Rozpoznání tváří v reálných podmínkách pomocí technik hlubokého učení
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Táto 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.
This 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.
This 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.
Description
Citation
HORŇÁKOVÁ, V. Rozpoznání tváří v reálných podmínkách pomocí technik hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Teleinformatika
Comittee
prof. 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)
Date of acceptance
2018-06-14
Defence
Popište hlavní rozdíly mezi CNN (Convolutional Neural Network) a XGBoost.
Vysvětlete postup Vašich výpočtů směrodatné odchylky dle vzorce 4.1.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení