TR Dizin İndeksli Yayınlar / TR Dizin Indexed Publications Collection
Permanent URI for this collectionhttps://hdl.handle.net/11147/7149
Browse
2 results
Search Results
Now showing 1 - 2 of 2
Publication Parmak İzlerinde Yönelim Kestirimi için \"sınıflandırma ile Regresyon\"(2023) Erdoğmuş, NesliParmak izi yönelim bilgisi, papil biçimini daha görünür kılma, öznitelik çıkarma, örüntü tipi sınıflandırma, dizinleme ve eşleştirme işlemleri için kritik role sahiptir ve bu sebeple parmak izi kimliklendirmede önemli bir rol oynar. Bu projede, parmak izi yönelimlerini daha düşük hata ile ve daha kısa sürede kestirebilen bir derin sinir ağı elde etmek için, hangi ayrıklaştırma, sınıf etiketleme, kodlama yöntemlerinin, farklı görevler için hangi kayıp fonksiyonlarının ve ne tür bir ağ modelinin seçilmesi gerektiği ve bu ağın eğitimi için elimizde bulunan veri kümesinin nasıl genişletilebileceği sorularına cevap aranmıştır. Buna yönelik olarak öncelikle tam evrişimli bir sinir ağı modeli eşit uzunluk, eşit olasılık ve K-ortalama tabanlı 3 farklı ayrıklaştırma, tek-etkin, sırasal ve döngüsel 3 farklı kodlama, beklenen değer ve en yüksek olasılıklı sınıf dikkate alınmak üzere 2 farklı kod çözme ve 5 farklı sınıf sayısı ile buna bağlı ayrıklaştırma sayısı kullanılarak toplamda 44 deney tasarlanmıştır. Bu deneyler sonucu en iyi performans gösteren konfigürasyonlar için ise farklı eğitim kümesi genişletme yöntemleri hem aynı model hem de bir görü dönüştürücü kullanılarak test edilmiştir. Çalışmalar sonucunda FOE-TEST veri kümesinde iyi parmak izlerinde 5.34°, kötü parmak izlerinde 8.67° ortalama karesel hata değeri elde edilmiştir.Research Project Parmak İzlerinde Yönelim Kestirimi için "sınıflandırma ile Regresyon"(2023) Erdoğmuş, NesliParmak izi yönelim bilgisi, papil biçimini daha görünür kılma, öznitelik çıkarma, örüntü tipi sınıflandırma, dizinleme ve eşleştirme işlemleri için kritik role sahiptir ve bu sebeple parmak izi kimliklendirmede önemli bir rol oynar. Bu projede, parmak izi yönelimlerini daha düşük hata ile ve daha kısa sürede kestirebilen bir derin sinir ağı elde etmek için, hangi ayrıklaştırma, sınıf etiketleme, kodlama yöntemlerinin, farklı görevler için hangi kayıp fonksiyonlarının ve ne tür bir ağ modelinin seçilmesi gerektiği ve bu ağın eğitimi için elimizde bulunan veri kümesinin nasıl genişletilebileceği sorularına cevap aranmıştır. Buna yönelik olarak öncelikle tam evrişimli bir sinir ağı modeli eşit uzunluk, eşit olasılık ve K-ortalama tabanlı 3 farklı ayrıklaştırma, tek-etkin, sırasal ve döngüsel 3 farklı kodlama, beklenen değer ve en yüksek olasılıklı sınıf dikkate alınmak üzere 2 farklı kod çözme ve 5 farklı sınıf sayısı ile buna bağlı ayrıklaştırma sayısı kullanılarak toplamda 44 deney tasarlanmıştır. Bu deneyler sonucu en iyi performans gösteren konfigürasyonlar için ise farklı eğitim kümesi genişletme yöntemleri hem aynı model hem de bir görü dönüştürücü kullanılarak test edilmiştir. Çalışmalar sonucunda FOE-TEST veri kümesinde iyi parmak izlerinde 5.34°, kötü parmak izlerinde 8.67° ortalama karesel hata değeri elde edilmiştir.