Derin öğrenme yöntemleri ile yüz görüntülerinden yaş kestirimi
Age estimation from facial images using deep neural networks
- Tez No: 603004
- Danışmanlar: DOÇ. DR. FÜSUN BALIK ŞANLI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Jeodezi ve Fotogrametri, Computer Engineering and Computer Science and Control, Science and Technology, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 44
Özet
Yapay zekâ çalışmalarında kaydedilen ilerlemeler ses, görüntü ve yazı işleme konularında başarılı sonuçlar elde edilebilmesine olanak sağlamıştır. Yapay sinir ağlarının son hali olan derin yapay sinir ağları görüntü işlemede robot görmesi, görüntü etiketleme, görüntü analiz etme ve sınıflandırma konularında kullanılmaya başlamıştır. Askeri amaçlar ve güvenlik konularında görüntü ve video işleme tekniklerinde doğru kurgulanmış derin yapay sinir ağları mimarileri ile desteklenen sistemlerde doğruluk ve güvenilirliğin arttığı gözlenmiştir. Bu çalışmada, yaş kestirimi için 0 – 79 yaş aralığındaki insanlara ait yüz görüntülerinden oluşan bir veri seti ile derin yapay sinir ağı eğitilerek değişkenlere göre üç farklı durumda doğruluk analizi yapılmış ve her bir durumda sonuç doğruluğun ne yönde etkilendiği gösterilmiştir. Birinci durumda yapay sinir ağının eğitilmesi sırasında uygulanan tekrarlamaların sayısının artmasının doğruluğa etkisi gözlemlenmiştir. Bunun için sinir ağının eğitimi sırasında geçen her 1000 tekrarda ağın çıktısı kaydedilmiş, farklı tekrar sayılarına tekabül eden çıktılarla yaş sınıflandırma testleri yapılmıştır. İkinci durumda yapay sinir ağının eğitilmesi için kullanılan görüntülerin çözünürlüklerinin sonuç doğruluğu nasıl etkilediği gözlemlenmiştir. Bunun için sinir ağı aynı görüntülerin sırayla 80x80, 120x120 ve 224x224 boyutlarındaki kopyalarıyla aynı tekrarlama sayısı baz alınarak 3 kere eğitilmiştir. Her bir eğitimin çıktısı yaş sınıflandırma testine tabi tutularak doğruluklar karşılaştırılmıştır. Üçüncü durumda eğitimin yaşlara göre yapılması ile yaş gruplarına göre yapılması senaryolarının sınıflandırma doğruluğunu nasıl etkilediği gözlemlenmiştir. Bunun için veri seti önce 0 – 79 yaş aralığını kapsayacak şekilde 80 sınıfa ayrılmış ve bu sınıflara göre eğitim yapılmışır. Daha sonra aynı veri seti yaş grupları oluşturacak sınıflandırılmış ve bu sınıflara göre aynı tekrarlama sayısı ile eğitim yapılmıştır. Her iki durumdaki eğitim çıktısı yaş sınıflandırma testine tabi tutularak doğruluklar karşılaştırılmıştır. Eğitim ve sınıflandırma testi işlemlerinin gerçekleştirilebilmesi için Python kodlama dili ile Tensorflow çatısı kullanılarak iki program geliştirilmiştir. Eğitimler GoogLeNet \cite{1} yapay sinir ağı modeli kullanılarak yapılmıştır. Yapay sinir ağı eğitim işlemleri Nvidia GTX 1080 ekran kartı üzerinde gerçekleştirilmiştir. Yapay sinir ağının eğitilmesi için IMDB – WIKI yüz veri seti kullanılmıştır. Bu veri seti, kişilerin doğum tarihleri ve fotoğrafların çekildikleri yıllarla etiketlenmiş yüz görüntülerinden oluşmaktadır. Bu etiketlere göre görüntülerin tasnif edilebilmesi için C\# dili ile yardımcı bir program geliştirilmiştir.
Özet (Çeviri)
Recent improvements in artificial intelligence studies have enabled people to get successful results in audio, image and text processing. Deep artificial neural networks, which is the latest form of artificial neural networks, are used in all image processing, robot vision, image labeling, image analysis and image classification. It is observed that the accuracy and the reliability are enhanced in systems supported by deep artificial neural network architectures that have been correctly designed for image and video processing techniques in military purposes and security issues. In this study, a data set consisting of facial images of people aged between 0 and 79 years for age estimation was studied by using deep artificial neural network and accuracy analysis were performed in three different situations. In each case the accuracy of the results was shown. In the first case, the effect of increasing the number of iterations applied during the training of the artificial neural network has been observed. For this, the output of the network was recorded every 1000 epochs during the training of the neural network, and the age classification tests were performed with the outputs corresponding to the different number of iterations. In the second case, it was observed how the pixel resolutions of the images used for the training of the neural network affect the accuracy of the results. For this purpose, the neural network was trained 3 times based on the same number of iterations with 80x80, 120x120 and 224x224 copies of the images respectively. The output of each training was subjected to age classification test and the accuracy was compared. In the third case, it has been observed how the classification accuracy is affected according to age and age groups scenarios. To do this, first the data set was divided into 80 classes to cover the age range of 0 - 79 and was trained according to these classes. Then, the same data set was classified to form age groups and training was performed with the same number of repetitions. In both cases, the training output was subjected to age classification test and the accuracy was compared. Two programs have been developed using the Tensorflow framework with Python coding language to perform training and classification tests. Trainings were made using GoogLeNet \cite{1} artificial neural network model. Artificial neural network training was performed on the Nvidia GTX 1080 graphics card. IMDB - WIKI facial data set was used to train artificial neural network. This data set is composed of images of the people at varying ages and each image labeled with birth dates and the years when the photographs were taken. According to these labels, an auxiliary program has been developed with C\# language in order to classify the images.
Benzer Tezler
- BMI prediction from face images
Yüz görüntülerinden vücut kitle indeksi tahmini
GÜLPINAR BÖLÜKBAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Yürüyüş verilerinden makine öğrenmesi yöntemleri ile yaş tahmini
Age estimation from gait data using machine learning
VEDAT İMAÇ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSiirt ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VOLKAN MÜJDAT TİRYAKİ
- Age and gender classification from ear images
Kulak imgelerinden yaş ve cinsiyet sınıflandırma
DOĞUCAN YAMAN
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Age and gender prediction from 3d-body and face images
3 boyutlu vücut ve yüz görüntülerinden yaş ve cinsiyet tahmini
SEDA ÇAMALAN
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. GÖKHAN ŞENGÜL
- Derin öğrenme yöntemleri ile yüz görüntülerinden kronik ve genetik hastalıkların ön tanısı
Pre-diagnosis of chronic and genetic diseases through facial images with deep learning methods
SEVAL BÜLBÜL GÖKÇEK
Doktora
Türkçe
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDURRAHİM AKGÜNDOĞDU