El yazısı imza görüntülerinin sınıflandırılması için özgün bir derin öğrenme modeli

İmza; bankacılık, güvenlik kontrolleri, sertifikalar ve sözleşmeler için tanımlama aracı olarak kullanılmaktadır. Ayrıca incelenmesi gereken hukuki konularda da etkin rol üstlenmektedir. Bu noktadan hareketle bu tez çalışmasında, imza görselleri gerektiren alanlarda çok hızlı çalışan ağ mimarilerinin tasarlanması amaçlanmıştır. Bu amaçla mevcut katmanlarla yeni bir Si-CNN ağ mimarisi tasarlanmıştır. Modelin sınıflandırma performansını arttırmak için "Si-CL" adı verilen yeni bir sınıflandırma katmanı geliştirilmiştir. "Si-CNN" ağ tasarımında kullanılan sınıflandırma katmanının yerine yeni oluşturulan "Si-CL" katmanı eklenerek "Si-CNN+YS" ağ mimarisi de geliştirilmiştir. Ayrıca "Si-CNN" modeline SVM(Support Vector Machine) katmanı da eklenerek "Si-CNN+SVM" modeli de geliştirilmiştir. Si-CNN, Si-CNN+YS ve Si-CNN+SVM modelleri üç veri seti ile eğitilmiştir. İmza görüntülerinin eğitimi için "Si-Signatures", "Si-Signatures-Fake" ve "Cedar" veri setleri kullanılarak denemeler yapılmıştır. Geliştirilen ağların performansını karşılaştırmak için önceden eğitilmiş ağlardan GoogleNet, DenseNet201, Inceptionv3 ve ResNet50 kullanılmıştır. "Si-Signatures", "Si-Signatures-Fake" ve "Cedar" veri setlerinde sırasıyla %98,64, %95,91 ve %99,09 doğruluk oranları alınmış ve en başarılı model Si-CNN+YS bulunmuştur. Çalışmanın bulguları, önerilen ağ modellerinin üç farklı el yazısı imza görüntüsünden özellikleri öğrenebildiğini ve diğer kıyaslama modellerine göre daha yüksek doğruluk elde edebildiğini göstermiştir. Eğitilen ağların test başarılarına bakıldığında Si-CNN+YS ağının hem doğruluk hem de hız açısından daha iyi performans sunduğu görülmektedir. Üstün performansı nedeniyle Si-CNN, Si-CNN+YS ve Si-CNN+SVM imza uzmanları tarafından suç tespiti ve sahtecilik de dahil olmak üzere çeşitli uygulamalarda yardımcı olarak kullanılabilir.