındaki videolar için performans karşılaştırılması

  1. Tez No: 570080
  2. Yazar: GALİP PALA
  3. Danışmanlar: PROF. DR. ÇİĞDEM EROĞLU ERDEM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 46

Özet

DERİN ÖĞRENME TABANLI YÜZ TANIMA YÖNTEMLERİNİN ZORLAYICI KOŞULLAR ALTINDAKİ VİDEOLAR İÇİN PERFORMANS KARŞILAŞTIRILMASI Yüz tanıma, bilgisayarlı görüde birçok uygulama alanı alan önemli bir problemdir. Son zamanlarda, litaratürde büyük resim ve video veritabanlarında yüksek başarım, önemli sonuçlar gösteren, derin öğrenme tabanlı yüz tanıma ve doğrulama metotları önerilmiştir. Her ne kadar bu büyük veri tabanları derin öğrenme mimarilerinin, eğitim ve testi için kullanılırlar ve ifade varyasyonları, baş pozisyonu ve aydınlatma içerirlerse de bulanıklık ve düşük çözünürlük gibi zor bozulmaları her zaman yansıtmazlar. Bu çalışmada, amacımız, zorlayıcı şartlar altındaki videoları kullanarak, yüz tanıma için yakın zamanda geliştirilmiş derin öğrenme tabanlı yöntemleri sistematik olarak karşılaştırmaktır. Openface, VGGFace2 ve Arcface olmak üzere 3 farklı derin öğrenme modelini değerlendirilmiştir. UvA-NEMO video veri setinde elde edilen sonuçlar, en başarılı derin öğrenme tabanlı yüz tanıma yöntemlerinin dahi gürültü, bulanıklık, kontrast gibi zorlu bozulmalarda düşük performans verdiğini gösterdi.

Özet (Çeviri)

A COMPARATIVE STUDY OF DEEP LEARNING BASED FACE RECOGNITION ALGORITHMS FOR VIDEO UNDER ADVERSE CONDITIONS Face identification is an important problem in computer vision, which has many application areas. Recently, a number of deep-learning-based face identification and verification methods have been proposed in the literature, which demonstrate remarkable results on large image and video databases. Although the databases used for training and testing deep-learning architectures contain expression variations, head pose and illumination and they do not reflect the difficult distortions (such as blur and low resolution), which may be encountered when using data from various sources (e.g. surveillance cameras). In this work, our goal is to systematically compare the performance of recent deep-learning-based methods for face identification using video under challenging conditions. We evaluate three deep learning architectures OpenFace, VGGFace2 and ArcFace. The experimental results on the UvA-NEMO video dataset indicate that even the most successful deep-learning based face identification methods show poor performance under challenging distortions on the images such as noise, blur and contrast variations.

Benzer Tezler

  1. Gömülü sistemlerde sesli komut tanıma

    Voice command recognation in embedded systems

    CAN ÇETİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA DOĞAN

  2. Makine öğrenmesi tabanlı iç ortam sıcaklık kontrolü için bir simülatör yazılımı tasarımı

    Design of a simulator software for machine learning-based indoor temperature control

    AYDIN BOSTANCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

  3. Control of autonomous mobile robots using reinforcement learning

    Otonom mobil robotların pekiştirmeli öğrenme ile kontrolü

    CELALETTİN DOĞUKAN ENGİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYDIN YEŞİLDİREK

  4. Deep learning ensembles for image understanding

    Başlık çevirisi yok

    SARA ATITO ALI AHMED

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı Üniversitesi

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT

  5. A comparative study of deep learning architectures for multivariate cloud workload prediction

    Çok değişkenli bulut iş yükü tahmini için derin öğrenme mimarilerinin karşılaştırmalı çalışması

    DERYA GÖZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM KÖRPEOĞLU