Image processing for uncontracted ear awareness by using a deep neural network
Başlık çevirisi mevcut değil.
- Tez No: 796418
- Danışmanlar: PROF. DR. OSMAN NURI UÇAN
- 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: Belirtilmemiş.
- Sayfa Sayısı: 62
Özet
İris, parmak izi ve kulak gibi biyometrik niteliklerin ayırt edici özelliklerine bağlı olarak insan tanımlaması için büyük önem taşıdığından, biyometri, insanların makinelerle etkileşime girdiği güvenlik konusunda tartışmasız çok önemli bir nokta olarak kabul edilmiştir. Kulak biyometrisi şu anda adli tıp ve biyometri alanlarında en sevilen çalışma konularından biri olarak kabul edilmektedir. Kulak tanımanın vahşi ortamdaki değeri özellikle yüksektir çünkü güvenlik amacıyla kullanılabilir ve yüz tanıma gibi diğer yaygın olarak kullanılan biyometriyi tamamlar. Destekleyici olmanın yanı sıra zaman içinde daha sağlam ve mimiklerden bir o kadar etkilenmeyen farklı bir yaklaşım da olabilir. Sunulan çalışmadaki kulak tanıma problemini hem kısıtlamasız hem de kısıtlı koşullarda kapsamlı bir şekilde inceledik. Bu sorunu çözmek için tanıma modelini geliştirmek amacıyla derin evrişimli sinir ağları kullandık. Yüksek performans elde etmek için derin öğrenme modellerinin öğrenme kapasitesi özelliklerinden faydalandık. Bunun için en yaygın CNN modellerini kullandık. Bundan sonra, kısıtlamasız kulak veri setinin en güncel koleksiyonlarından biri olan UERC veri setinde verimliliği artırmak için bir etki alanı uyarlama tekniği önerdik. Bildiğimiz kadarıyla şu anda mevcut olan çok büyük bir kulak veri setini temsil ediyor. Ek olarak, kulak alanı için önceden eğitilmiş modelleri değiştirerek transfer öğrenme yaklaşımını uyguladık. Daha iyi sonuçlar elde etmek için, veri hizalama ve veri büyütme gibi yaygın olarak kullanılan teknikleri de uyguladık. Performansı daha da artırmak için birkaç CNN modeliyle puan düzeyi füzyonu kullanıldı. Ek olarak, yeni oluşturulan iki kayıp fonksiyonu olan merkezi kayıp ve büyük marjlı SoftMax kaybı kullanıldı. En son deneyimizde, kulak alanının veri kümesi yanlılığı sorunundan etkilenip etkilenmediğini belirlemek için bir veri kümesi tanımlama deneyi gerçekleştirdik. %99,71'lik sınıflandırma doğruluğu sonucumuz, bunun bir sonucu olarak kulak veri setleri arasında büyük bir sapma olduğunu göstermektedir. Ayrıca, bu çalışma daha fazla araştırmayı gerektirmektedir.
Özet (Çeviri)
Due to the fact that it is of high importance to human identification depending on the distinctiveness of biometric qualities like the iris, fingerprint, and ear, biometrics has been unquestionably considered a crucial point on the security in which humans have an interaction with the machines. Ear biometry is presently considered one of the most well-liked study subjects in forensic and biometrics areas. The value of the ear recognition in the wild is particularly high because it can be utilized for security purposes and complements other widely utilized biometrics like facial recognition. Along with being supportive, it could occasionally be a different approach that is more solid over time and unaffected by facial expressions as much. We have thoroughly examined the ear recognition problem in the presented work in both unconstrained and constrained conditions. We used deep convolutional neural nets in order to improve recognition model so as to solve this problem. In order to achieve high performance, we took advantage of deep learning models' capacity to learn features. We utilized the most common CNN models for this. After that, we suggested a technique of domain adaptation to enhance efficiency on the UERC data-set, one of the most current collections of unconstrained ear dataset. It represents a very large ear data-set that is currently available, as far as we are aware. Additionally, we applied the transfer learning approach through modifying the pre-trained models for ear domain. To get better results, we also applied widely utilized techniques including data alignment and data augmentation. Score level fusion with several CNN models was used to further enhance performance. Additionally, the centre loss and large-margin SoftMax loss, two newly created loss functions, were used. In our most recent experiment, we carried out a dataset identification experiment to determine whether the ear domain is affected by dataset bias problem. Our 99.71 % result of the classification accuracy demonstrates that there's a large bias between the ear data-sets as a result of this. Additionally, this study requires further research.
Benzer Tezler
- Makine öğrenme tabanlı ters yapay açıklıklı radar tekniği ile karmaşık hedeflerin görüntülenmesi
Imaging of complex targets by machine learning based inverse synthetic aperture radar technique
GÜLCE EKEN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZLEM ÖZGÜN
- Image processing for surface texture pattern classification
Yüzey doku örüntüsü sınıflandırma amaçlı görüntü işleme
KHAMIS SALIM BAMAMA
Yüksek Lisans
İngilizce
2020
Elektrik ve Elektronik MühendisliğiAnadolu ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER NEZİH GEREK
- Robotik sistemlerde görüntü işleme tabanlı nesne tanıma için akıllı ortam aydınlatması
Intelligent ambient lighting for image processing based object recognition in robotic systems
UĞUR AKIŞ
Yüksek Lisans
Türkçe
2023
EnerjiHitit ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERKAN DİŞLİTAŞ
- Automated image processing for scratch detection on specular surfaces
Yansımalı yüzeylerde otomatik görüntü işleme temelli çizik tespit sistemi
VOLKAN OKBAY
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÖZDE AKAR
- Çalışanın iş sağlığı ve güvenliği için görüntü işleme ile yorgunluk tespiti
Fatigue detection with image processing for occupational health and safety of the employee
ABDULKADİR YAPICI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HİKMETCAN ÖZCAN