Geri Dön

Genişletilmiş evrişimli sinir ağları kullanarak gerçek zamanlı yüz tanıma

Real-time face recognition using extended convolutional neural networks

  1. Tez No: 828428
  2. Yazar: MEHMET ALİ KUTLUGÜN
  3. Danışmanlar: DR. YAHYA ŞİRİN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: İstanbul Sabahattin Zaim Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimi ve Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 115

Özet

Bu çalışmanın konusu, gerçek zamanlı görüntülerde derin öğrenme temelli yüz tanıma sistemleri üzerinedir. Araştırma, yüz tanıma sistemleri içerisinde öznitelik elde etmek için kullanılan evrişimli sinir ağları kapsamında gerçekleştirilmiştir. Gerçek zamanlı görüntüler,“yüz bulma”,“öznitelik çıkarma”,“vektörel dönüşüm”,“sınıflandırma ve başarım ölçme”olmak üzere dört aşamada incelenmiştir. Yüz tanıma sistemlerinde, ışık yönü, yansıma, yüz ifadesindeki duygusal ve fiziksel değişimler tanımayı zorlaştıran başlıca unsurlar olarak bilinmektedir. Akan görüntü çerçevelerinde karşılaştırılan her görüntüde meydana gelebilen bu unsurlar hatalı tanımlamalara yol açmaktadır. Araştırmada, arka plan veya sahne değişimleri tespit yöntemi önerilerek, evrişimli sinir ağlarından elde edilen özniteliklerin karşılaştırması birlikte kullanılmıştır. Bu model, sahnenin değişmediği blokları tespit eder ve sınıflandırıcı aşamasında kullanılan karşılaştırma eşik değerini yeni bir değerle daha kesin olarak belirlemeye çalışır. Değişmeyen sahne blokları arasında hassasiyet oranının arttırılması, veri tabanındaki örnekler arasında daha az karşılaştırma yapılmasına olanak tanır. Deneysel çalışmada önerilen model, orijinal derin metrik öğrenme modeline kıyasla %99,25 doğruluk ve %99,28 F-1 değerlerine ulaşmıştır. Deneysel sonuçlar, değişmeyen sahnelerde aynı kişinin yüz görüntülerinde farklılıklar olsa bile, karşılaştırılan örneklem alanı daraltıldığı için yanlış tanımanın çok daha aza indirilebileceğini göstermektedir.

Özet (Çeviri)

This study's subject is face recognition systems based on deep learning in real-time images. The research was carried out within the scope of convolutional neural networks used to obtain features in face recognition systems. Real-time images were analyzed in four stages:“face detection,”“feature extraction,”“vector transformation,”and“classification and performance measurement.”In face recognition systems, light direction, reflection, and emotional and physical changes in facial expression are known as the main factors that make recognition difficult. These elements, which can occur in every image compared to flowing image frames, lead to erroneous definitions. The background or scene changes detection method was proposed in the research, and the comparison of the features obtained from the convolutional neural networks was used together. This model detects blocks where the scene has not changed and tries to more precisely determine the comparison threshold value used in the classifier stage with a new value. Increasing the precision ratio between unchanging scene blocks allows for fewer comparisons between instances in the database. The model proposed in the experimental study reached 99,25% accuracy and 99,28% F-1 values compared to the original deep metric learning model. Experimental results show that even if there are differences in facial images of the same person in unchanging scenes, false recognition can be minimized as the compared sample area is narrowed.

Benzer Tezler

  1. Stochastic bitstream-based vision and learning machines

    Stokastik bit akışı tabanlı görü ve öğrenme makineleri

    SERCAN AYGÜN

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ECE OLCAY GÜNEŞ

  2. A new framework for decentralized social networks: Harnessing blockchain, deep learning, and natural language processing

    Merkezsiz sosyal ağlar için yeni bir çerçeve: Blok zinciri, derin öğrenme ve doğal dil işlemeyi kullanmak

    AMIR AL KADAH

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DENİZ BALTA

  3. Matrix norm based-solution methods and machine learning: Stochastic games and their applications

    Matris norm tabanlı çözüm yöntemleri ve makine öğrenmesi: Stokastik oyunlar ve uygulamaları

    MURAT ÖZKAYA

    Doktora

    İngilizce

    İngilizce

    2024

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURHANEDDİN İZGİ

  4. A taxonomy of artificial neural networks

    Yapay sinir ağlari'nin bir taksonomisi

    ALP EREN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Matematik Ana Bilim Dalı

    PROF. DR. ATABEY KAYGUN

  5. Novel fractional order calculus-based audio processing methods and their applications on neural networks for classification and synthesis problems

    Kesirli mertebeden kalkülüs temelli yeni ses işleme yöntemleri ve bunların sinir ağları üzerinde sınıflandırma ve sentez problemlerine uygulanması

    BİLGİ GÖRKEM YAZGAÇ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MÜRVET KIRCI