Impact of stylization on deep face recognition networks using digital images
Dijital görüntüler kullanılarak derin yüz tanıma ağları üzerinde stilizasyonun etkisi
- Tez No: 903884
- Danışmanlar: DR. ÖĞR. ÜYESİ ERKUT ARICAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bilgisayarla görme, Derin öğrenme, Evrişimli sinir ağları, Yüz tanıma, Computer vision, Deep learning, Convolutional neural networks, Face recognition
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son teknolojiye sahip obje/yüz tespit/tanıma sistemleri olağanüstü performans sergilemektedir, ancak hala değişen birçok faktöre karşı savunmasızdırlar. Son birkaç yıl içinde, bu tür faktörler derin tespit/tanıma ağlarının güçlü yönlerini, zayıf yönlerini ve sınırlarını daha iyi anlamak için araştırılmıştır. Yüz tanıma alanında, mevcut sistemlerin performansını artırmaya yönelik oluşan araştırmaların yanı sıra, bu tür faktörlerin analizi de kısıtlamalar olmaksızın yüz tanıma sınırlarını genişletmede önemli bir rol oynamıştır. Bu araştırmada, stil transferi etkisinin beş son teknoloji DNN'nin (Resnet50, VGGFace, FaceNet, ArcFace ve GoogLeNet) yüz doğrulama için eğitilmiş performanslarını nasıl etkilediği üzerine odaklanılmaktadır. İlk aşamada, çeşitli tabloların stilleri kullanılarak değerlendirilen test görüntülerinin dokusu veya geometrisi değiştirilmiş ve bu stiller yüz doğrulama modellerine beslenerek stilizasyona karşı sağlamlıkları değerlendirilmiştir. Sonuçlar, stil transferinin doğrulama performansını önemli ölçüde etkilediğini ortaya koymaktadır. Yapılan deneyler, modellerin aktarılan stili nasıl kodladığını araştırmak için gerçekleştirilmiştir. Sonuçlar, yüzeysel katmanlarda bile, stilizasyonun ağı kandırmaya başlayabileceğini göstermektedir.
Özet (Çeviri)
The state-of-the-art object/face detection/ recognition systems achieve exceptionally good performance, but they are still vulnerable to a variety of changing factors. Over the last few years, such factors have been explored to better comprehend the strengths, weaknesses, and limitations of deep detection/recognition networks. In the field of face recognition, along with the usual research studies aiming towards enhancing the performance of existing systems, the analysis of such factors has also played a significant role in expanding the boundaries of recognizing faces in unconstrained environments. In this research, the investigation focuses on how a transferred style affects the performances of five state-of-the-art DNNs (Resnet50, VGGFace, FaceNet, ArcFace, and GoogLeNet) trained for face verification. For the first stage, manipulation of the texture or the geometry of the considered test images by using the styles of various paintings, fed into the face verification models to assess their robustness against stylization. The results reveal that style transfer significantly influences the verification performance. Experiments were conducted to investigate how the models encode the transferred style. The outcomes show that even in the shallow layers, stylization can begin to deceive the network.
Benzer Tezler
- Effect of chymotrypsin on M1 type pyruvate kinase from rabbit muscle and L-type from sheep liver
Başlık çevirisi yok
NİLAY BAŞARAN
Yüksek Lisans
İngilizce
1987
BiyokimyaOrta Doğu Teknik ÜniversitesiBiyokimya Ana Bilim Dalı
YRD. DOÇ. DR. MERAL YÜCEL
- Devlet Malzeme Ofisi satış maliyeti ve satış hasılatı trend analizi
Başlık çevirisi yok
MUSTAFA BEREKET
- Tarımda sulamanın üretim yapısı, girdi kullanımı ve ekonomik faaliyet sonuçları üzerine etkileri
The Impacts of the irrigation on cropping pattern, production technology, input demand and farm incame in agriculture
FATMA DOĞRUEL
