Tez No	İndirme	Tez Künye	Durumu
302601		Robust classification based on sparsity / Seyrekliğe dayalı gürbüz sınıflayıcı Yazar:ELENA BATTİNİ SÖNMEZ Danışman: YRD. DOÇ. DR. SONGÜL ALBAYRAK Yer Bilgisi: Yıldız Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Bölümü Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Tanıma = Recognition	Onaylandı Doktora İngilizce 2011 101 s.
Bilgisayarla görmenin de içinde olduğu farklı uygulamalarda kullanılan sınıflama konusu makine öğrenmesindeki en önemli problemlerden biridir. Sınıflama, farklı sınıflara ait eğitim örneklerinin sisteme verilerek test örneğinin hangi sınıfa ait olduğunun bulunması problemidir. Bu tez çalışmasında aydınlatma farklılıkları, yüz ifadesi, poz, yanlış hizalama ve çözünürlük gibi bozucu etkiler altında 2B yüz sınıflama problemine odaklandık. Son yıllarda yüz tanıma konusuna çok büyük bir ilgi olmasına karşın, mevcut örüntü tanıma metodları tüm bu bozucu etkilerin var olduğu durumlarda yüz sınıflamada başarısız olmaktadır. Sıkıştırmalı algılama teorisinde görülen gelişmeler, seyreklik tabanlı sınıflayıcılara doğru yayılmış ve başarılı sonuçlar alınmıştır. Bu çalışmada seyrek yaklaşım tabanlı sınıflama algoritmasının potansiyeli ve başarımını etkileyen faktörlere karşı davranışı araştırılmıştır. Çalışmada gerçekleştirilen tüm deneylerde Exteded Yale B ve Extended Cohn Kanade veritabanları kullanılmıştır. Birincisinde aydınlatma farklılıkları olan görüntüler kontrol edilebilir miktarda hizalamaya izin verecek şekilde kırpılarak alt dizinlere yerleştirilmiştir, eylem birini ve yüzdeki duygunun kodlandığı ikinci veritabanı sınıflama problemi kadar yüz ifadesine rağmen kişi tanımaya da uygundur. Deneylerdeki sonuçlar SRC'yi, başta gürbüzlüğü ve basitliğinden dolayı en başarılı sınıflandırıcılar listesine sokmuştur.
Classification is one of the most important problems in machine learning with a range of applications, including computer vision. Given training images from different classes, the problem is to find the class that a test sample belongs to. This thesis focuses on 2D face classification under adverse conditions. The problem is particularly hard in the presence of disturbances such as variations in illumination, expressions, pose, alignment, occlusion and resolution. Despite great interest in the past years, current pattern recognition methods still fail to classify faces in the presence of all types of variations. Recent developments in the theory of compressive sensing have inspired a sparsity based classification algorithm, which turns out to be very successful. This study investigates the potentialities of the Sparse Representation based Classifier (SRC) and, in parallel, it monitors the behaviour of some factors, which can reflect its performance. All experiments use the Extended Yale B and the Extended Cohn Kanade databases. The first dataset stores images with changes in illumination and has a cropped sub-directory of aligned faces, which allows for inserting a controlled amount of misalignment. The second database has coded action units and emotions, which permits to challenge both action units and emotion classification problems as well as the identity recognition despite emotions issue. Experimental results place SRC into the shortlist of the most successful classifiers mainly because of its inner robustness and simplicity.