Yazar
Tavlı, Ahmet
Basım Tarihi
2018-08
Konu
Yüz tanıma, Görüntü sınıflandırma, Özellik çıkarma, Özellik, Özellik vektörü, Desen sınıflandırma, Destek vektör makineleri
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
e68a60cd-ee44-40de-bb8c-6ffcea47266f
Lokasyon
Bilgisayar Bilimleri Bölümü
Tarih
2018-08
Örnek Metin
Yüz tanıma problemi kırk yılı aşkın süredir araştırılıyor ve o zamandan bu yana birçok tanımlayıcı ve sinir ağı mimarisi öneriliyor. Amaç basittir; eğitim ve test yüz görüntü setleri için aynı deneklerden öznitelikler çıkarmak, eğer önerilen yöntem doğruysa, çıkarılan öznitelikler aynı etiket altında kategorize edilir. Ancak sorun görüntülerdeki aydınlatma etkisi ile başlıyor; aydınlatma etkisi aynı konu için çıkarılan özelliklerin farklı etiketlerle sınıflandırılmasına neden olabilir. Bu nedenle doğru sınıflandırma için aydınlatma ve diğer çevresel etkilerin ortadan kaldırılması gerekir. Çevresel etkiyi ortadan kaldırmanın bir çözümü, Yerel İkili Model (LBP) tanımlayıcısının kullanılmasıdır. LBP, aydınlatma açısından değişmez, hesaplama açısından basit ve oldukça ayırt edici bir görsel tanımlayıcıdır. Bu nedenle, yüz tanıma sorununu çözmek için LBP tabanlı tanımlayıcılar yirmi yıldan fazla bir süredir geliştirilmektedir. LBP0'ın hesaplama açısından basit özelliği, onu farklı türlerdeki bilgisayarlı görme problemlerine uygulanabilir hale getirir; ayrıca, belirli bir uygulamada en son teknolojiye sahip sonuçlar elde eden veya LBP'yi tamamlayan LBP varyantlarının birçok örneği vardır. Bu tezde, sonuçlardan esinlenerek bir LBP değişken tanımlayıcısı olan Çok Ölçekli İkili Benzerlik yaklaşımı önerilmiştir. MSBS, seçilen bileşenlerdeki piksel ilişkilerini analiz ederek yüz görüntüsü karakteristiğini kodlar. MSBS'nin kodlanmış özellikleri, Destek Vektör Makineleri (SVM) ile eğitilmiş ve AT&T, Extended Yale B, Georgia Tech ve MNIST veri kümeleriyle test edilmiştir. Sonuçlar MSBS'nin literatürde önerilen yaklaşımların çoğundan daha iyi performans gösterdiğini göstermektedir. Yüz tanıma problemi üzerine kırk harf fazla bir süre çalışılmakta ve bu problemi çözmek için birçok çalıştırma ve sinir ağ yapısı önerilmiştir. Yüz tanımadaki amaç oldukça basit, eğer önerilen yöntemle, aynı kişinin ait olduğu eğitim ve test setlerinden kopyalanan kopyalardan, onaylanmış özellikler aynı etiket altında kategorize edilebiliyorsa, bu o aydınlığın doğruluğunu gösterir. Öte yandan sorun, resimlerin üzerindeki ışıklandırma efekti ile başlar. Işıklandırma efekti, aynı kişinin ait olduğu iki farklı örnekten çıkarılmış özellikler farklı etiket altında kategorize edilmesi, bu resimlerin farklı çocuklara ait olduğu gibi görünmesine sebep olabilir. Bu sayede doğru çalışmayı yapabilmek için, aydınlatma ve diğer konsantrasyon etkileri ortadan kaldırılmalıdır. Çevresel etkilerin ortadan kalkması için bir çözüm yerel ikili örüntü (LBP) iyileştirmesini kullanmaktır. LBP ışıklandırma efektinden etkilenmeyen, kolay hesaplanabilen, kopyalardan ayrılan özellikler başarılı bir şekilde ayrılabilen bir görsel anahtar nokta tanımlamadır. Bu nedenle LBP bölgesel tanımlayıcılar yirmi yılda aşkın süredir, yüz tanıma problemini çözmek için geliştirilmektedir. LBP'nin kolay hesaplanabilme özelliği onun farklı problemlere uygulanabilirliği sağlanmıştır, hatta LBP abonelerinin farklı uygulamalarda en iyi sonuçu alınmış veya LBP ile birlikte kullanılarak, LBP'nin kullanım ömrünü artırdığı çok örnek vardır. Bu sonuçlardan esinlenerek, bu tezde, bir LBP özelliklerini tanımlayıcı olan Çok Ölçekli İkili Benzerlik çalıştırması (ÇÖİB) önerilmiştir. ÇÖİB tanımlama geliştiricisi, yüz resmindeki karakterleri, seçilen alanlar içindeki, pikseller arasındaki aralıkları kodlayarak ortaya çıkar. ÇÖİB'in sunduğu özellikler, Destek Vektör Makinesi (SVM) ile eğitilmiş ve AT&T, Extended Yale B, Georgia Tech verileri ile test edilmiştir. Sonuç olarak ÇÖİB ayıklaması, literatürde önerilen tedavilerin çoğundan daha iyi sınıflandırmıştır.
