Derin öğrenmeye dayalı güçlü yüz tanıma sistemi için gan ile veri çoğaltma

Abstract

Yüz tanıma sistemi, kişiyi dijital bir görüntüden doğrulamak veya tanımlamak için kullanılan biyometrik sistem türüdür. Yüz tanıma sistemleri güvenlik amaçlı kullanılmalarının yani sıra eğitim, sağlık ve buna benzer birçok alanda da kullanılırlar. Litaratür'de geçmişten günümüze birçok yüz tanıma yöntemi önerilmiştir. Bunları iki gruba ayırabiliriz. Geleneksel yöntemler ve Makine öğrenmesi veya Derin öğrenme (DÖ) tekniklerine dayalı modern yöntemler.Geleneksel yüz tanıma yöntemleri çeşitli poz, aydınlatma, tıkanıklık vs. gibi farklı koşullar altında çekilmiş görüntülerde oldukça düşük oranda performans göstermektedirler. Bu oranı iyileştirmek amacıyla modern yüz tanıma yöntemleri önerilmiştir. Modern yüz tanıma yöntemleri DÖ tekniklerine dayanmaktadır. DÖ'ye dayalı yüz tanıma sistemleri büyük miktarda veri ile eğitildikleri için yüksek doğruluk performansı sergilemektedirler. DÖ modelleri ne kadar fazla veri ile eğitilirlerse, sistemin doğruluk performansının artma olasılığı o kadar fazla olur. Çalışmamız iki bölümden oluşmaktadır. İlk bölümde DÖ'ye dayalı yüz tanıma sistemi oluşturulacaktır. Yüz tanıma sistemimiz sırasıyla: tespit aşaması, hizalama aşaması, yüze ait 128 temsillin (embeddings) üretilmesi, sınıflandırma aşaması, doğrulama ve kümeleme olarak altı ana aşamadan oluşmaktadırİkinci bölümde, yüz tanıma sistemimizin doğruluk performansında veri artırma tekniklerinin etkisini analiz etmek için Derin Evrişimsel Çekişmeli Üretici Ağlar (Deep Convolutional Generative Adversarial Networks) ile sentetik yüzler üretilecektir. Her iki bölümde gerçekleştirilen eğitim ve test işlemlerinde LFW veri seti kullanılmıştır.Test işlemlerinden elde edilen sonuçlar göre, önerilen veri artırma tekniği sonuca olumlu yansımış ve yüz doğrulamada %2.00, yüz sınıflandırmada ise %2.26'lık bir artış elde etmiştir.Ancak DEÇÜA modeli küçük veri seti ile eğitildiğinden dolayı, önerilen veri artıma tekniğinin etkisi beklendiği oranda olmamıştır. Aynı model daha büyük veri seti ile eğitildiği takdirde yüz tanıma sisteminde etkisinin daha yüksek olacağını tahmin ediyoruz.

Since 1970's, facial recognition is one of the most studied subjects in image processing and biometry. Face recognition technology aims to perceive and identify faces in images in a manner similar to the operation of human visual system in computers. With the development of these systems, it is directed to build a more reliable and easier to live world. Many techniques of facial recognition have been proposed since its first development but nowadays best performing systems are based on Deep Learning. The high performance of deep learning based facial recognition systems is mainly dependent on the size of the datasets in which the model and classifier are trained. Therefore, the main purpose of this study is to generate synthetic faces using DCGANs in order to enlarge the dataset and analyze the effects of facial recognition system on verification and classification tasks. In order to perform the analysis properly, it is therefore essential to establish a robust face recognition system. İn this case, another objective of our study is to build a robust face recognition system. Experimental results shows that the proposed data augmentation technique increases the accuracy of face recognition system. In the face verification process %2.00 increment was obtained. Whereas in classification tasks 2.26%.