Comparison of deep networks for gesture recognition

İfade tanıma problem, güvenlik sistemleri, insan davranış analizi, robotik gibi alanlarda bilgisayar bilimleri tarafından uzun yıllardır çalışılan bir problemdir. Bu tezde, derin öğrenme tabanlı, literatürede bulunan güncel algoritmalar model karmaşıklığına karşılık başarım oranı gözetilerek birbiri ile karşılaştırmıştır. Ayrıca, güncel modelleri kullanarak alternatif bir model önerilmiştir.Test edilen yöntemler; CNN ve LSTM yapılarını ardışık olarak kullanan hibrit yapılar ve üç boyutlu evrişimsel sinir ağları olmak üzere iki ana başlıkta incelenmiştir. Hibrit yöntemler için CNN-LSTM ağ yapıları kullanılmıştır. Bu ağ yapılarını incelerken asıl amaç, farklı öz nitelik çıkartma ağlarının toplam performansa etkisinin gözlemlenmesiydi. Inception-V3 ve ResNext50 ağ modelleri öz nitelik tanımlayıcı olarak kullanılmıştır. ResNext50 modelinde ayrıca "Squeeze and Excitation" (SE) blok yapısı da kullanılmıştır. CNN-LSTM modellerinde kullanılan öznitelik çıkarma modellerini değiştirerek 21% oranında başarım artışı gözlemlenmiştir. İkinci olarak, üç boyutlu evrişimsel sinir ağları üzerinde çalışılmıştır (3D-CNN). Burada, ImageNet parametrelerini kullanmaya imkan tanıyan, I3D moleli üzerinde testler yapılmıştır. Bu testlerde, ImageNet parametrelerini doğrudan kullanmayan C3D modelleriyle karşılaştırarak, büyük verisetlerinde eğitilmiş parametrelerin kullanımının model başarımına etkisini gözlemlenmiştir. Testler sonucunda, Kinetics veri setinde eğitilmiş I3D modelini kullanarak 16.5% oranında başarım artışı gözlemlenmiştir. Elde edilen sonuçları güncel yayınları karşılaştırma imkanı tanıdığı ve literatürdeki modellerden yararlanarak alternatif bir çözüm önerisi sunduğu için faydalı olacağını değerlendiriyoruz.