Affiliation:
1. TOKAT GAZİOSMANPAŞA ÜNİVERSİTESİ
Abstract
Hızla gelişen bilgisayar ve grafik ara yüzüne sahip cihaz teknolojileri, yüz tanıma çalışmalarında yeni ufuklar açmışlardır. Özellikle derin öğrenme ağ mimari yapılarından biri olan evrişimsel sinir ağları (Convolutional Neural Network-CNN), yüz tanıma çalışmalarında büyük başarılar sağlamaktadır. Bu başarılar da veri setlerinin büyüklüğü önemli rol oynamaktadır. Özellikle kullanılan veri setlerindeki yetersizlik başarı oranlarını etkileyebilmektedir. Bunun önüne geçmek için ise veri tipine göre değişik veri artırma teknikleri uygulanmaktadır. Yapılan bu çalışmada yüz tanımlama problemi için derin öğrenmeye dayalı adaptif bir yüz tanıma modeli (AYTM) geliştirildi. Geliştirilen bu model kontrast sınırlı uyarlanabilir histogram eşitleme (Contrast Limited Adaptive Histogram Equalization-CLAHE), CNN ve çok katmanlı algılayıcı (Multi Layer Perceptron-MLP)’ndan oluşmaktadır. İki farklı veri seti grubu kullanılarak geliştirilen modelin performans değerlendirilmesi yapılmıştır. Özellikle veri artırma işleminin model başarısını ciddi oranda artırdığı gözlendi ve veri artırma işleminin derin öğrenme uygulamalarında gerekliliği vurgulanmıştır.
Publisher
Duzce Universitesi Bilim ve Teknoloji Dergisi
Reference46 articles.
1. [1] Y. Q. Li, , D. T. Lin, and Z. W. Yeh, “Improving Deep Learning for Face Verification Using Color Histogram Equalization Data Augmentation,” in Proceedings of the 5th World Congress on Electrical Engineering and Computer Systems and Sciences. 2019, Paper No. MVML 103, Prague, Czech Republic.
2. [2] Y. Zhou, D. Liu, and T. Huang, “Survey of face detection on low-quality images,” 13th IEEE international conference on automatic face & gesture recognition (FG 2018), 2018, pp. 769-773.
3. [3] V. Kazemi, and J. Sullivan, “One millisecond face alignment with an ensemble of regression trees,” in Proceedings of the IEEE conference on computer vision and pattern recognition, 2014, pp. 1867-1874.
4. [4] J. Zhang, X. Wu, J. Zhu, and S. C. H. Hoi, “Feature agglomeration networks for single stage face detection,” Neurocomputing, vol. 380, pp. 180-189, 2020.
5. [5] C. Ren, N. An, J. Wang, L. Li, B. Hu, and D. Shang, “Optimal parameters selection for BP neural network based on particle swarm optimization: A case study of wind speed forecasting,” Knowledge-based systems, vol. 56, pp. 226-239, 2014.
Cited by
1 articles.
订阅此论文施引文献
订阅此论文施引文献，注册后可以免费订阅5篇论文的施引文献，订阅后可以查看论文全部施引文献