ИДЕНТИФИКАЦИЯ ЛИЧНОСТИ В ПРОФИЛЬ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ
Аннотация
Васильева В. В. ИДЕНТИФИКАЦИЯ ЛИЧНОСТИ В ПРОФИЛЬ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ, выпускная квалификационная работа магистра: стр.49, рис. 23, табл. 2, библ. назв. 31, прилож. 2.
Ключевые слова: ОБРАБОТКА ИЗОБРАЖЕНИЙ, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ИДЕНТИФИКАЦИЯ И ВЕРИФИКАЦИЯ ЛИЧНОСТИ ПО ФОТОГРАФИИ ЛИЦА, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ.
Распознавание лиц достигает исключительного успеха благодаря появлению сверточных нейронных сетей. Тем не менее, многие современные алгоритмы распознавания лиц плохо справляются с обработкой профилей в сравнении с лицами в анфас. Ключевой причиной является то, что количество положений лиц очень неравномерно в тренировочных наборах, а полученные в ходе обучения признаки не инвариантны относительно геометрического расположения лица.
В данной работе были исследованы алгоритмы идентификации личности, проанализированы работы, посвященные сверточным нейронным сетям, открытым наборам данных, содержащих лица людей, методам по улучшению качества распознавания лиц в профиль.
Описана методика модификации сети, основанная на свойстве эквивариантности признаков сетей, чтобы преобразовать признаки профиля в каноническую фронтальную позу, используя при этом угол поворота головы.
С помощью описанной методики модифицирована сверточная нейронная сеть “The Light CNN” с открытым исходным кодом.
В ходе экспериментов было выяснено, что найденные открытые решения по определению поворота головы либо не качественно определяют угол, либо не находят его вовсе. Поэтому исходная и модифицированная сеть была обучена на предобработанном наборе данных “UMDFaces”, с которым предоставляется необходимая мета информация: углы поворота головы.
При обучении исходной сети и модифицированной достигнута точность на валидационном наборе в 50%, также произошла стабилизация обучения и точность более не увеличивалась.
Поэтому для решения поставленной задачи было предложено использовать уже предобученную модель DREAM, работающую с лицами в профиль. Использовать ее для извлечения признаков лица людей и сохранять их в базу данных. Для идентификации новой личности, извлекать признаки и искать в базе данных наиболее близкий вектор признаков.
Ключевые слова: ОБРАБОТКА ИЗОБРАЖЕНИЙ, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ИДЕНТИФИКАЦИЯ И ВЕРИФИКАЦИЯ ЛИЧНОСТИ ПО ФОТОГРАФИИ ЛИЦА, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ.
Распознавание лиц достигает исключительного успеха благодаря появлению сверточных нейронных сетей. Тем не менее, многие современные алгоритмы распознавания лиц плохо справляются с обработкой профилей в сравнении с лицами в анфас. Ключевой причиной является то, что количество положений лиц очень неравномерно в тренировочных наборах, а полученные в ходе обучения признаки не инвариантны относительно геометрического расположения лица.
В данной работе были исследованы алгоритмы идентификации личности, проанализированы работы, посвященные сверточным нейронным сетям, открытым наборам данных, содержащих лица людей, методам по улучшению качества распознавания лиц в профиль.
Описана методика модификации сети, основанная на свойстве эквивариантности признаков сетей, чтобы преобразовать признаки профиля в каноническую фронтальную позу, используя при этом угол поворота головы.
С помощью описанной методики модифицирована сверточная нейронная сеть “The Light CNN” с открытым исходным кодом.
В ходе экспериментов было выяснено, что найденные открытые решения по определению поворота головы либо не качественно определяют угол, либо не находят его вовсе. Поэтому исходная и модифицированная сеть была обучена на предобработанном наборе данных “UMDFaces”, с которым предоставляется необходимая мета информация: углы поворота головы.
При обучении исходной сети и модифицированной достигнута точность на валидационном наборе в 50%, также произошла стабилизация обучения и точность более не увеличивалась.
Поэтому для решения поставленной задачи было предложено использовать уже предобученную модель DREAM, работающую с лицами в профиль. Использовать ее для извлечения признаков лица людей и сохранять их в базу данных. Для идентификации новой личности, извлекать признаки и искать в базе данных наиболее близкий вектор признаков.