Küme tabanlı yüz tanıma için derin öğrenme kullanılarak elde edilen ayırt edici modeller

Abstract

Bu tez küme tabanlı yüz tanıma problemlerinde imgelere yakınsamak için kompakt derin öznitelik modelleri üreten iki farklı yöntem sunmaktadır. Önerilen yöntemler her bir imge kümesine doğrusal bileşenlerden oluşturulmuş doğrusal olmayan yüz manifoldları olarak davranmaktadır. Bu yüz manifoldlarının doğrusal bileşenlerini bulmak için, öncelikle imge kümeleri benzer görünüşlere sahip olan imgeleri içeren alt kümelere bölünmüştür. Daha sonra, önerdiğimiz ilk yöntemde bu alt kümelerdeki imgelerin öznitelik merkez vektörleri iteratif bir şekilde öğrenilerek, baştan başa öğrenen derin sinir ağ modelinin her bir alt kümeye kompakt bir şekilde yakınsaması sağlanmıştır. Alt kümeleri temsil eden bu merkezler arasındaki ilişkiler uzaklık metrik öğrenme kullanılarak belirlenmektedir. Önerilen ikinci yöntemde alt kümelerdeki her bir imge özniteliğini temsil etmek için ayırt edici ortak vektörler kullanılmıştır ve bu yaklaşımda tüm alt kümelere afin zarflar kullanılarak yakınsanmıştır. Ayırt edici ortak vektörler her alt kümeden gelen sınıf içi varyansın ortadan kaldırıldığı yeni bir öznitelik uzayı üzerine izdüşüm yapan alt küme merkezleridir. Önerdiğimiz yöntemler imge kümeleri kullanılarak çeşitli yüz tanıma problemleri üzerinde test edilmiştir. Gerçekleştirilen deneylere göre önerdiğimiz yöntemler test edildiği tüm yüz veri setlerinde bildiğimiz kadarıyla bu alanda kullanılan popüler yöntemlerden daha yüksek başarımlar elde etmiştir.

This thesis introduces two methods that find compact deep feature models for approximating images in set based face recognition problems. The proposed method treats each image set as a nonlinear face manifold that is composed of linear components. To find linear components of the face manifold, we first split image sets into subsets containing face images which share similar appearances. Then, our first proposed method approximates each subset by using the center of the deep feature representations of images in those subsets. Centers modeling the subsets are learned by using distance metric learning. The second proposed method uses discriminative common vectors to represent image features in the subsets, and entire subset is approximated with an affine hull in this approach. Discriminative common vectors are subset centers that are projected onto a new feature space where the combined within-class variances coming from all subsets are removed. We tested proposed methods on various face recognition problems using image sets. Experimental results show that the proposed methods achieve the state-of-the-art accuracies on all tested face image datasets.