Derin öğrenmeye dayalı yüz tanıma
Face recognition based on deep learning
- Tez No: 974385
- Danışmanlar: DR. ÖĞR. ÜYESİ HALDUN SARNEL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Derin öğrenme, Destek vektör makineleri, Gerçek zamanlı sistemler, Veri artırma teknikleri, Yüz tanıma, Deep learning, Support vector machines, Real time systems, Data augmentation techniques, Face recognition
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Manisa Celal Bayar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırma, derin öğrenme tabanlı öznitelik çıkarımı ile klasik makine öğrenmesi sınıflandırıcılarını birleştiren hibrit bir yaklaşımla, yüksek doğruluklu ve gerçek zamanlı bir yüz tanıma sisteminin tasarımını ve uygulamasını sunmaktadır. Sistem, yüz tespiti için Çok Görevli Basamaklı Evrişimli Sinir Ağları (MTCNN), kimliğe özgü 128 boyutlu gömü vektörlerinin üretilmesi için önceden eğitilmiş bir FaceNet (Inception-ResNet-v1) modeli ve bu vektörlerin sınıflandırılması için bir Destek Vektör Makinesi (SVM) kullanmaktadır. Bu modüler mimari, sisteme yeni kişiler eklendiğinde yalnızca hafif ve eğitimi hızlı olan SVM sınıflandırıcısının güncellenmesine olanak tanır. Böylece, tamamen uçtan uca derin öğrenme modellerinin getirdiği yüksek hesaplama maliyeti ve yeniden eğitim zorlukları ortadan kaldırılır. Modelin genelleme kapasitesini, sınırlı sayıda orijinal görüntüyle bile artırmak amacıyla döndürme, parlaklık değişimi ve yansıtma gibi veri artırma teknikleri sistematik olarak uygulanmıştır. Yapılan deneysel testler, sistemin ayrık bir test seti üzerinde %99,90 gibi yüksek bir tanıma doğruluğuna ulaştığını göstermiştir. Ayrıca gerçekleştirilen öğrenme eğrisi analizi, modelin aşırı öğrenme eğilimi göstermeden çapraz doğrulama testlerinde de benzer bir başarıyı (%99,89) koruduğunu ve genelleme yeteneğinin yüksek olduğunu bilimsel olarak kanıtlamıştır. Uygulanan veri artırma tekniklerinin, modelin Kesinlik (Precision) ölçütünde +%77,9'luk bir artış sağlayarak sistemin başarısı için temel bir gereklilik olduğu niceliksel olarak kanıtlanmıştır. Boyut indirgeme analizleri (t-SNE, UMAP) ise FaceNet tarafından üretilen öznitelik uzayının, doğrusal bir SVM'nin bile etkili bir şekilde çalışabileceği, belirgin ve ayrık kümeler oluşturduğunu görsel olarak doğrulamıştır. Geliştirilen prototip, standart bir donanım üzerinde akıcı bir gerçek zamanlı performans sergileyerek, önerilen hibrit mimarinin hem yüksek doğruluk hem de pratik uygulanabilirlik açısından güçlü bir sinerji oluşturduğunu göstermektedir.
Özet (Çeviri)
This research presents the design and implementation of a high-accuracy, real-time face recognition system through a hybrid approach that combines deep learning-based feature extraction with classical machine learning classifiers. The system utilizes a Multi-Task Cascaded Convolutional Neural Network (MTCNN) for face detection, a pre-trained FaceNet (Inception-ResNet-v1) model to generate identity-specific 128-dimensional embedding vectors, and a Support Vector Machine (SVM) for the classification of these vectors. This modular architecture allows for updating only the lightweight and fast-to-train SVM classifier when new individuals are added to the system, thereby eliminating the high computational costs and retraining challenges associated with fully end-to-end deep learning models. Data augmentation techniques such as rotation, brightness variation, and mirroring have been systematically applied to enhance the model's generalization capacity, even with a limited number of original images. Experimental tests have shown that the system achieves a high recognition accuracy of 99,90% on a discrete test set. Furthermore, a learning curve analysis scientifically proves that the model maintains a similar level of performance (99,89%) in cross-validation tests without showing a tendency for overfitting, indicating its high generalization ability. The implemented data augmentation techniques were quantitatively proven to be a fundamental requirement for the system's success, providing a +77,9% increase in the model's Precision metric. Dimensionality reduction analyses (t-SNE, UMAP) have visually confirmed that the feature space generated by FaceNet creates distinct and separable clusters where even a linear SVM can operate effectively. The developed prototype exhibits fluid real-time performance on standard hardware, demonstrating that the proposed hybrid architecture creates a powerful synergy in terms of both high accuracy and practical applicability.
Benzer Tezler
- Derin öğrenmeye dayalı yüz tanıma ile nöromüsküler hastalıkların sınıflandırılması
Classification of neuromuscular diseases with facial recognition based on deep learning
AHMET VOLKAN KURTOĞLU
Tıpta Uzmanlık
Türkçe
2025
NörolojiBezm-İ Alem Vakıf ÜniversitesiNöroloji Ana Bilim Dalı
PROF. DR. ZELİHA MATUR
- Derin öğrenmeye dayalı güçlü yüz tanıma sistemi için gan ile veri çoğaltma
Data augmentation with gan for robust face recognition system based on deep learning
ERDAL ALIMOVSKI
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. YAHYA ŞİRİN
- Derin öğrenmeye dayalı yüz ve vücut biyometrilerinin tümleştirilmesi
Fusion of face and body biometrics based on deep learning
AHMET BİLGİÇ
Yüksek Lisans
Türkçe
2017
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Facial expression recognition based on transfer learning and data augmentation
Transfer öğrenmeyi kullanarak yüz ifadeleri tanıma ve veri büyütme
HAITHAM ALHAJI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TARKAN AYDIN