Texture analysis and classification by deep architectures for paper fraud detection
Evrakta sahtecilik tespiti için derin mimariler ile doku analizi ve sınıflandırma
- Tez No: 830491
- Danışmanlar: DOÇ. DR. EROL ŞAHİN, PROF. DR. FATOŞ TUNAY YARMAN VURAL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 130
Özet
Bu tez, basıldıkları kağıtların dokusal yapısını analiz ederek sahte ile orijinal belgeler arasında ayrım yapmayı amaçlamaktadır. Bir kağıttan alınan iki farklı bölümün aynı temel dokusal yapıyı paylaşma olasılığının son derece düşük olduğu gösterilmiştir. Hipotez Testi problemi olarak tanımlanabilecek bu olan problemde amaç, bir nesneye ait görselin veritabanında var olup olmadığını (yani, orijinal olup olmadığını) belirlemektir. Bu sorunu çözmek için, ayırt edici özellikleri açığa çıkaracak İkiz Ağlar kullanılmıştır. Bu temel ağın kayıp fonksiyonuna yeni bir katsayı terimi eklenerek, uyumsuz çiftlerin tanımlanmasının iyileştirilmesi amaçlanmıştır. Daha sonra, İkiz Ağdan öğrenilen öznitelikler Hipotez Testi probleminin çözümü için kullanılmıştır. Problem, öğrenilen öznitelik uzayı üzerinde önerilen bir Meta Öğrenme mekanizmasını kullanarak yeni gelen bir nesneye ait görseli daha önce görülenler ile karşılaştırmak ve nesnenin daha önce görülüp görülmediğini tespit etmek olarak görülebilir. Ek olarak, hem İkiz Ağlar hem de Meta Öğrenmenin hedeflerini birleştirmek için uçtan uca bir ağ oluşturulmuştur. Yöntemimizin etkinliğini deneyler ile göstermek için, kağıt bölümleri içeren bir veri seti oluşturulmuştur. Bu veri seti bir veri artırma şemasına tabi tutulmuştur. Ek olarak, açık kaynaklı bir kumaş veri seti üzerinde deneyler yapılmıştır. Sistematik deneyler, önerilen yöntemin Tip-II hata (sahte nesnelerin orijinal olarak sınıflandırılma yüzdesi) açısından mevcut yöntemlerden daha iyi performans gösterdiğini ortaya koymaktadır. Yeni yaklaşım, dokusal yapı analizine dayalı olarak gerçek ve sahte belgeler arasında etkili bir şekilde ayrım yaparak gelişmiş performans sergilemektedir.
Özet (Çeviri)
This thesis aims to distinguish between fraudulent documents and original ones by analyzing the inherent textural structure present in the papers they are printed on. It is shown that the likelihood of two distinct sections from a paper sharing the same underlying textural structure is extremely low. The primary objective is to determine whether an object exists in the database or not (i.e., if it is original or fraudulent), which can be formalized as a Hypothesis Testing problem. To address this problem, a Siamese Network is utilized to extract discriminative features. By introducing a new weight term to the loss function of this base network, the identification of mismatched pairs is significantly improved compared to the classical methods, such as Gabor Filters and Local Binary Pattern. Subsequently, the learned embeddings from the base Siamese network are employed for the Hypothesis Testing problem by constructing a database with known objects and introducing unknown objects in the test phase. The problem can be viewed as comparing image of a unknown paper with those already encountered, using a suggested Meta Learning mechanism in the embedding space. Additionally, an end-to-end network is constructed to facilitate the objectives of both the Siamese Network and the Meta Learner. To demonstrate the effectiveness of proposed method with experiments, a dataset including paper sections is collected and subjected to a data augmentation schema. Additionally, experiments are conducted on a publicly available fabrics dataset. Systematic experiments reveal that the proposed method outperforms the baselines in terms of both accuracy and Type-II error (percentage of frauds predicted falsely as originals). The novel approach showcases improved performance in terms of Type-II error, effectively differentiating between genuine and fraudulent documents based on the textural structure analysis.
Benzer Tezler
- Investigation of deep learning approaches for biomedical data classification
Biyomedikal veri sınıflandırmasında derin öğrenme yaklaşımlarının araştırılması
ESRA MAHSERECİ KARABULUT
Doktora
İngilizce
2016
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İBRİKÇİ
- Periferik yaymada görüntü iyileştirme teknikleri kullanarak sonuçların derin öğrenme tabanlı analizi ve sınıflandırılması
Deep learning-based analysis and classification of peripheral blood smear results using image enhancement techniques
OLCAY PALTA
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HANİFİ GÜLDEMİR
DOÇ. DR. MUSA ÇIBUK
- Zeytin hastalıklarının derin öğrenme ile tespiti
Detection of olive fruit diseases with deep learning
ÇAĞLA TOPRAK ERDURAK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBandırma Onyedi Eylül ÜniversitesiMekatronik Ana Bilim Dalı
DOÇ. DR. SERHAT KILIÇARSLAN
- İçerik tabanlı görüntü erişimi ile uzaktan algılama verilerinde obje arama
Object retrieval in remote sensing data using content based imaged retrieval
ÖZGE TOKMAK
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. NEBİYE MUSAOĞLU
- Derin öğrenme teknikleri kullanılarak cilt lezyonları için çok sınıflı sınıflandırma
Multi-class classification for skin lesions using deep learning techniques
ÜMMÜHAN KOPAL
Yüksek Lisans
Türkçe
2025
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜRVET KIRCI