Bu kaydın yasal hükümlere uygun olmadığını düşünüyorsanız lütfen sayfa sonundaki Hata Bildir bağlantısını takip ederek bildirimde bulununuz. Kayıtlar ilgili üniversite yöneticileri tarafından eklenmektedir. Nadiren de olsa kayıtlarla ilgili hatalar oluşabilmektedir. MİTOS internet üzerindeki herhangi bir ödev sitesi değildir!

Derin öğrenme ile yüz tanıma

Diğer Başlık: Face recognition with deep learning

Oluşturulma Tarihi: 2017

Niteleme Bilgileri

Tür: Tez

Alt Tür: Yüksek Lisans Tezi

Yayınlanma Durumu: Yayınlanmış

Dosya Biçimi: PDF

Dil: Türkçe

Konu(lar): TEKNOLOJİ, BİLİM,

Yazar(lar): ÜNAL, Fatıma Zehra (Yazar),

Emeği Geçen(ler): GÜZEL, Mehmet Serdar (Tez Danışmanı),


Yayınlayan: Ankara Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı Yayın Yeri: Ankara Yayın Tarihi: 2017 Yayınlandığı Sayfalar: 79 s.


Dosya:
file show file
Görüntüle
download file
Kaydet

Anahtar Kelimeler

Yüz Tanıma, Derin Öğrenme, Konvolüsyonel Sinir Ağı, Yüz Tanıma Algoritması, Yapay Sinir Ağları, MATLAB , Face Recognition, Deep Learning, Convolutional Neural Network, Face Recognition Algorithm, Artificial Neural Networks, MATLAB 


Özet

Güvenlik uygulamaları ve ticari uygulamalar olmak üzere çok sayıda alanı ve disiplini kapsayan yüz tanıma, görüntü analizi alanının amacına en uygun önemli bir araştırma problemidir. İnsanların yüzleri tanıma kabiliyetine eşit, otomatik bir sistem geliştirmek ciddi bir problemdir. Yüz tanıma uygulamalarının farklı disiplinlere konu olması, bu alanda yapılan ve yapılacak çalışmalara olan ilgiyi arttırmaktadır. Uzun yıllar yapay zeka alanında geliştirilen uygulamalar ile sonuç alınamamış sorunların çözümünde Derin Öğrenme teknolojisi ile büyük ilerleme kaydedilmiştir. Yüksek boyutlu verilerin karmaşık yapılarını keşfetme konusunda çok iyi olduğu ortaya çıkan Derin öğrenme, bilim, iş dünyası ve devletin birçok alanında uygulanmaya başlamıştır. Derin Öğrenme teknikleri kullanarak bilgisayarlarla görme alanında birçok sınıflandırma problemi performansı arttırılmıştır. Derin öğrenme, özellikle Konvolüsyonel Sinir Ağı (KSA), son zamanlarda yüz tanıma uygulamalarında umut verici sonuçlar elde etmiştir.  Bu tez çalışması kapsamında, geleneksel makine öğrenme tekniği ve derin öğrenme tekniği kullanılarak bir yüz tanıma algoritması eğitilmiş ve iki ayrı yöntemin başarı oranlarını karşılaştırılmıştır. Algoritma, yüz tespiti, ön işlemler, öznitelik çıkarımı ve sınıflandırma olmak üzere 4 ana kısımdan oluşmaktadır. Öznitelik çıkarımı kısmında Histogram of Gradients (HOG) ve Derin Öğrenme olmak üzere iki ayrı teknik kullanılmıştır. Elde edilen özellikler çok sınıflı Destek Vektör Makineleri (DVM) metodu kullanılarak sınıflandırılmıştır. 

Abstract

Face recognition, which encompasses a large number of fields and disciplines, including safety applications and commercial applications, is an important research problem most suited to the purpose of image analysis. Developing an automated system that is equal to the ability of people to recognize faces is a serious problem. The fact that facial recognition applications are subject to different disciplines increases the relevance of the work done in this area. Deep Learning technology has made great progress in solving problems that have not been achieved with applications developed for a long time in artificial intelligence field. It has begun to be applied in many areas of deep learning, science, business, and government, which have proven to be very good at discovering complex structures of high-dimensional data. Deep Learning techniques have improved the performance of many classification problems in the field of vision with computers, especially using Convolutional Neural Networks. Deep learning, especially the Convolutional Neural Network (CNN), has recently achieved promising results in face recognition applications. In this thesis, a face recognition algorithm is trained by using traditional machine learning technique and deep learning technique and the success rates of the two methods are compared. Algorithm consists of 4 main parts; face detection, preprocessing, feature extraction and classification. Two separate techniques, Histogram of Gradients (HOG) and Deep Learning, have been used in the attribute extraction section. The properties obtained are classified using the multi-class Support Vector Machines (SVM) method.


İçindekiler



Açıklamalar



Haklar



Notlar



Kaynakça


Atıf Yapanlar

Gözat Sayfasına Dön

 

Sosyal Medya ve Araçlar

İstatistikler

  • Kayıt
    • Bu ay: 37
    • Toplam: 31057
  • Online
    • Ziyaretçi: 418
    • Üye: 0
    • Toplam: 418

Detaylı İstatistikler