1 / 17

Yama-Tabanlı Yüz Tanıma için Yeni Yöntemler

Yama-Tabanlı Yüz Tanıma için Yeni Yöntemler. Berkay Topçu, Hakan Erdoğan Sabancı Üniversitesi. İçerik. Giriş Yama-Tabanlı Yüz Tanıma Boyut düşürme ve normalizasyon Sınıflandırma Karar Birleştirme Deneyler ve Sonuçlar Sonuç ve Gelecek Çalışmalar. Giriş. Güvenlik uygulamaları

brier
Download Presentation

Yama-Tabanlı Yüz Tanıma için Yeni Yöntemler

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Yama-Tabanlı Yüz Tanıma için Yeni Yöntemler Berkay Topçu, Hakan Erdoğan Sabancı Üniversitesi

  2. İçerik • Giriş • Yama-Tabanlı Yüz Tanıma • Boyut düşürme ve normalizasyon • Sınıflandırma • Karar Birleştirme • Deneyler ve Sonuçlar • Sonuç ve Gelecek Çalışmalar Sabancı Üniversitesi

  3. Giriş • Güvenlik uygulamaları • İnsan-bilgisayar arayüzü • Işıklandırma değişimleri • Kısmi kapanmalar • Duruş (poz) değişimleri Sabancı Üniversitesi

  4. Yama-Tabanlı Yüz Tanıma • Üst üste çakışan veya çakışmayan bölgeler (yamalar) • Yerel öznitelikler • Işıklandırma, kısmi kapanma ve duruş değişimlerine karşı gürbüz • Sınıflandırma • Farklı yamalardan çıkarılan öznitelikler • Öznitelik birleştirme • Karar birleştirme Sabancı Üniversitesi

  5. Yama-Tabanlı Yüz Tanıma • Boyut Düşürme • Yüksek boyutlu (d) veri, düşük boyutlu (p) uzaya eşlenmekte (p < d) • d = 64x64 = 4096 ya da d = 16x16 = 256 • 256  12 boyut, 4096  192 boyut • Ayrık Kosinüs Dönüşümü (DCT) • Temel Bileşenler Analizi (PCA) • Normalize Temel Bileşenler Analizi (NPCA) • En Yakın Komşu Ayırtaç Analizi (NNDA) Sabancı Üniversitesi

  6. Öznitelik Çıkarımı • NPCA (Normalize Temel Bileşenler Analizi) • PCA, izdüşüm uzayında örnekler arası ikili uzaklıkların karelerinin toplamını maksimize eder. • Örnekler arası uzaklıkları, orijinal uzaydaki uzaklıkları ile ters orantılı ağırlıklandırma Sabancı Üniversitesi

  7. Öznitelik Çıkarımı • NNDA (En Yakın Komşu Ayırtaç Analizi) • Sınıflar arası uzaklığı arttırmaya çalışırken, aynı sınıfa ait elemanları izdüşüm uzayında yaklaştırmayı hedefler. • Her eleman için, aynı sınıftaki en yakın komşu ile uzaklığını ve diğer sınıflardan en yakın komşu ile uzaklığını göz önüne alır. SabancıÜniversitesi

  8. Öznitelik Çıkarımı - Normalizasyonlar • Uzunluk Normalizasyonu • Yüksek veya düşük parlaklık seviyeli yamalar • Birim uzunluk • Öznitelik Normalizasyonu • Her bir özniteliğin katkısını dengelemek • Birim standart sapma Sabancı Üniversitesi

  9. Sınıflandırma • En yakın komşu sınıflandırıcısı • Yüz imgelerinden elde edilen veri seyrek olduğundan, eğitim verisinin yapısını temsil eden istatistiksel model oluşturmak zordur. • Örnekler arası uzaklık  Sınıf sonsal olasıklıkları Sabancı Üniversitesi

  10. Önceki Çalışmalar • Öznitelik birleştirme • Yamalardan çıkarılan öznitelikler uç uca eklenerek her bir örnek için görsel öznitelik vektörü oluşturulur. • Doğru tanıma oranlı ağırlıklandırma • Her bir yamanın sonuçları, test verisi üzerindeki doğru tanıma oranları ile ağırlıklanıdırılır. • Yama-tabanlı ve bütüncül birleştirme • İki ayrı seviyede karar birleştirme yapılır. • İlk seviye: Farklı yamaların tanıma oranları birleştirilir. • İkinci seviye: Yerel tanıma sonucu, tüm imgenin kullanıldığı tanıma sonucu ile birleştirilir. Sabancı Üniversitesi

  11. Karar Birleştirme • Farklı yamalardan eğitilmiş sınıflandırıcıların birleştirilmesi • Sonsal olasılıkların ağırlıklı toplamı : • Eşit ağırlıklar (EA): • Fisher Ağırlıklandırma (FA) • Onaylama Doğruluk Oranı Ağırlıklandırma (ODO-A) Sabancı Üniversitesi

  12. Karar Birleştirme • Fisher Ağırlıklandırma (FA) • Onaylama verisinin her bir örneği için ( i : doğru sınıf ) • Pozitif skor • Negatif skor • 16 boyutlu veri  1boyut • LDA (Doğrusal Ayırtaç Analizi) Sabancı Üniversitesi

  13. Karar Birleştirme • Onaylama Doğruluk Oranı (ODO-A) • Her bir yamanın bağımsız tanıma oranı • Yamanın ağırlığı tanıma oranı ile doğru orantılı Sabancı Üniversitesi

  14. Deneyler • AR Veritabanı • 120 kişi – 2 ayrı oturum – 13+13=26 imge/kişi • 13 imge/kişi/oturum : 1 standart + 3 yüz ifadesi farklı + 3 ışıklandırma farklı + 3 güneş gözlüklü + 3 atkılı • İlk oturum ilk 7 imge  eğitim • İkinci oturum ilk 7 imge  onaylama • İlk ve ikinci oturum 6+6=12 imge  test Sabancı Üniversitesi

  15. Deneyler ve Sonuçlar Normalizasyonsuz tanıma oranları Standart Sapma Norm. Uzunluk Norm. Sabancı Üniversitesi

  16. Deneyler ve Sonuçlar • Diğer yöntemler • Öznitelik Birleştirme • CSU Face Identification Evaluation System Sabancı Üniversitesi

  17. Sonuç • Farklı yamalardan elde edilen sonuçların birleştirilmesi • DCT ve PCA ek olarak NPCA ve NNDA kullanılması • İki farklı ağırlık bulma yöntemi • En yüksek tanıma oranı : 85.69% • Uzunluk bölümü + NNDA + ODO-A • Gelecek çalışmalar: • En uygun eşleşme için yama merkezlerinin yer değiştirmesi • Test imgesi üzerinden ağırlıklandırma • Sınıflara özel yama ağırlıkları Sabancı Üniversitesi

More Related