Bölge tabanlı evrişimli sinir ağı ile yoklama amaçlı yüz tanıma sistemi
Face recognition system for attendance with region based convolutional neural network
- Tez No: 759983
- Danışmanlar: PROF. DR. PAKİZE ERDOĞMUŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Düzce Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 119
Özet
İnsanların göz veya parmak izi gibi biyometrik özelliklerinin yanı sıra müdahale veya temas olmadan kullanılabilecek en belirgin ve temel özelliği yüzüdür. Bu çalışmanın amacı, derin öğrenme tekniği ve evrişimli sinir ağı (convulational neural network, CNN) algoritması kullanarak bir yüz tanıma sistemi geliştirmektir. Bunu sağlamak için araştırmacılar tarafından on iki öğrencinin 400 farklı fotoğrafını içeren özgün bir veri seti oluşturulmuştur. Öğrencilerin fotoğrafları, sınıf ortamında farklı oturma düzeninde farklı açılar oluşturacak şekilde kameraya karşı yerleri ve açıları değiştirilerek çekilmiştir. Veri seti eğitim ve test setlerine ayrılmış ve her bir öğrenci fotoğrafta ayrı ayrı etiketlenmiştir. Eğitim süreci gerçekleştirildikten sonra test seti üzerinde yüz tanıma süreci test edilmiştir. AlexNet, GoogleNet ve ResNet50 mimarileri ile oluşturulan R-CNN modellerinde, faster R-CNN ve YOLOv4 modellerinde eğitim ve test işlemleri tamamlanmıştır. Veri setindeki görüntü sayısının ağın başarısına etkisine incelemek amacıyla 300/100 ve 350/50 olmak üzere iki farklı eğitim/test oranı kullanılmıştır. Önerilen yaklaşım, öğrencilerin yüz tanıması ile kimliklerinin belirlenmesinde umut verici sonuçlar vermiştir. 300/100 eğitim/test oranı kullanıldığında başarı oranı %59 iken, 350/50 eğitim/test oranında %98'e yükselmiştir. Sonuç olarak yüzleri kolayca tanımak için uygun derin öğrenme modellerinin tatmin edici düzeyde kullanılabileceği gösterilmiştir. Ayrıca bu modeller sadece yoklama veya güvenlik amaçlı değil, öğrencilerin duygularını tespit etmek için de kullanılabilir. Böylece öğrenme ortamının iyileştirilmesi ve öğrencilerin hazır bulunuşluklarının değerlendirilmesi mümkün olabilir.
Özet (Çeviri)
In addition to biometric features of people such as eyes or fingerprints, the most distinctive and basic feature that can be used without intervention or contact is the face. The aim of this study is to develop a face recognition system using deep learning technique and convulational neural network (CNN) algorithm. To avhieve this, an original data set including 400 different photos of twelve students was created by the researchers. Photos of the students were taken in their own classroom by changing their places and angles to the camera to create different angles with different sitting patterns. The data set divided into training and test sets, and each students were labeled individually in each photos. After the training process was carried out, face recognition process was testing on the test set. Training and testing of R-CNN models created with AlexNet, GoogleNet and ResNet50 architectures, faster R-CNN, and YOLOv4 models have been completed. To examine the effect of the number of images in the data set on the success of the network; two different training/test ratio; 300/100, and 350/50; were used. The proposed approach yielded promising results in identifying students using face regions. A success rate of 59% was obtained when the 300/100 training/test ratio was used, while the success rate increased to 98% for the 350/50 ratio. As a result, it has been shown that appropriate deep learning models can be used to recognizing the faces easily with a satisfying level. In addition, these models can be used not only for attendance or security purposes, but also for detecting the emotions of the students. Thus, it may be possible to improve the learning environment and evaluate the readiness of students.
Benzer Tezler
- Çoklu video görüntüleri üzerinde akıllı hedef takibi
Intelligent target tracking on multi video images
SEVİNÇ AY DOĞRU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT KARABATAK
- A Deep Learning Approach for Categorizing Breast Carcinoma Histopathology Images
Meme Kanseri Histopatoloji Görüntülerinin Sınıflandırılması için bir Derin Öğrenme Yaklaşımı
TUĞÇE SENA ALTUNTAŞ
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SAMİ ARICA
DR. ÖĞR. ÜYESİ TUĞBA TOYRAN
- Makine öğrenme algoritmalarıyla akciğer X-ray görüntü özniteliklerini kullanarak pnömoni tespiti ve sınıflandırılması
Pneumonia detection and classification using lung X-ray image features with machine learning algorithms
SEMİH DEMİREL
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ÇELİK
- Road geometry extraction with fusion of low resolution satellite imagery and GPS trajectory using deep learning methods
Düşük çözünürlüklü uydu görüntüleri ve GPS rotaları birleştirilmesi ve derin öğrenme yöntemleri kullanılarak yol geometrilerinin tespiti
NECİP ENES GENGEÇ
Doktora
İngilizce
2024
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN TARI
- Improving deep neural networks extracting context knowledge from food images
Yemek resimlerinden bağlam bilgisini çıkaran derin sinir ağlarının geliştirilmesi
MERVE ELİF ÇELİK
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖVGÜ ÖZTÜRK ERGÜN