Введение 3
1. Методы распознавания лиц 5
1.1 Обзор методов 5
1.2 Система распознавания лиц FaceNet 7
1.3 Целевая функция N-pair loss 9
2. Реализация нейронной сети для распознавания лиц 12
2.1 Архитектура нейронной сети 14
2.2 Выбор классов для обучения 17
Эксперименты 19
3.3 Сравнение алгоритмов выбора классов 19
3.4 Сравнение архитектур нейронной сети 30
Заключение 34
Список литературы 35
Приложение. Программный код 36
Безопасность информации становится очень значительной и сложной задачей. Существует множество различных технологий идентификации человека, многие из которых используются в коммерческих целях в течение многих лет. Наиболее распространенными методами идентификации людей сегодня являются пароль или PIN-код. Проблема подобных методов заключается в том, что эти данные можно легко потерять, забыть, подделать, вследствие чего, с точки зрения на- дежности и безопасности – это не лучший подход для идентификации человека. Для преодоления этих проблем возник значительный интерес к системам иден- тификации, которые используют биометрические данные. Некоторые из этих ме- тодов – отпечатки пальцев и распознавание сетчатки и радужной оболочки. Эти методы имеют высокую точность, однако требуют дополнительных действий от пользователей, вследствие чего не всегда могут быть использованы. Распознавание лиц при помощи видео и голоса имеет естественное место в этих интеллектуальных средах следующего поколения, они просты в применении, так как не ограничивают движение пользователей и могут быть применимы к любому чело- веку, который находится в поле зрения камеры безопасности. Распознавание лиц
– это система, используемая для идентификации или верификации человека с цифрового изображения. Под верификацией подразумевается сопоставление лиц людей, изображенных на 2 фотографиях. Идентификация – это сравнение лица, изображенного на фотографии, с некоторой базой данных лиц.
Система распознавания лиц используется во многих сферах, в первую очередь в сфере безопасности. В настоящее время камеры широко распространены в аэропортах, офисах, университетах, банкоматах, банках и в любых местах с системой безопасности. Уже сейчас существуют системы, позволяющие обнаружить людей, которые находятся в списке разыскиваемых. Это позволяет обеспечить безопасность в местах массового скопления. В октябре 2001 года аэропорт Fresno Yosemite International (FYI) в Калифорнии развернул технологию распознавания лиц Viisage для целей безопасности. Система предназначена для оповещения службы безопасности аэропорта FYl, когда человек, который находится в списке подозреваемых в терроризме, входит в контрольно-пропускной пункт аэропорта. Также система распознавания лиц применяется в сфере маректинг. Компания Herta Security предоставляет систему распознавания лиц, которая используется в дорогих магазинах в Европе. На входе в магазин камеры наблюдения ведут съемку за посетителями и отправляют ее на обработку компьютеру, который выделяет каждое лицо в толпе и пытается идентифицировать его. Если есть совпадение, программа передает информацию о предпочтениях клиента про- давцам. Если человек ранее был замечен в кражах, информация об этом будет передана охранникам. Facebook с 2010 года использует алгоритм распознавания лиц, чтобы помочь пользователям отметить людей на фотографии. MasterCard также экспериментирует с системой распознавания лиц. Подобно сканерам отпечатков пальцев и другим биометрическим технологиям, распознавание лиц может быть использовано вместо PIN-кода. Система распознавания лиц используется и в Microsoft Xbox, где пользователи могут получить доступ к своим профилям с помощью распознавания лиц. Также существуют приложения, которые позволяют находить людей, в точности похожих на человека, изображенного на фотографии.
Требования к системе распознавания лиц:
• высокая скорость работы;
• высокая точность;
• масштабируемость.
Цель данной работы: реализовать и обучить глубокую сверточную нейронную сеть с использованием целевой функции N-pair-mc loss, которая учитывает рас- стояние сразу между несколькими классами. Проанализировать влияние параметров обучения, архитектуры нейронной сети, алгоритмов выбора изображений для обучения на точность распознавания.
Войти
в кабинет
в кабинет
Пролистайте материалы и убедитесь в качестве
Разработка системы распознавания лиц с помощью сверточных нейронных сетей #9102248
Артикул: 9102248
- Предмет: Программирование
- Уникальность: 79% (Антиплагиат.ВУЗ)
- Разместил(-а): 185 Рамиль в 2019 году
- Количество страниц: 50
- Формат файла: docx
- Последняя покупка: 11.11.2022
2 499p.
[1] C. A. Hansen, ”Face Recognition”, Institute for Computer Science University of Tromso, Norway.
[2] Kohonen, T. (1985). Self-Organizing Maps, Springer-Verlag, Berlin
[3] L. Wiskott, J.-M. Fellous, N. Krueuger, C. von der Malsburg, Face Recognition by Elastic Bunch Graph Matching, Chapter 11 in Intelligent Biometric Techniques in Fingerprint and Face Recognition, eds. L.C. Jain et al., CRC Press, 1999, pp. 355-396
[4] http : //www.image net.org
[5] Schroff F., Kalenichenko D., Philbin J. Facenet: A unified embedding for face recognition and clustering //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2015. – С. 815-823.
[6] Cheng D. et al. Person re-identification by multi-channel parts-based cnn with improved triplet loss function //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – С. 1335-1344.
[7] Wen Y. et al. A discriminative feature learning approach for deep face recognition
//European Conference on Computer Vision. – Springer International Publishing, 2016. – С. 499-515.
[8] Sohn K. Improved deep metric learning with multi-class n-pair loss objective
//Advances in Neural Information Processing Systems. – 2016. – С. 1849-1857.
[9] https : //github.com/davidsandberg/facenet/blob/master/src/align/align_dataset_
[10] http : //www.cbsr.ia.ac.cn/english/CASIA WebFace Database.html
[11] https : //www.microsoft.com/en us/research/project/ms celeb 1m challenge recognizing one million celebrities real world/
[12] http : //vis www.cs.umass.edu/lfw/
[13] Kingma D., Ba J. Adam: A method for stochastic optimization //arXiv preprint arXiv:1412.6980. – 2014.
[14] Yi D. et al. Learning face representation from scratch //arXiv preprint arXiv:1411.7923.
– 2014.
[15] Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift //arXiv preprint arXiv:1502.03167. – 2015. [16] Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks
//Aistats. – 2010. – Т. 9. – С. 249-256.
[2] Kohonen, T. (1985). Self-Organizing Maps, Springer-Verlag, Berlin
[3] L. Wiskott, J.-M. Fellous, N. Krueuger, C. von der Malsburg, Face Recognition by Elastic Bunch Graph Matching, Chapter 11 in Intelligent Biometric Techniques in Fingerprint and Face Recognition, eds. L.C. Jain et al., CRC Press, 1999, pp. 355-396
[4] http : //www.image net.org
[5] Schroff F., Kalenichenko D., Philbin J. Facenet: A unified embedding for face recognition and clustering //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2015. – С. 815-823.
[6] Cheng D. et al. Person re-identification by multi-channel parts-based cnn with improved triplet loss function //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2016. – С. 1335-1344.
[7] Wen Y. et al. A discriminative feature learning approach for deep face recognition
//European Conference on Computer Vision. – Springer International Publishing, 2016. – С. 499-515.
[8] Sohn K. Improved deep metric learning with multi-class n-pair loss objective
//Advances in Neural Information Processing Systems. – 2016. – С. 1849-1857.
[9] https : //github.com/davidsandberg/facenet/blob/master/src/align/align_dataset_
[10] http : //www.cbsr.ia.ac.cn/english/CASIA WebFace Database.html
[11] https : //www.microsoft.com/en us/research/project/ms celeb 1m challenge recognizing one million celebrities real world/
[12] http : //vis www.cs.umass.edu/lfw/
[13] Kingma D., Ba J. Adam: A method for stochastic optimization //arXiv preprint arXiv:1412.6980. – 2014.
[14] Yi D. et al. Learning face representation from scratch //arXiv preprint arXiv:1411.7923.
– 2014.
[15] Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift //arXiv preprint arXiv:1502.03167. – 2015. [16] Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks
//Aistats. – 2010. – Т. 9. – С. 249-256.
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 системы распознавания лиц с помощью сверточных нейронных сетей |
| Артикул: | 9102248 |
| Дата написания: | 13.06.2019 |
| Тип работы: | Дипломная работа |
| Предмет: | Программирование |
| Оригинальность: | Антиплагиат.ВУЗ — 79% |
| Количество страниц: | 50 |
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 системы распознавания лиц с помощью сверточных нейронных сетей по предмету программирование
Пролистайте "Разработка системы распознавания лиц с помощью сверточных нейронных сетей" и убедитесь в качестве
После покупки артикул автоматически будет удален с сайта до 23.06.2024
Посмотреть остальные страницы ▼
Честный антиплагиат!
Уникальность работы — 79% (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 информационной системы для электронного учета успеваемости в частной детской музыкальной школе
СЛЕДУЮЩАЯ РАБОТА
Разработка приложения «Помощник путешественника»