Adaptace neuronových sítí pro identifikaci osob
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zabývá rozpoznáváním tváří pomocí konvolučních neuronových sítí a jejich problémy v dnešní době, jako jsou variabilita póz, osvětlení a výrazů. Shrnuje dosavadní přístupy, architektury a nejnovější chybové funkce. Dále se věnuje metodám pro rotaci obličeje pomocí GAN sítí. V rámci práce jsou navrženy a natrénovány 3 neuronové sítí pro rozpoznávání tváří. Nejlepší z nich dosáhla přesnosti 99.38% na datasetu LFW a 88.08% na datasetu CPLFW. Dále je navržena síť pro rotaci obličeje PCGAN, která může být použita pro účely frontalizace obličeje či augmentace dat. Síť je vyhodnocena na datasetu Multi-PIE a pomocí frontalizace zvyšuje úspěšnost identifikace.
This thesis deals with facial recognition using convolutional neural networks and with their current problems, which are pose, lighting and expression variance. It summarizes existing approaches, architectures and most recent loss functions. Further it deals with methods for rotating faces using GAN networks. In this thesis 3 neural networks are designed and trained for facial recognition. The best of them achieves 99.38% accuracy on LFW dataset and 88.08% accuracy on CPLFW dataset. Next face rotation network PCGAN is designed, which can be used for face frontalization or data augmentation purposes. This network is evaluated on Multi-PIE dataset and using the face frontalization it increases identification accuracy.
This thesis deals with facial recognition using convolutional neural networks and with their current problems, which are pose, lighting and expression variance. It summarizes existing approaches, architectures and most recent loss functions. Further it deals with methods for rotating faces using GAN networks. In this thesis 3 neural networks are designed and trained for facial recognition. The best of them achieves 99.38% accuracy on LFW dataset and 88.08% accuracy on CPLFW dataset. Next face rotation network PCGAN is designed, which can be used for face frontalization or data augmentation purposes. This network is evaluated on Multi-PIE dataset and using the face frontalization it increases identification accuracy.
Description
Citation
STRATIL, J. Adaptace neuronových sítí pro identifikaci osob [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inteligentní systémy
Comittee
doc. Ing. František Zbořil, CSc. (předseda)
doc. Ing. Vladimír Janoušek, Ph.D. (místopředseda)
Ing. Vítězslav Beran, Ph.D. (člen)
doc. RNDr. Aleš Horák, Ph.D. (člen)
Ing. Martin Hrubý, Ph.D. (člen)
Ing. Jaroslav Rozman, Ph.D. (člen)
Date of acceptance
2019-06-19
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: Čím si vysvětlujete horší vizuální výsledky syntézy obličejů v rozmezí úhlu natočení <-10,10> stupňů? Nemůže mít na tyto výsledky vliv zvolený krok pro kódování zdrojové-cílové polohy? Z jakého důvodu byly sítě pro rozpoznávání obličejů trénované na jiném datasetu ( VGGFace2 ), než na kterých probíhalo testování ( LFW, CPLFW )? Jedná se o standardní vyhodnocení používané i v dalších publikacích?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení