Введение 3
Определение хода выполнения работы и выделение подзадач 4
1. Теоретические аспекты определения и идентификации лиц на фотографии 7
1.1. Метод Виолы-Джонса 7
1.2. Метод Направленных Градиентов 10
1.3. Сущность и виды нейронные сети 12
2. Практические основы разработки приложения для определения и идентификации лиц на фотографии 39
2.1. Выбор обучающих данных 39
2.2. Выбор фреймворков tensorflow и theano 40
2.3. Выбор методов для обучения нейронной сети 42
2.4. Загрузка данных для обучения 44
2.5. Построение графика и функции ошибки FAR (False Acceptance Rate) и FRR (False Rejection Rate) идентификации 46
2.6. Архитектура сверточной нейронной сети inception-resnet 50
2.7. Настройка функции потерь на основе триплетов 52
2.8. Процесс обучения и тестирования приложения 53
Заключение 58
Список литературы 59
Приложение 1. Файл подготовки и обработки данных. 60
Приложение 2. Программная реализация методов обработки изображений с помощью dlib 65
Приложение 3. Программная реализация архитектуры нейронной сети для классификатора 67
Приложение 4. Программная реализация нейронной сети для триплетов 71
Приложение 5. Обучение нейронной сети, как классификатора на закрытом множестве 72
Приложение 6. Дообучение нейронной сети триплетами 73
Приложение 7. Подсчет метрики для измерения качества прогноза нейронной сети 75
Приложение 8. Тестирование обученной сети 76
Приложение 9. Извлечение признаков объектов из предпоследнего слоя классификатора 77
Приложение 10. Программная реализация API 78
На сегодняшний день имеется множество датасетов для обучения алгоритмов распознавания лиц. Все они имеют различные параметры доступности, вариативности условий осуществления съемки, различные размеры изображений и другие особенности. В зависимости от задачи возникают разные требования к дата сету. Для меня в рамках данной работы требовалось подобрать датасет таким образом, чтобы была возможность работы модели с изображениями из реальной жизни. Он должен содержать много данных и в подавляющем большинстве это должны быть изображения людей из реальной жизни. Такой датасет нашелся, он имеет название VGGFace2 и содержит 3,31 миллиона изображений 9131 субъекта, в среднем 362,6 изображения для каждого субъекта. Изображения получены из поисковика Google и имеют большие различия в позе, возрасте, освещенности, этнической принадлежности и профессии (например, актеры, спортсмены, политики). Набор данных был собран с учетом трех целей:
1. иметь как можно большое количество субъектов с большим количеством изображений для каждого из них;
2. охватывать большой диапазон поз, возраста и этнической принадлежности;
Набор данных является общедоступными. Более подробно с механизмом предобработки данных и тестировании различных архитектур, обученных с помощью этого дата сета можно ознакомиться в стать.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка приложения для определения и идентификации лиц на фотографии на языке Python. А также похожие готовые работы: страница 3 #9101503
Артикул: 9101503
- Предмет: Программирование
- Уникальность: 70% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2019 году
- Количество страниц: 79
- Формат файла: docx
- Последняя покупка: 15.03.2024
2 499p.
1) D. G. Lowe. Distinctive image features from scale-invariant keypoints. IJCV, 60(2):91-110, 2004.
2) Vahdat Kazemi and Josephine Sullivan. One millisecond face alignment with an ensemble of regression trees. In Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on, pages 1867–1874. IEEE, 2014.
3) Bull. Math. Biophys. – 1943. – v.5. – pp.115–133. Русский перевод • первоначальная публикация: Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности
4) Горбань А. Н. Обучение нейронных сетей. – М. : ПараГраф, 1990.
5) F. Schroff, D. Kalenichenko, and J. Philbin, “Facenet: A unified embedding for face recognition and clustering,” in CVPR, 2015.
6) S. Sankaranarayanan, A. Alavi, C. D. Castillo, and R. Chel-lappa. Triplet probabilistic embedding for face verificationand clustering. In Biometrics Theory, Applications and Sys-tems (BTAS), 2016 IEEE 8th International Conference on,pages 1–8. IEEE, 2016.
7) Q. Cao, L. Shen, W. Xie, O. M. Parkhi, and A. Zisserman. Vggface2: A dataset for recognising faces across pose and age. arXiv preprint arXiv:1710.08092, 2017.
8) Ян Гудфеллоу. Глубокое обучение / Ян Гудфеллоу, Аарон Курвилль, Иошуа Бенджио. – М.: ДМК Пресс, 2017. – С. 21-314.
9) Антонио Джулли. Библиотека Keras – инструмент глубокого обучения/ Антонио Джулли, Суджит Пол. – М.: ДМК Пресс, 2017. – С. 20-290
10) Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke. Inception- v4, Inception-ResNet and the Impact of Residual Connections on Learning
2) Vahdat Kazemi and Josephine Sullivan. One millisecond face alignment with an ensemble of regression trees. In Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on, pages 1867–1874. IEEE, 2014.
3) Bull. Math. Biophys. – 1943. – v.5. – pp.115–133. Русский перевод • первоначальная публикация: Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности
4) Горбань А. Н. Обучение нейронных сетей. – М. : ПараГраф, 1990.
5) F. Schroff, D. Kalenichenko, and J. Philbin, “Facenet: A unified embedding for face recognition and clustering,” in CVPR, 2015.
6) S. Sankaranarayanan, A. Alavi, C. D. Castillo, and R. Chel-lappa. Triplet probabilistic embedding for face verificationand clustering. In Biometrics Theory, Applications and Sys-tems (BTAS), 2016 IEEE 8th International Conference on,pages 1–8. IEEE, 2016.
7) Q. Cao, L. Shen, W. Xie, O. M. Parkhi, and A. Zisserman. Vggface2: A dataset for recognising faces across pose and age. arXiv preprint arXiv:1710.08092, 2017.
8) Ян Гудфеллоу. Глубокое обучение / Ян Гудфеллоу, Аарон Курвилль, Иошуа Бенджио. – М.: ДМК Пресс, 2017. – С. 21-314.
9) Антонио Джулли. Библиотека Keras – инструмент глубокого обучения/ Антонио Джулли, Суджит Пол. – М.: ДМК Пресс, 2017. – С. 20-290
10) Christian Szegedy, Sergey Ioffe, Vincent Vanhoucke. Inception- v4, Inception-ResNet and the Impact of Residual Connections on Learning
Материалы, размещаемые в каталоге, с согласия автора, могут использоваться только в качестве дополнительного инструмента для решения имеющихся у вас задач,
сбора информации и источников, содержащих стороннее мнение по вопросу, его оценку, но не являются готовым решением.
Пользователь вправе по собственному усмотрению перерабатывать материалы, создавать производные произведения,
соглашаться или не соглашаться с выводами, предложенными автором, с его позицией.
| Тема: | Разработка приложения для определения и идентификации лиц на фотографии на языке Python |
| Артикул: | 9101503 |
| Дата написания: | 14.07.2019 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 70% |
| Количество страниц: | 79 |
Скрин проверки АП.ВУЗ приложен на последней странице.
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
В работе представлены только пояснительная записка и листинг программы. Самой программы нет
Файлы артикула: Разработка приложения для определения и идентификации лиц на фотографии на языке Python. А также похожие готовые работы: страница 3 по предмету программирование
Пролистайте "Разработка приложения для определения и идентификации лиц на фотографии на языке Python. А также похожие готовые работы: страница 3" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 18.07.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 70% (оригинальный текст + цитирования, без учета списка литературы и приложений), приведена по системе Антиплагиат.ВУЗ на момент её написания и могла со временем снизиться. Мы понимаем, что это важно для вас, поэтому сразу после оплаты вы сможете бесплатно поднять её. При этом текст и форматирование в работе останутся прежними.
Гарантируем возврат денег!
Качество каждой готовой работы, представленной в каталоге, проверено и соответствует описанию. В случае обоснованных претензий мы гарантируем возврат денег в течение 24 часов.
ПРЕДЫДУЩАЯ РАБОТА
Разработка веб-приложения для расчета финансовых показателей бизнес-плана
СЛЕДУЮЩАЯ РАБОТА
Разработка web-сайта музыкального исполнителя