Yüz Tanımada Derin Öğrenme Mimarilerinin ve Yüz Bulma Yöntemlerinin Karşılaştırılması
Öz
Bu çalışmada, literatürde yaygın olarak kullanılan görüntü işleme tabanlı yöntemler ve AlexNet, ResNet-18, GoogleNet ve SqueezeNet gibi mimariler kullanılarak performans karşılaştırılması yapılmıştır. Yüzün resim üzerinde belirlenebilmesi için Viola-Jones algoritması kullanılmıştır. Bu algoritmada kaskad obje dedektörü, yüzü algılayıp kare içine alır. Viola-Jones algoritmasının doğruluk oranı %85,71 olarak bulunmuştur. FEI yüz veri tabanındaki sağ, sol ve orta pozlarla veri kümesi oluşturulmuştur. Eigenfaces ve Fisherfaces görüntü işleme yöntemlerinin analizi için Temel Bileşen Analizi (TBA) ve Doğrusal Ayrım Analizi (DDA) kullanılmıştır. Bu yöntemler oluşturulan veri kümesi üzerinde uygulanarak doğruluk oranları elde edilmiştir. Eigenfaces yöntemi veri kümesindeki bazı poz varyasyonları için fisherfaces yönteminden daha iyi sonuç vermiştir. Derin öğrenme metotlarından AlexNet, ResNet-18, GoogleNet ve SquuezeNet kullanılmıştır. Yüz tanıma yöntemlerinden Eigenfaces yönteminin en yüksek doğruluk oranı %76,66 ve derin öğrenmede ResNet-18’in en yüksek doğruluk oranı %100 olmuştur.
Anahtar Kelimeler
derin öğrenme, yüz bulma, yüz tanıma, eigenfaces, fisherfaces
Etik Beyan
Çalışmanın tüm süreçlerinin araştırma ve yayın etiğine uygun olduğunu, etik kurallara ve bilimsel atıf gösterme ilkelerine uyduğumu beyan ederim.
Kaynakça
- Aly M., Face Recognition using SIFT Features, CNS 186 Term Project Winter, 2006.
- Almabdy S., ve Elrefaei L., Deep Convolutional Neural Network-Based Approaches for Face Recognition, Applied Sciences, 9(20), 4397, 2019.
- Arya Z., ve Twiari, V. (2020). Automatic Face Recognition and Detection Using OpenCV, Haar Cascade and Recognizer at Different Angle of Face, International Journal of Engineering Research and Applications, 10(6), 2020.
- Ayata F., ve Çavuş H., (2022). Yüz Tanıma Sistemlerinde Kullanılan ESA, YGH-DVM ve DSA Algoritmalarının Performans Testleri, Fırat Üniversitesi Fen Bilimleri Dergisi, 34(1), 39-48.
- Balanageshwara, S., Kareem, A., ve Kumara, V. (2023, June). Machine Learning Approach for a Novel Facial Recognition System. In 2023 8th International Conference on Communication and Electronics Systems (ICCES) (pp. 1178-1183). IEEE.
- Cadena, J., Villa, M., Martínez, M., Acurio, J., ve Chacón, L. (2023). An Efficient Technique for Global Facial Recognition using Python and OpenCV in 2D Images. WSEAS Transactions on Systems and Control, 18, 47-57.
- Curtidor A., Baydyk T., ve Kussul E., (2021). Analysis of Random Local Descriptors in Face Recognition, Electronics, 10(11), 1358. https://doi.org/10.3390/electronics10111358
- Çakmakoğlu A., (2018). Finans Sektöründe Veri Madenciliği Teknikleri Kullanılarak Kampanya Modelleme, Yüksek Lisans Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
- Doğan F., & Türkoğlu İ., Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme, DÜMF Mühendislik Dergisi, 10(2), 419-424, 2019.
- Fırıldak K. ve Talu F. M., (2019). Evrişimsel Sinir Ağlarında Kullanılan Transfer Öğrenme Yaklaşımlarının İncelenmesi, Computer Science, 4(2), 88-95.