3B YÜZ TANIMADA KİLİT NOKTA TEMELLİ ALGORİTMALARIN KULLANIM OLANAKLARININ ARAŞTIRILMASI VE DOĞRULUK ANALİZİ
Notice bibliographique
Résumé
Yüz tanıma, insanın, günlük hayatında en rutin ve rahat gerçekleştirdiği işlemlerden biridir.Peki bu durum bilgisayarlar için de geçerli olabilir mi? Bu soru bilgisayarla görünün en popüler alanlarından biri olan otomatik yüz tanıma alanının doğmasına yol açmıştır.Çalışmanın amacı; 3B yüz tanıma işlemlerine farklı bir boyuttan yaklaşmaktır.Bu kapsamda, otomatik 3B lokal kilit nokta bulucu algoritmaların yüz ve obje tanımada kullanımının olanakları araştırılmaktadır.Kullanılacak yöntemlerin ifade değişimi durumları karşısında gösterdikleri performanslar hem bu çalışmanın devamı niteliğindeki çalışmalarda hem de bu konu hakkında yapılacak farklı çalışmalarda bir yol gösterici nitelik taşıyacağı düşünülmektedir.Bu çalışma kapsamında 3B kilit nokta temelli yöntemler kullanılarak yüz tanıma algoritması geliştirilmiştir.Uygulama verisi olarak 10 kişiye ait yüz verisi lazer tarayıcı kullanılarak 3 boyutlu modellenmiştir.2 farklı doğal yüz ifadesi ve 1 tane gülme yüz ifadesi şeklinde tarama yapılmıştır.10 kişiden toplamda 30 adet nokta bulutu alınmıştır.Böylece sorgu yapılabilecek bir 3B yüz veri tabanı oluşturulmuştur.Nokta bulutu verileri sadece X,Y,Z koordinatlarını içermektedir.Algoritma 3 adımdan oluşmaktadır.İlk adımda ISS yöntemi kullanılarak nokta bulutları üzerinde 3B kilit noktalar belirlenmiştir.İkinci adımda, PFH ve FPFH histogram yöntemleri kullanılarak kilit noktalar tanımlanmıştır.Böylece her birine ait özellik histogramı elde edilmiştir.Üçüncü adımda, elde edilen özellik histogramları kullanılarak farklı nokta bulutlarındaki kilit noktalar eşleştirilmiştir.Kilit nokta bulucu ve tanımlayıcı algoritmaların kombinasyonları çalışma sonucunda karşılaştırılmıştır.Doğruluk analizi için nokta bulutları İteratif En Yakın Nokta (İEYN)(ICP) yöntemiyle çakıştırılmıştır.Eşlenik noktaların arasındaki Öklid mesafesi hesaplanarak doğru eşlenen noktalar tespit edilmiştir.10 mm'nin altında mesafeye sahip nokta çiftleri doğru eşlenmiş olarak kabul edilmiştir.Ayrıca bu noktaların mesafelerinin karesel ortalaması da hesaplanmıştır.Sonuç olarak ISS-PFH ve ISS-FPFH ikili yöntemlerinin her kişiye ait 2 tane olmak üzere doğru eşlenmiş nokta oranı ve karesel ortalama hata (KOH) grafikleri oluşturulmuştur.Ayrıca eşlenen nokta sayısına bağlı olarak 3B yüz tanıma karşılaştırması da yapılmıştır.PFH kullanılarak yapılan eşlemelerde doğru eşleme oranı %50'lere ulaşırken FPFH ile yapılan eşleştirmeler ise %25-30 düzeylerinde kalmıştır.Karesel ortalama hatalar incelendiğinde ise yöntemler arasında ciddi bir farklılık ortaya çıkmamıştır.10 mm doğruluk ile yaklaşık ±3 mm karesel ortalama hata tespit edilmiştir.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,010 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».