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

Slides:



Advertisements
Benzer bir sunumlar
el ma 1Erdoğan ÖZTÜRK ma ma 2 Em re 3 E ren 4.
Advertisements

Yrd. Doç. Dr. Mustafa Akkol
BDP 2014 YEREL SEÇİM PERFORMANSI. GENEL VERİLER - 1 ● TOPLAM KAZANILAN BELEDİYE SAYISI 101 (2009'da 78) ● KAZANILAN İL SAYISI BŞB / 8 İL ● KAZANILAN.
Prof.Dr.Şaban EREN Yasar Üniversitesi Fen-Edebiyat Fakültesi
MEMNUNİYET ANKETİ ANALİZİ
DOĞAL SAYILAR.
T.C. İNÖNÜ ÜNİVERSİTESİ Arapgir Meslek YÜKSEKOKULU
TİE Platformu Yürütme Kurulu Başkanı
-Demografik- Nüfus Analizi
KÜMELER.
Atlayarak Sayalım Birer sayalım
ÇÖZÜM SÜRECİNE TOPLUMSAL BAKIŞ
BEIER CÜMLE TAMAMLAMA TESTİ
Diferansiyel Denklemler
ÖRNEKLEME DAĞILIŞLARI VE TAHMİNLEYİCİLERİN ÖZELLİKLERİ
VOLEYBOL İNDEKS (OYUNCULARIN FİZİK YETENEKLERİNİN ÖLÇÜMÜ)
1/27 GEOMETRİ (Kare) Aşağıdaki şekillerden hangisi karedir? AB C D.
ALIŞVERİŞ ALIŞKANLIKLARI ARAŞTIRMASI ÖZET SONUÇLARI Haziran 2001.
Yüz Tanıma İçin İlinti Tabanlı Yama Yerelleştirme
Orta Öğretimden Üniversiteye Gelen Öğrencilerin Temel Bilgisayar Bilgilerinin İl ve Bölge Bazında İncelenmesi: Karadeniz Teknik Üniversitesi Uygulaması.
KIR ÇİÇEKLERİM’ E RakamlarImIz Akhisar Koleji 1/A.
Verimli Ders Çalışma Teknikleri.
HOŞGELDİNİZ 2005 Yılı Gelir Vergisi Vergi Rekortmenleri
HİSTOGRAM OLUŞTURMA VE YORUMLAMA
Soruya geri dön
CAN Özel Güvenlik Eğt. Hizmetleri canozelguvenlik.com.tr.
Özel Üçgenler Dik Üçgen.
GÖK-AY Özel Güvenlik Eğt. Hizmetleri
YETKİN LEVENT ÖZEL YENİ SINAV SİSTEMİ YGS-LYS.
“Dünyada ve Türkiye’de Pamuk Piyasaları ile İlgili Gelişmeler”
1/20 PROBLEMLER A B C D Bir fabrikada kadın ve çocuk toplam 122 işçi çalışmaktadır. Bu fabrikada kadın işçilerin sayısı, çocuk işçilerin sayısının 4 katından.
TOPLAMA İŞLEMİNDE VERİLMEYEN TOPLANANI BULMA
Berkay Topçu ve Hakan Erdoğan Sabancı Üniversitesi
HAZIRLAYAN:SAVAŞ TURAN AKKOYUNLU İLKÖĞRETİM OKULU 2/D SINIFI
1/25 Dört İşlem Problemleri A B C D Sınıfımızda toplam 49 öğrenci okuyor. Erkek öğrencilerin sayısı, kız öğrencilerin sayısından 3 kişi azdır.
İki Ortalama Arasındaki Farkın Önemlilik Testi
USLE R FAKTÖRÜ DR. GÜNAY ERPUL.
BESLENME ANEMİLERİ VE KORUNMA
EBOB EKOK.
YASED BAROMETRE 2006 AĞUSTOS.
CBÜ HAFSA SULTAN HASTANESİ ENFEKSİYON KONTROL KOMİTESİ 2011 OCAK-ARALIK 2012 OCAK- MART VERİLERİ.
1/20 BÖLME İŞLEMİ A B C D : 4 işleminde, bölüm kaçtır?
TÜRKİYE KAMU HASTANELERİ KURUMU
1 YASED BAROMETRE 18 MART 2008 İSTANBUL.
İmalat Yöntemleri Teyfik Demir
MATRİSLER ve DETERMİNANTLAR
İKİ BASAMAKLI DOĞAL SAYILARIN
PÇAĞEXER / SAYILAR Ali İhsan TARI İnş. Yük. Müh. F5 tuşu slaytları çalıştırmaktadır.
TEST – 1.
RUHU ŞAD OLSUN.
4 X x X X X
Mukavemet II Strength of Materials II
1/20 ÖLÇÜLER (Zaman) A B C D Bir saat kaç dakikadır?
MURAT ŞEN AKDENİZ ÜNİVERSİTESİ Üçgenler.
1 FİNANSBANK A.Ş Sinan Şahinbaş Finansbank Genel Müdürü
MEMNUNİYET ANKETİ ANALİZİ
ANA BABA TUTUMU ENVANTERİ
1 DEĞİŞMEYİN !!!
Test : 2 Konu: Çarpanlar ve Katlar
SİGORTA ARACILARI Doç. Dr. Mustafa ÇEKER Çukurova Üniversitesi İktisadi ve İdari Bilimler Fakültesi Ticaret Hukuku Anabilim Dalı Öğretim Üyesi Tel: 0533.
VERİ İŞLEME VERİ İŞLEME-4.
ÇEVRE YÖNETİMİ GENEL MÜDÜRLÜĞÜ ÖLÇÜM VE DENETİM DAİRESİ BAŞKANLIĞI
Katsayılar Göstergeler
Çocuklar,sayılar arasındaki İlişkiyi fark ettiniz mi?
Proje Konuları.
1/20 ÇARPMA İŞLEMİ A B C D x 5 işleminin sonucu kaçtır?
SAYI TABLOSU 100 İçinde Doğal Sayılar Başla ? Boş (?)
PÇAĞEXER / SAYILAR Ali İhsan TARI İnş. Yük. Müh. F5 tuşu slaytları çalıştırmaktadır.
Diferansiyel Denklemler
Sunum transkripti:

