Sunuyu indir
Sunum yükleniyor. Lütfen bekleyiniz
YayınlayanEda Bozdag Değiştirilmiş 10 yıl önce
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 2Sabancı Üniversitesi
3
Giriş Güvenlik uygulamaları İ nsan-bilgisayar arayüzü Işıklandırma de ğ işimleri Kısmi kapanmalar Duruş (poz) de ğ işimleri 3Sabancı Üniversitesi
4
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
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) 5Sabancı 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 a ğ ırlıklandırma 6Sabancı Üniversitesi
7
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.
8
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
9
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
10
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
11
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
12
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
13
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
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 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
15
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
16
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
17
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
Benzer bir sunumlar
© 2024 SlidePlayer.biz.tr Inc.
All rights reserved.