3B YÜZ TANIMADA KİLİT NOKTA TEMELLİ ALGORİTMALARIN KULLANIM OLANAKLARININ ARAŞTIRILMASI VE DOĞRULUK ANALİZİ
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.040 | 0.010 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".