0

TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNg SIAMESE NETWORK

31 1 0
  • TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNg SIAMESE NETWORK

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 14/05/2022, 14:05

TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNG SIAMESE NETWORK TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNG SIAMESE NETWORK Nguyễn Minh Hải 17119073 1 2 NỘI DUNG 1 Mục tiêu của đề tài 2 Các thử thách 3 Phương pháp đã chọn 4 Đánh giá kết quả 5 Kết luận 3 1 Mục tiêu của đề tài 1 Mục tiêu Xây dựng được hệ thống nhận diện được gương mặt Không phụ thuộc và dữ liệu tương lai 4 1 Mục tiêu của đề tài 1 Yêu cầu Độ chính xác phải chấp nhận được Đảm bảo vấn đề Realtime 5 1 Mục tiêu của đề tài 1 Yêu cầu Hệ th. TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNG SIAMESE NETWORK Nguyễn Minh Hải 17119073 NỘI DUNG Mục tiêu đề tài Các thử thách Phương pháp chọn Đánh giá kết Kết luận Mục tiêu đề tài Mục tiêu Xây dựng hệ thống nhận diện gương mặt Không phụ thuộc liệu tương lai Mục tiêu đề tài Yêu cầu Đảm bảo vấn đề Realtime Độ xác phải chấp nhận Mục tiêu đề tài Yêu cầu Hệ thống không phụ thuộc vào liệu tương lai Mục tiêu đề tài u cầu Hệ thống thơng báo cho người dùng biết để bỏ vật dụng kinh, mũ,… Các thử thách Project Nhận diện người mà model chưa nhìn thấy Khi hình ảnh có vật dụng kinh,mũ làm cho hệ thống dự đoán thiếu độ chinh xác Phương pháp chọn Phương pháp chọn Xây dựng tập liệu Input Input Người A Người B Người A Người A Người B Người B Người B Người C … … OUTPUT … Phương pháp xây dựng đề tài Xây dựng Mạng CNN Tự xây dựng mạng CNN Transfer Learning VGG,MobileNet,RestNet,InceptionNet 10 Đánh giá kết 4.1 Dateset Input Input Người A Người B Người A Người A Người B Người B Người B Người C … … OUTPUT … 17 Đánh giá kết 4.1 Dateset 80 20 DATA 20 Train Test Val 18 Đánh giá kết 4.1 Dateset 20 person Train 40 person 10 person 10 person Test Val 19 Đánh giá kết 4.2 Đánh giá 20 Đánh giá kết 4.2 Đánh giá tập val để tìm ngưỡng D < 0.1 D < 0.2 21 Đánh giá kết 4.2 Đánh giá tập val để tìm ngưỡng D < 0.3 D < 0.4 22 Đánh giá kết 4.2 Đánh giá tập val để tìm ngưỡng D < 0.5 23 Đánh giá kết 4.2 Thực thi tập Test 24 Đánh giá kết 4.3 Train model để nhận diện vật thể mặt Epoch=100,lr =0.001,BS=32.,sử dụng ImagedataGeneration để tăng cường liệu 25 Đánh giá kết 4.3 Train model để nhận diện vật thể mặt Đánh giá tập Test 26 Đánh giá kết 4.3 Train model để nhận diện vật thể mặt 27 Kết luận 5.1 Kết đạt chưa Model xác minh gương mặt Model phát Giải khoảng 70% yêu cầu đặt lúc đầu vật thể mặt Độ xác chấp nhận cao 28 Kết luận 5.1 Kết đạt chưa Vấn đề Realtime chưa đảm bảo Vẫn số yêu cầu chưa giải Độ xác phần phát cịn thấp Model nhận diện liệu thực sai 29 Kết luận 5.2 Hướng phát triển Thu thập liệu khác để model nhận diện liệu thực xác Lựa chọn mạng CNN khác có độ phức tạp cao Sử dụng Triplet Loss Vấn đề xử lý ảnh ngõ vào phải giải 30 CẢM ƠN THẦY VÀ MỌI NGƯỜI ĐÃ LẮNG NGHE ... đoán thiếu độ chinh xác Phương pháp chọn Phương pháp chọn Xây dựng tập liệu Input Input Người A Người B Người A Người A Người B Người B Người B Người C … … OUTPUT … Phương pháp xây dựng đề tài... 4.3 Train model để nhận diện vật thể mặt 27 Kết luận 5.1 Kết đạt chưa Model xác minh gương mặt Model phát Giải khoảng 70% yêu cầu đặt lúc đầu vật thể mặt Độ xác chấp nhận cao 28 Kết luận 5.1 Kết... CNN Transfer Learning VGG,MobileNet,RestNet,InceptionNet 10 Phương pháp chọn Xây dựng Mạng 11 Phương pháp chọn Xây dựng Mạng 12 Phương pháp chọn Loss Function Trong đó: - d khoảng cách vector nhúng
- Xem thêm -

Xem thêm: TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNg SIAMESE NETWORK,