An effecient recognition framework using deep convolutional neural network
Derin dönüşümlü sinir ağı kullanan etkin bir tanıma çerçevesi
- Tez No: 768847
- Danışmanlar: YRD. DOÇ. DR. AYÇA KURNAZ TÜRKBEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 69
Özet
Yüz tanıma, bir kişinin yüzlerini sömürme bireyselliğini sınıflandırma veya pozitifleştirme yöntemidir. Fotoğraflarda, videolarda veya gerçek zamanlı olarak kişileri tespit etmek için yüz tanıma teknikleri uygulanabilir. Bu çalışmada, evrişimli sinir ağı tabanlı gri kurt optimize edici kullanılarak yüz tanıma için yeni bir yöntem sunulmuştur. CNN, giriş görüntülerinden yüksek seviyeli özellikler çıkarmak için kullanılır. Üst düzey öznitelikler, sınıflandırıcılara yüksek doğruluk sınıflandırmasında yardımcı olmak için önemlidir. CNN tarafından çıkarılan özellikler GWO kullanılarak optimize edilmiştir. GWO, en iyi sonuçları elde etmek için CNN'nin optimum durumunu bulmayı amaçlamaktadır. Çıkarılan özellikler, otomatik kodlayıcılara ve SoftMax'e bağlanmıştır. Önerilen yüz tanıma yöntemi, yüz95 için %99.29 ve yüz96 için %99.84 doğrulukla sonuçlar sunmuştur. Bu sonuçlar, bu alanda sunulan çeşitli çalışmalarla karşılaştırılmıştır.
Özet (Çeviri)
Facial recognition is a method of classifying or positive an person's individuality exploitation their face. Facial recognition techniques can be applied to detect individuals in photos, videos, or in real-time. In this study, new method for face recognition using convolutional neural network based grey wolf optimizer presented. The CNN used to extract high level features from input images. The high-level features have important to assist classifiers in high accuracy classification. The extracted features by the CNN optimized using GWO. The GWO aim to find optimum state of the CNN to obtain best results. The extracted features wired to the autoencoders and SoftMax. The proposed face recognition method presented results with an accuracy of 99.29% for face95 and 99.84% for face96. These results compared with several studies presented in this field.
Benzer Tezler
- Derin öğrenme yöntemleri kullanarak etkin ayrık işaret dili tanıma sistemi geliştirme
Development of an efficient isolated sign language recognition system based on deep learning methods
ANIL OSMAN TUR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HACER YALIM KELEŞ
- Face recognition and person re-identification for person recognition
Kişi tanıma için yüz tanıma ve kişinin yeniden tanınması
EMRAH BAŞARAN
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
PROF. DR. MUHİTTİN GÖKMEN
- An efficient FPGA implementation of cnn specialized in image recognition for breast cancer
Başlık çevirisi yok
OMAR MHMOOD ABDULHADİ
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Gelişim ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. INDRİT MYDERRİZİ
- Yinelemeli sinir ağları ile işaret dili tanıma
Sign language recognition with recurrent neural networks
İBRAHİM ÇETİNKAYA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Deep learning based Turkish video indexing and retrieval system
Derin öğrenmeye dayalı Türkçe video indeksleme ve bilgi getirimi sistemi
JAWAD RASHEED
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AKHTAR JAMIL