Farklı transfer öğrenme yöntemlerinin karşılaştırılması ile göz çevresi görüntülerinden kişi tanıma

Abstract

Makine öğrenmesi yöntemleri, belirli bir problemin çözümünde bir veri setinin eğitilerek o veri setinden aranılan bir özelliğin veya parametrenin öğrenilmesi, tahmin edilmesi gibi amaçlar için kullanılır. İnsanın geçmiş bilgi ve deneyimlerinden öğrenmeyi sürdürme yeteneğinin bilgisayar sistemlerine aktarılması hedeflenen transfer öğrenme yaklaşımında da esas alınan belirli bir problemin çözümünde elde edilen öğrenmenin yeni bir problem çözümünde kullanılabilmek üzere aktarılmasıdır. Transfer öğrenmede elde edilen öğrenmenin aktarılabilmesi, geleneksel makine öğrenmesi yöntemlerine göre birtakım avantajlar sağlamaktadır ve bu avantajları transfer öğrenmenin tercih edilmesinde etkili olmaktadır. Bu çalışmada 96 farklı kişiye toplam 1980 göz çevresi görüntüsü toplanmıştır. Toplanan bu veriler kişi, yaş ve cinsiyet açısından sınıflandırılmaya çalışılmıştır. Bunun için Python programı içerisinde yer alan 32 farklı transfer öğrenme algoritması ile öznitelik çıkarımı yapılmış ve kişi tahmini için RandomForest algoritması ile sınıflandırılmıştır. En yüksek başarı gösteren ResNet50 algoritması ile 30 farklı sınıflandırma algoritması kullanılmış ve veriler yaş ve cinsiyet açısından da sınıflandırma yapılmıştır. Böylece sırasıyla kişi, yaş ve cinsiyet sınıflandırılmasında en yüksek başarı oranları olarak %83,52, %96,41 ve 77,56 elde edilmiştir.

Machine learning methods are used for purposes such as learning and estimating a feature or parameter sought from that data set by training a data set in solving a particular problem. The transfer learning approach, which is aimed at transferring the ability of people to continue learning from their past knowledge and experiences, to computer systems is the transfer of the learning obtained in the solution of a particular problem, so that it can be used in solving a new problem. Transferring the learning obtained in transfer learning provides some advantages over traditional machine learning methods, and these advantages are effective in the preference of transfer learning. In this study, a total of 1980 eye contour images were collected from 96 different people. These collected data were tried to be classified in terms of person, age and gender. For this, feature extraction was performed with 32 different transfer learning algorithms in the Python program and classified with RandomForest algorithm for person estimation. 30 different classification algorithms were used with the most successful ResNet50 algorithm, and the data were also classified in terms of age and gender. Thus, the highest success rates were obtained as 83.52%, 96.41% and 77.56% in person, age and gender classification, respectively.