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
- Tez No: 570080
- Danışmanlar: PROF. DR. ÇİĞDEM EROĞLU ERDEM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Gömülü sistemlerde sesli komut tanıma
Voice command recognation in embedded systems
CAN ÇETİN
Yüksek Lisans
Türkçe
2020
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Control of autonomous mobile robots using reinforcement learning
Otonom mobil robotların pekiştirmeli öğrenme ile kontrolü
CELALETTİN DOĞUKAN ENGİN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYDIN YEŞİLDİREK
- Deep learning ensembles for image understanding
Başlık çevirisi yok
SARA ATITO ALI AHMED
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- 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
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM KÖRPEOĞLU