Self-supervised learning using siamese networks for facial recognition
Yüz tanıma için siyam ağları kullanılarak özdenetimli öğrenme
- Tez No: 966314
- Danışmanlar: Assoc. Prof. Dr. BARIŞ ÖZCAN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Bu tez, yüz tanıma alanında Siamese ağ mimarisi kullanılarak kendi kendine denetimli öğrenme (Self-Supervised Learning, SSL) yaklaşımının uygulanmasını araştırmaktadır. Denetimli yöntemlerden farklı olarak SSL, etiketlenmiş veri kümelerine ihtiyaç duymadan, modelin benzerlikleri ve farklılıkları öğrenmesini sağlayan karşıt öğrenme (contrastive learning) prensibini kullanır. Bu çalışmada kendi kendine denetim, NT-Xent (Normalized Temperature-scaled Cross Entropy) kayıp fonksiyonu aracılığıyla sağlanmaktadır. Bu fonksiyon, aynı görüntünün farklı artırılmış görünümlerine ait gömlemelerin (embedding) öznitelik uzayında birbirine yaklaşmasını, farklı görüntülere ait gömlemelerin ise birbirinden uzaklaşmasını teşvik eder. Pozitif ve negatif çiftler, veri artırma teknikleriyle otomatik olarak üretilir; böylece manuel etiketleme gereksinimi ortadan kalkar ve yöntem yüksek ölçeklenebilirlik kazanır. Siamese ağ, ResNet tabanlı omurgalar (ResNet18 ve ResNet50) ile uygulanmış ve gömleme sonrası boyut indirgeme için PCA ile geliştirilmiştir. ORL (gri tonlamalı) ve CelebA-HQ (renkli) veri kümeleri üzerinde doğruluk, kesinlik (precision), duyarlılık (recall), EER (Equal Error Rate) ve eşik performansı gibi metrikler değerlendirilmiştir. Sonuçlar, geleneksel denetimli yaklaşımlara kıyasla rekabetçi doğruluk sağlarken, düşük veri ve etiketsiz senaryolarda daha iyi uyarlanabilirlik sunmaktadır. Bulgular, SSL ile güçlendirilmiş Siamese ağların, etiketli veriye bağımlılığı azaltarak güçlü yüz tanıma performansı sürdürebildiğini ve maliyetli veya pratik olmayan etiketleme durumlarında gerçek dünya uygulamalarına uygun olduğunu göstermektedir.
Özet (Çeviri)
This thesis investigates the application of self-supervised learning (SSL) in facial recognition using a Siamese network architecture. Unlike supervised methods, SSL eliminates the need for labeled datasets by leveraging contrastive learning, where the model learns to identizfy similarities and differences between image pairs without explicit identity annotations. In this study, self-supervision is achieved through the NT-Xent (Normalized Temperature-scaled Cross Entropy) loss function, which encourages embeddings of augmented views of the same image to be closer in the feature space while pushing apart those from different images. The approach relies on automatically generated positive and negative pairs via data augmentation, removing the dependence on manual labeling and making the method highly scalable. The Siamese network is implemented with ResNet-based backbones (ResNet18 and ResNet50) and further enhanced by applying PCA for dimensionality reduction post-embedding. Experiments are conducted on two datasets — ORL (grayscale) and CelebA-HQ (colored) — to evaluate accuracy, precision, recall, Equal Error Rate (EER), and threshold performance. Results show competitive accuracy compared to traditional supervised approaches, while offering better adaptability in low-data and unlabeled scenarios. The findings demonstrate that integrating SSL with Siamese networks can maintain strong facial recognition performance while improving generalization and reducing reliance on labeled data, making it suitable for real-world applications where annotation is costly or impractical.
Benzer Tezler
- Etkin sorgu önerileri için kullanıcı sorgularının görev tabanlı yönetilmesi
Task based management of user queries for effective query suggestions
NURULLAH ATEŞ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF YASLAN
- Scene change detection with triplet loss network using self-supervised learning
Üçlü kayıp ağı ile kendi kendine denetimli öğrenme metodu kullanarak sahne geçişlerinin tespiti
BURAK NAYIR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Ana Bilim Dalı
DR. TANKUT AKGÜL
- Self-supervised representation learning with graph neural networks for region of interest analysis in breast histopathology
Meme histopatolojisinde ilgi alanı gösterimlerinin çizgesel sinir ağları ile kendinden gözetimli öğrenimi
YİĞİT ÖZEN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
- Self-supervised prediction contrast time frequency for industrial fault detection
Endüstriyel hata tespiti için özdenetimli tahmin karşıtlığı zaman-frekans yöntemi
HAMZA GÖRGÜLÜ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZNUR ÖZKASAP
- Vision transformer tabanlı öz denetimli öğrenme ile histopatolojik görüntülerde mitoz hücrelerinin tespiti
Detection of mitosis cell in histopathological images using vit-based self-supervised learning
MUHAMMED CİHAD ARSLANOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ACAR
DOÇ. DR. ABDÜLKADİR ALBAYRAK