Show simple item record

Deep learning based face recognition in real conditions

dc.contributor.advisorPřinosil, Jiřísk
dc.contributor.authorHorňáková, Veronikask
dc.date.accessioned2019-05-17T14:27:48Z
dc.date.available2019-05-17T14:27:48Z
dc.date.created2018cs
dc.identifier.citationHORŇÁKOVÁ, V. Rozpoznání tváří v reálných podmínkách pomocí technik hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.cs
dc.identifier.other110237cs
dc.identifier.urihttp://hdl.handle.net/11012/82393
dc.description.abstractTáto bakalárska práca sa zaoberá rozpoznávaním ľudských tvárí, pomocou techník hlbokého učenia. Rozpoznávanie tvárí sa používa pre dve hlavné úlohy a to overenie a identifikácia. V práci sú opísané techniky hlbokého učenia najmä konvolučné neurónové siete, ktoré sú najvýznamnejšou metódou pre spracovanie obrazov - detekcia, klasifikácia a segmentácia obrazu. Proces rozpoznávania tváre prebieha v štyroch hlavných krokoch ktoré sú: detekcia tváre, výber tváre, extrakcia tváre a klasifikácia tváre. Boli vytipované tri existujúce riešenia rozpoznávania tvári (OpenFace, FaceNet a Face_Recognition), ktoré sú popísané v práci, najmä princíp na ktorom rozpoznávajú ľudské tváre. Pomocou testovania s dátovou sadou Labeled Faces in the Wild (LFW), bola stanovená presnosť a časová náročnosť jednotlivých aplikácii. Testovanie FaceNet a Face_Recognition prebehlo aj na reálnych dátach s detekciou tvárí vo videu a pri sťažených podmienkach. Test sa zaoberá porovnaním dvojice obrázkov a určením či sa jedná o tú istú osobu. Výsledky testovania sú zobrazené v prehľadnom grafe a tabuľke.sk
dc.description.abstractThis bachelor thesis explores the area of face recognition using deep learning technique. Face recognition is used for two main reasons: verification and identification. In this thesis we describe the techniques of deep learning, mostly the convolutional neural networks, which are the most significant method for processing images - detection, classification and segmentation of the image. The process of face recognition is divided into four main steps: face detection, face selection, face extraction and face classification. We chosen three of the existing programs for face recognition (OpenFace, FaceNet and Face_Recognition), which are described in this thesis, in particular the principle of the human face recognition. Thanks to the tests with the data set of Labeled Faces in the Wild (LFW) we could specify the accuracy and the time requirement of each application. Testing of FaceNet and Face_Recognition ran on real data with face detection in video with complicated conditions. The test compares two images and tries to determine if is the same person. The test results are show in graph and table.en
dc.language.isoskcs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectFaceNetsk
dc.subjectFace Recognitionsk
dc.subjecthlboké učeniesk
dc.subjectkonvolučná neurónová siet’sk
dc.subjectLFWsk
dc.subjectOpenFacesk
dc.subjectrozpoznávanie tvárísk
dc.subjectXGBoostsk
dc.subjectFaceNeten
dc.subjectFace Recognitionen
dc.subjectdeep learningen
dc.subjectconvolutional neural networksen
dc.subjectLFWen
dc.subjectOpenFaceen
dc.subjectfacial recognitionen
dc.subjectXGBoost.en
dc.titleRozpoznání tváří v reálných podmínkách pomocí technik hlubokého učenísk
dc.title.alternativeDeep learning based face recognition in real conditionsen
dc.typeTextcs
dcterms.dateAccepted2018-06-14cs
dcterms.modified2018-08-29-07:51:42cs
thesis.disciplineTeleinformatikacs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
sync.item.dbid110237en
sync.item.dbtypeZPen
sync.item.insts2021.11.12 21:59:31en
sync.item.modts2021.11.12 20:50:16en
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
dc.contributor.refereeKříž, Petrsk
dc.description.markBcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
but.committeeprof. Ing. Dan Komosný, Ph.D. (předseda) doc. Mgr. Pavel Rajmic, Ph.D. (místopředseda) doc. Ing. Jan Hajný, Ph.D. (člen) Ing. Radim Číž, Ph.D. (člen) Ing. David Kubánek, Ph.D. (člen)cs
but.defencePopište hlavní rozdíly mezi CNN (Convolutional Neural Network) a XGBoost. Vysvětlete postup Vašich výpočtů směrodatné odchylky dle vzorce 4.1.cs
but.resultpráce byla úspěšně obhájenacs
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.jazykslovenština (Slovak)


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record