KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2020 / Cilt: 8 - Sayı: 3

Derin Öğrenme ve Destek Vektör Makineleri İle Görüntüden Cinsiyet Tahmini

Kıyas KAYAALP
Sedat METLEK
Sayfa
2208–2228
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sınıflandırma başarı sonucu karmaşıklık matrisi ile gösterilmiş olup, %94,4 başarı oranı ile sınıflandırma işlemi gerçekleştirilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yapılan çalışmada günümüzün popular konularından olan derin öğrenme algoritmaları üzerine bir uygulama geliştirilmiştir.
📊
Temel Bulgular & Veri:Bu uygulamada Wiki görüntü veri tabanından elde edilen 62328 görüntü kullanılmıştır.
💡
Sonuç & Katkı:Sınıflandırma başarı sonucu karmaşıklık matrisi ile gösterilmiş olup, %94,4 başarı oranı ile sınıflandırma işlemi gerçekleştirilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Derin öğrenme · Evrişimsel sinir ağı · Görüntüden cinsiyet tahmini

Özet

Yapılan çalışmada günümüzün popular konularından olan derin öğrenme algoritmaları üzerine bir uygulama geliştirilmiştir. Geliştirilen uygulamada görüntülerden yüz tespiti yapılıp ardından görüntüdeki kişinin cinsiyet tahmini yapılmıştır. Bu uygulamada Wiki görüntü veri tabanından elde edilen 62328 görüntü kullanılmıştır. Kullanılan görüntüler üzerinde, yüz görüntüsü bulunmayanlar veri setinden çıkartılarak yeni bir veri oluşturulmuştur. Oluşturulan veri setindeki görüntülerden, ileri derin öğrenme tekniklerinden biri olan Evrişimsel Sinir Ağları yöntemi kullanılarak öznitelikler çıkartılmıştır. Elde edilen özniteliklerde Destek Vektör Makinesi (DVM) ile sınıflandırılmıştır. Sınıflandırma başarı sonucu karmaşıklık matrisi ile gösterilmiş olup, %94,4 başarı oranı ile sınıflandırma işlemi gerçekleştirilmiştir.

🔖

Bu Makaleye Atıf Yap

KAYAALP, K., METLEK, S. (2022). Derin Öğrenme ve Destek Vektör Makineleri İle Görüntüden Cinsiyet Tahmini. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 8 - Sayı: 3, 2208–2228. https://ajindex.com/articles/494102

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Eidinger, E., Enbar, R., & Hassner, T. (2014). “Age and gender estimation of unfiltered faces.” IEEE Transactions on Information Forensics and Security, vol:9, no.12, pp. 2170-2179
  2. Levi, G., & Hassner, T. (2015). “Age and gender classification using convolutional neural networks.” In Proceedings of the IEEE conference on computer vision and pattern recognition workshops pp. 34-42
  3. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). “You only look once: Unified, real-time object detection.” In Proceedings of the IEEE conference on computer vision and pattern recognition pp. 779-788
  4. Khalid, S., Sajjad, S., Jabbar, S., & Chang, H. (2017). “Accurate and efficient shape matching approach using vocabularies of multi-feature space representations.” Journal of Real-Time Image Processing, 13(3), 449-465
  5. Chen, Y., Jiang, H., Li, C., Jia, X., & Ghamisi, P. (2016). “Deep feature extraction and classification of hyperspectral images based on convolutional neural networks.” IEEE Transactions on Geoscience and Remote Sensing, vol: 54, no:10, pp 6232-6251
  6. Gao, W., Cao, B., Shan, S., Chen, X., Zhou, D., Zhang, X., & Zhao, D. (2007). “The CAS-PEAL large-scale Chinese face database and baseline evaluations.” IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, vol:38, no: 1, pp 149-161
  7. Cas-Peal Face Database [Çevrimiçi]. Erişim: http://www.jdl.ac.cn/peal/index.html, Erişim Tarihi: 05.01.2020
  8. Imdb-Wiki–500k+ face images with age and gender labels [Çevrimiçi]. Erişim: https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/, Erişim Tarihi:07.01.2020
  9. Coco Common Objects in Context [Çevrimiçi]. Erişim:http://cocodataset.org/#download, Erişim Tarihi: 07.01.2020
  10. Shan, C. (2012). “Learning local binary patterns for gender classification on real-world face images.” Pattern recognition letters, vol: 33, no:4, pp 431-437
  11. Ren, H., & Li, Z. N. (2014, August). “Gender recognition using complexity-aware local features.” In 2014 22nd International Conference on Pattern Recognition (pp. 2389-2394). IEEE
  12. Zhang, N., Paluri, M., Ranzato, M. A., Darrell, T., & Bourdev, L. (2014). “Panda: Pose aligned networks for deep attribute modeling.” In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1637-1644
  13. Hu, S. Y. D., Jou, B., Jaech, A., & Savvides, M. (2011, October). “Fusion of region-based representations for gender identification.” In 2011 International Joint Confer