Face recognition via unsupervised deep learning and auto-encoders

Abstract

Yüz tanıma; yüzün poz açısı, ifadesi, aydınlatma, yüzün kapanması ve arka plan farklılıklardan kaynaklanan zorluklar nedeniyle çokça incelenen güncel bir konudur. Son zamanlarda, derin öğrenme yöntemleri, görüntünün tanımlanması ve görüntü tanıma alanlarında dikkate değer sonuçlar elde etmiştir.Otomatik Kodlayıcı (Autoencoder), girişlerden faydalanarak bir kimlik fonksiyonunun yaklaşıklılığını öğrenmek, başka deyişle görüntünün faydalı tanımlamasını otomatik öznitelik çıkarımı ile öğrenmek için kullanılan gözetimsiz bir yapay ağdır. Bu tezde, yüz tanıma işlemi için Derin Yığılı Aralıklı Gürültü Temizleme Otomatik Kodlayıcıları (Deep Stacked Denoising Sparse Autoencoder-DSDSA) metodu önerilmiştir. Sınıflandırma aşamasında, en etkin sınıflandırıcılardan ikisi olan Destek Vektör Makineleri (SVM) ve Softmax sınıflandırıcısı kullanılmıştır. ORL, Yale, Caltech ve PubFig83'in bir alt kümesi gibi bilinen yüz görüntüleri veritabanları ile elde edilen deneysel sonuçlar, önerilen sistemin tatmin edici bir performans sergilediğini ve karşılaştırılabilir bir doğruluk oranı sağladığını göstermektedir.

Face recognition is a hot topic under investigation due many challenges of variation includes the difference in poses, illumination, expression, occlusion and scenes. Recently, deep learning methods achieved remarkable results in image representation and recognition fields.Autoencoder is an unsupervised artificial network used to learn an approximation of an identity function in other words to learn good representations of image, utilizing inputs by extracting features automatically. In this thesis, Deep Stacked Denoising Sparse Autoencoder (DSDSA) method is proposed for face recognition task. In classification phase, two of the most powerful classifiers were used, namely multi-class Support Vector Machines (SVM) and Softmax classifier. Experimental results on known face image databases, includes ORL, Yale, Caltech and a subset of PubFig83 show that the proposed system yields promising performance and achieves comparable accuracy.