In car theft security system by face detection

Bu tez, Sinir Ağlarını Optimize Etmeye yönelik yenilikçi bir yaklaşım sunmaktadır. Derin makine öğrenimi yoluyla biyolojik tanımlamayı kullanarak araba hırsızlıklarını önleme. ile ayarlanan Yogi algoritmasının gücünden yararlanan önerilen optimizasyon tekniği [43] Nesterov Hızlandırılmış Gradyan (Nesterov Momentum) [48] ve ortalama ağırlıklar [42]. Bu yaklaşım, genellemenin iyileştirilmesine yol açacak şekilde performansı potansiyel olarak artırabilir, fazla uyumun azalması, daha hızlı ve gelişmiş yakınsama. Model, giriş katmanını (120, 120, 3) takip eden bir sinir ağı mimarisini kullanır. gizli katmanlar ve ardından her biri Global Max ile başlayan iki tahmin başlığı gelir Doğrultulmuş Doğrusal Birimler (ReLU) ve Sigmoid fonksiyonlarıyla Yoğun katman ile havuzlama Yüz Algılama işlemini gerçekleştirin. Siyam Ağı, yüz Tanıma işlemini gerçekleştirmek üzere eğitilmiş üç alt ağdan oluşur; sinir ağı üçlü kayıp yöntemini kullanır ve üç ana bileşenden oluşur (Gömme katmanının her biri aşağıdakine benzer bir sinir ağı tarafından takip edilen üç girişi vardır. ResNet50 mimarisi ve bunun için bir özellik vektörü olarak Yoğun katman 256 biriminin çıktısı giriş, üç Gömmeyi çıkaran bir Uzaklık katmanı ve bir Sınıflandırma katmanı üçlü kayıp fonksiyonunu hesapladı. Google Colab kullanılarak yapılan denemeler ve performans, aşağıdaki gibi metriklerle değerlendirilir: yüz algılama sinir ağı için regresyon kayıpları, sınıflandırma kayıpları ve IoU olarak. Ve Siyam'ı değerlendiren Kayıp, Doğruluk ve diğer pozitif ve negatif hesaplamalar Sinir ağı. Sonuçlar önerilen yöntemin regresyon ve Daha sonra yeni bir çözüm sağlamak için kullanılabilecek Derin sinir ağlarındaki sınıflandırma görevleri Sinir ağlarını optimize etmek için güvenilir çözüm.