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: Derin öğrenme, Yapay zeka, Deep learning, Artificial intelligence
- 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: Belirtilmemiş.
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
- Türkiye'de aile planlaması çalışmalarında erkeklerin önemi, hastane personeli ile fabrika işçilerinin doğum kontrol yöntemlerine karşı tutum ve davranranışlarında farklılığın araştırılması
Başlık çevirisi yok
KAMİL MALKOÇLU
Yüksek Lisans
Türkçe
1987
Demografiİstanbul ÜniversitesiAile Sağlığı Ana Bilim Dalı
DOÇ. DR. DERİN KÖSEBAY
- Değişik derim zamanı ve önsoğutmanın Bursa siyahı incir çeşidinin meyve kalitesi ve pazarlama süresi üzerine etkileri
Effects of haruest time and precooling on fruit quality and shelf-life of the fig variety“Bursa siyahı”
FÜSUN GÜRSEL ÇELİKEL
- Tekstil boyamacılığında atık flottede boyama imkanları üzerine araştırma
Başlık çevirisi yok
MEHMET YAKARTEPE
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. KERİM DURAN
- Ön işlemenin ve askorbik asitin dondurularak depolanan yılan balıklarının (Anguilla anguilla) kalitesine etkileri
Başlık çevirisi yok
H.VOLKAN GÖKSEL
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiSu Ürünleri Ana Bilim Dalı
DOÇ. DR. AYDIN URAL
- Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği
The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning
NEVİN TURGUT
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. NURCAN UYDAŞ