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 2Sabancı Üniversitesi

Giriş  Güvenlik uygulamaları  İ nsan-bilgisayar arayüzü  Işıklandırma de ğ işimleri  Kısmi kapanmalar  Duruş (poz) de ğ işimleri 3Sabancı Üniversitesi

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

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) 5Sabancı Üniversitesi

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 a ğ ırlıklandırma 6Sabancı Üniversitesi

Öznitelik Çıkarımı Sabancı Üniversitesi7  NNDA ( En Yakın Komşu Ayırtaç Analizi )  Sınıflar arası uzaklı ğ ı arttırmaya çalışırken, aynı sınıfa ait elemanları izdüşüm uzayında yaklaştırmayı hedefler.  Her eleman için, aynı sınıftaki en yakın komşu ile uzaklı ğ ını ve di ğ er sınıflardan en yakın komşu ile uzaklı ğ ını göz önüne alır.

Öznitelik Çıkarımı - Normalizasyonlar  Uzunluk Normalizasyonu  Yüksek veya düşük parlaklık seviyeli yamalar  Birim uzunluk  Öznitelik Normalizasyonu  Her bir özniteli ğ in katkısını dengelemek  Birim standart sapma 8Sabancı Üniversitesi

Sınıflandırma  En yakın komşu sınıflandırıcısı  Yüz imgelerinden elde edilen veri seyrek oldu ğ undan, e ğ itim verisinin yapısını temsil eden istatistiksel model oluşturmak zordur.  Örnekler arası uzaklık  Sınıf sonsal olasıklıkları 9Sabancı Üniversitesi

Önceki Çalışmalar  Öznitelik birleştirme  Yamalardan çıkarılan öznitelikler uç uca eklenerek her bir örnek için görsel öznitelik vektörü oluşturulur.  Do ğ ru tanıma oranlı a ğ ırlıklandırma  Her bir yamanın sonuçları, test verisi üzerindeki do ğ ru tanıma oranları ile a ğ ırlıklanıdırılır.  Yama-tabanlı ve bütüncül birleştirme  İ ki ayrı seviyede karar birleştirme yapılır.  İ lk seviye: Farklı yamaların tanıma oranları birleştirilir.  İ kinci seviye: Yerel tanıma sonucu, tüm imgenin kullanıldı ğ ı tanıma sonucu ile birleştirilir. 10Sabancı Üniversitesi

Karar Birleştirme  Farklı yamalardan e ğ itilmiş sınıflandırıcıların birleştirilmesi  Sonsal olasılıkların a ğ ırlıklı toplamı :  Eşit a ğ ırlıklar (EA):  Fisher A ğ ırlıklandırma (FA)  Onaylama Do ğ ruluk Oranı A ğ ırlıklandırma (ODO-A) 11Sabancı Üniversitesi

Karar Birleştirme  Fisher A ğ ırlıklandırma (FA)  Onaylama verisinin her bir örne ğ i için ( i : do ğ ru sınıf )  Pozitif skor  Negatif skor  16 boyutlu veri  1boyut  LDA (Do ğ rusal Ayırtaç Analizi) 12Sabancı Üniversitesi

Karar Birleştirme  Onaylama Do ğ ruluk Oranı (ODO-A)  Her bir yamanın ba ğ ımsız tanıma oranı  Yamanın a ğ ırlı ğ ı tanıma oranı ile do ğ ru orantılı 13Sabancı Üniversitesi

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  İ lk oturum ilk 7 imge  e ğ itim  İ kinci oturum ilk 7 imge  onaylama  İ lk ve ikinci oturum 6+6=12 imge  test 14Sabancı Üniversitesi

Deneyler ve Sonuçlar Normalizasyonsuz tanıma oranları Standart Sapma Norm.Uzunluk Norm. EAFAODO-A DCT74.58%75.62%75.21% PCA65.49% 65.63% NPCA65.35%65.42%65.63% NNDA75.76%76.32%78.33% EAFAODO-A DCT78.68%79.58%79.37% PCA78.96%79.58%82.26% NPCA82.36%82.99%83.19% NNDA82.36%83.06%83.26% EAFAODO-A DCT75.90%77.50%75.83% PCA78.82%79.58%79.24% NPCA78.54%79.86%79.03% NNDA83.75%84.31%85.69% 15Sabancı Üniversitesi

Deneyler ve Sonuçlar  Di ğ er yöntemler  Öznitelik Birleştirme  CSU Face Identification Evaluation System DCTPCANPCANNDA 46.15%45.71% 48.08% PCA Euclidean22.15% PCA Mahalinobis42.56% LDA21.94% Bayesian ML23.95% Bayesian MAP27.84% 16Sabancı Üniversitesi

Sonuç  Farklı yamalardan elde edilen sonuçların birleştirilmesi  DCT ve PCA ek olarak NPCA ve NNDA kullanılması  İ ki farklı a ğ ırlık bulma yöntemi  En yüksek tanıma oranı : 85.69%  Uzunluk bölümü + NNDA + ODO-A  Gelecek çalışmalar:  En uygun eşleşme için yama merkezlerinin yer de ğ iştirmesi  Test imgesi üzerinden a ğ ırlıklandırma  Sınıflara özel yama a ğ ırlıkları 17Sabancı Üniversitesi