DERİN EVRİŞİMSEL AĞLAR KULLANARAK ÇEVRİMDIŞI SAHTE İMZA VE GERÇEK İMZA SINIFLANDIRILMASI

Abstract

Bu tez çalışmasında günümüzde insan hayatında önemli bir etkiye sahip olan derin öğrenme yöntemleri kullanılarak imza doğrulama ele alınmıştır. Son zamanlarda artan sahtecilik olaylarından sonra çevrim dışı imzaların incelenmesi belge inceleme uzmanları tarafından oldukça iş yükü oluşturmuştur. Yapay zeka'nın gelişimi ile birlikte imza doğrulama otomatik hale getirmek amacıyla derin öğrenme tekniklerinin ilerlemesi ile birlikte çeşitli yöntemler denenmiştir. Derin öğrenme yöntemlerinden olan evrişimsel sinir ağları kullanılmıştır. Evrişimsel sinir ağlarına ait görüntü sınıflandırmada kullanılan; AlexNet, DenseNet121, MobileNet, Vgg16, Vgg19, Resnet50, Resnet101, InceptionV1, InceptionV3 mimarileri kullanılmıştır. Kullanılan veri setleri GPDS ve ICDAR2011 imza veri setleridir. Bu veri setleri için kullanılan modellerden en yüksek başarı oranları karşılaştırılmıştır. GPDS veri seti için en yüksek doğruluk oranı MobileNet mimarisinde %99.72, ICDAR2011 veri seti için en yüksek doğruluk oranı InceptionV3 mimarisinde %99.92 elde edilmiştir.In this thesis, signature verification, which has a significant impact on human life today, has been addressed using deep learning methods. After the recent increase in fraudulent activities, the examination of offline signatures has posed a considerable workload for document examiners. With the advancement of artificial intelligence, various methods have been tried to automate signature verification with the progress of deep learning techniques. Convolutional neural networks, a deep learning method, have been employed. Architectures of convolutional neural networks used in image classification, namely AlexNet, DenseNet201, MobileNet, Vgg16, Vgg19, Resnet50, Resnet101, InceptionV1, InceptionV3, have been utilized. The GPDS and ICDAR2011 signature datasets have been used. The highest success rates from the models used for these datasets have been compared. The highest accuracy rate for the GPDS dataset was achieved with the MobileNet architecture, while for the ICDAR2011 dataset, the highest accuracy rate was obtained with the InceptionV3 architecture.