Derin öğrenme teknikleriyle dinlenme halinde yüz cephe fotoğraflarında nokta tespiti algoritmasının geliştirilmesi
Development of a landmark detection algorithm in resting state frontal face images using deep learning techniques
- Tez No: 891864
- Danışmanlar: PROF. DR. ZEKERİYA ARVASİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Matematik ve Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Cebir ve Sayılar Teorisi Bilim Dalı
- Sayfa Sayısı: 79
Özet
Amaç: Ortodontik tedaviler, yüz görünümünde belirgin değişikliklere yol açabilmektedir. Bu nedenle, hem teşhis aşamasında hem de tedavi planlamasında yüzün detaylı bir şekilde değerlendirilmesi önem kazanmaktadır. Geleneksel olarak antropometrik yöntemlerle yapılan bu değerlendirmeler, günümüzde daha pratik bir yaklaşımla fotoğraflar üzerinden gerçekleştirilmektedir. Sayısal bir değerlendirme yapabilmek için, yüz üzerindeki anatomik referans noktalarının yazılım desteğiyle otomatik olarak tespit edilmesi gerekmektedir. Bu çalışmada, derin öğrenme yöntemlerinin kullanılarak yüz fotoğraflarında bu referans noktalarını doğru bir şekilde belirleyebilme yeteneği araştırılmıştır. Materyal ve Metot: Derin öğrenme modeli oluşturulurken 1000 yüz fotoğrafı etiketlenmiştir. Çalışmamızda FarNet (Feature Aggregation and Refinement Network) mimarisi ve ResNet101 omurga ağı kullanılmıştır. Model, 900 fotoğraf içeren eğitim veri seti ile eğitilmiş ve 100 fotoğraftan oluşan test veri seti ile değerlendirilmiştir. Geliştirilen derin öğrenme modelinin performansı, ortalama radyal hata, standart sapma ve başarı tespit oranları hesaplanarak değerlendirilmiştir. Bulgular: Geliştirilen derin öğrenme modelinin ortalama radyal hata değeri 2.02 ± 2.47 mm olarak bulunmuştur. Model, 2.0 mm, 2.5 mm, 3.0 mm ve 4.0 mm aralıklarında sırasıyla %70.41, %77.33, %81.94 ve %88.89 başarı tespit oranlarına ulaşmıştır. 39 işaret noktası arasında, pupil right noktası 0.58 ± 0.72 mm ortalama radyal hata ile en düşük hata değerine sahip olmuştur. Pupil right noktası, 2.0 mm, 2.5 mm, 3.0 mm ve 4.0 mm aralıklarında en yüksek başarı tespit oranına ulaşmıştır. Sonuç: Derin öğrenme yöntemlerinin, anatomik işaret noktalarının tespitinde yeterli bir performans sergilediği görülmüştür.
Özet (Çeviri)
Objective: Orthodontic treatments can lead to significant changes in facial appearance. Therefore, a detailed evaluation of the face is important both at the diagnostic stage and in treatment planning. Traditionally conducted through anthropometric methods, these evaluations are now performed more practically using photographs. To enable a quantitative assessment, it is necessary to automatically identify anatomical reference points on the face with software support. This study investigates the capability of deep learning methods to accurately identify these reference points on facial photographs. Materials and Methods: While developing the deep learning model, 1000 facial photographs were annotated. The study employed the FarNet (Feature Aggregation and Refinement Network) architecture and the ResNet101 backbone network. The model was trained with a training dataset of 900 photographs and evaluated with a test dataset of 100 photographs. The performance of the developed deep learning model was assessed by calculating the mean radial error, standard deviation, and success detection rates. Results: The mean radial error of the developed deep learning model was found to be 2.02 ± 2.47 mm. The model achieved success detection rates of 70.41%, 77.33%, 81.94%, and 88.89% at intervals of 2.0 mm, 2.5 mm, 3.0 mm, and 4.0 mm, respectively. Among the 39 landmarks, the pupil right point had the lowest error value with a mean radial error of 0.58 ± 0.72 mm. The pupil right point achieved the highest success detection rates at intervals of 2.0 mm, 2.5 mm, 3.0 mm, and 4.0 mm. Conclusion: It has been observed that deep learning methods exhibit sufficient performance in identifying anatomical reference points.
Benzer Tezler
- Die wirkung der pragmalinguistik auf den daf unterricht
Edimbilimin Almanca yabancı dil dersine etkisi
HATİCE KOÇ
Yüksek Lisans
Almanca
2022
Alman Dili ve EdebiyatıNecmettin Erbakan ÜniversitesiYabancı Diller Eğitimi Ana Bilim Dalı
PROF. DR. HASAN YILMAZ
- Transfer öğrenme yöntemi ile üniversite öğrencilerinin canlı ders izleme durumlarının sınıflandırılması
Classification of live course watching status of university students with the transfer learning method
YUSUF İSLAM SÜRÜCÜ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırşehir Ahi Evran Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH AYDEMİR
DR. ÖĞR. ÜYESİ FEYZİ KAYSİ
- Learners' reflections on experiencing augmented reality in the English classroom at tertiary level
Yükseköğrenim düzeyinde İngilizce sınıfında artırılmış gerçeklik deneyimlerine yönelik öğrenci yansıtmaları
OZAN VARLI
Doktora
İngilizce
2022
Eğitim ve Öğretimİstanbul Üniversitesi-CerrahpaşaYabancı Diller Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM ETUŞ
- Türkçe'nin anadili ve yabancı dil olarak öğretimi üzerine bir araştırma
Başlık çevirisi yok
SAMİ BALCI
- Dinlenme hali fonksiyonel manyetik rezonans görüntülerinin derin öğrenme yöntemleriyle analizi ve nörodejeneratif hastalık tanısında kullanılması
Analysis of resting state functional magnetic resonance images with deep learning methods and their use in the diagnosis of neurodegenerative diseases
FATMA MÜBERRA YENER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medeniyet ÜniversitesiBiyolojik Veri Bilimi Ana Bilim Dalı
PROF. DR. HASAN GÜÇLÜ
DR. ÖĞR. ÜYESİ MERVE YÜSRA DOĞAN