ResNet34 Derin Öğrenme Mimarisi Kullanılarak Yüz Görüntülerinden Vücut Ağırlığı Tahmini Uygulaması

Year 2021, Volume: 3 Issue: 1, 12 - 19, 31.01.2021

Bekir Aksoy , Hamdi Sayın , Osamah Khaled Musleh Salman

https://doi.org/10.47933/ijeir.776106

Abstract

Günümüzde teknolojinin hızla ilerlemesi ile birlikte görüntü işleme ve yapay zeka teknolojileri günlük hayatımızda yüz tanıma sistemleri, biyomedikal görüntüler, mühendislik uygulamaları gibi birçok alanda sıklıkla kullanılmaktadır. Çalışmada açık erişimli internet sitesi https://academictorrents.com’dan yüz görüntüleri ve vücut ağırlığı veri seti alınmıştır. Alınan veri seti üzerinde ResNet34 derin öğrenme yöntemi kullanılarak yüz görüntülerinden bu görüntülere ait vücut ağırlığı değerleri tahminlenme için bir model oluşturulmuştur. Oluşturulan ResNet34 modeli RMSE performans değerlendirme ölçütüne göre 0.071797 hata değeri elde edilmiştir.

Keywords

ResNet34, regresyon, vücut ağırlık tahmini

References

• J. Zhang, Y. Xia, Y. Xie, M. Fulham, and D. Feng, “Classification of Medical Images in the Biomedical Literature by Jointly Using Deep and Handcrafted Visual Features,” IEEE J. Biomed. Heal. Informatics, vol. 2194, no. 2, pp. 1–10, 2017.
• S. Koitka and C. M. Friedrich, “Traditional feature engineering and deep learning ap [3] Kaya U., Yılmaz A. (2019). Derin Öğrenme, 1-2, ISBN:978-605-2118-399
• Özkan, İ. N. İ. K., & Ülker, E. (2017). Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
• Kaya U., Yılmaz A. (2019). Derin Öğrenme, 1-2, ISBN:978-605-2118-399
• Doğan, F., & Türkoğlu, İ. (2018). Derin öğrenme algoritmalarının yaprak sınıflandırma başarımlarının karşılaştırılması. Sakarya University Journal of Computer and Information Sciences, 1(1), 10-21.
• Çağlayan, A. (2018). Derin Öğrenme Tekniklerini Kullanarak RGB-D Nesne Tanıma. Hacettepe Üniversitesi Bilgisayar Mühendisliği Anabilim Dalı Doktora Tezi
• Elmas Ç. 2011. Yapay Zekâ Uygulamaları, Seçkin Yayıncılık, 4.Basım.
• Wang, M., & Deng, W. (2018). Deep Face Recognition: A Survey. arXiv, arXiv-1804.
• Çetinkaya H. H., ve Akçay M. 2012. Yüz Tanıma Sistemleri ve Uygulama Alanları, XIV. Akademik Bilişim Konferansı Bildirileri, Uşak Üniversitesi.
• Aburomman, A. A., & Reaz, M. B. I., 2016. Ensemble of binary SVM classifiers based on PCA and LDA feature extraction for intrusion detection. In 2016 IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC), 636-640, IEEE. DOI: 10.1109/IMCEC.2016.7867287
• Hamdan, B., & Mokhtar, K. (2018). Face recognition using angular radial transform. Journal of King Saud University-Computer and Information Sciences, 30(2), 141-151.
• A. K. Jain, S. C. Dass, and K. Nandakumar, “Soft biometric traits for personal recognition systems,” in Proc. of ICBA, 2004.
• A. Dantcheva, P. Elia, and A. Ross, “What else does your biometric data reveal? a survey on soft biometrics,” IEEE Transactions on Information Forensics and Security, pp. 1–26, 2015.
• M. S. Nixon, P. L. Correia, K. Nasrollahi, T. B. Moeslund, A. Hadid, and M. Tistarelli, “On soft biometrics,” Pattern Recognition Letters, vol. 68, pp. 218–230, 2015.
• A. Dantcheva and F. Bremond, “Gender estimation based on smiledynamics,” IEEE Transactions on Information Forensics and Security (TIFS), 2016.
• C. Chen, A. Dantcheva, and A. Ross, “Impact of facial cosmetics on automatic gender and age estimation algorithms,” in Proceedings of IEEE International Conference on Computer Vision Theory and Applications (VISAPP), vol. 2, 2014, pp. 182–190
• Yüz ve vücut ağırlığı veriseti, (2020), https://academictorrents.com, Erişim Tarihi: 28.06.2020
• He K. Zhang X. Ren S. & Sun J. Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778. 2016.
• Almryad, A. S. S. (2020). Identification Of Butterfly Species Using Machine Learning And Image Processing Techniques (Doctoral Dissertation).
• He, K., Zhang, X., Ren, S., Sun, J. (2015). Deep residual learning for image recognition. CoRR, abs/1512.03385.
• Figurnov, M., Collins, M. D., Zhu, Y., Zhang, L., Huang, J., Vetrov, D., & Salakhutdinov, R. (2017). Spatially adaptive computation time for residual networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 1039-1048).
• Jian, L., Li, Z., Yang, X., Wu, W., Ahmad, A., & Jeon, G. (2019). Combining unmanned aerial vehicles with artificial-intelligence technology for traffic-congestion recognition: Electronic eyes in the skies to spot clogged roads. IEEE Consumer Electronics Magazine, 8(3), 81-86.
• Targ, S., Almeida, D., & Lyman, K. (2016). Resnet in resnet: Generalizing residual architectures. arXiv preprint arXiv:1603.08029.
• Çınaroğlu, S. (2017). Sağlık harcamasının tahmininde makine öğrenmesi regresyon yöntemlerinin karşılaştırılması. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 22(2), 179-200.
• Süzen, A. A., & Cakiroglu, M. A. (2019). Prediction of rebound in shotcrete using deep bi-directional LSTM. Computers and Concrete, 24(6), 555-560