NGHIÊN cứu THUẬT TOÁN ICA và ỨNG DỤNG ước LƯỢNG độ sâu ẢNH mặt NGƯỜI

NGHIÊN CỨU THUẬT TOÁN ICA VÀ ỨNG DỤNG ƯỚC LƯỢNG ĐỘ SÂU ẢNH MẶT NGƯỜI Họ tên: Ngô Trường Sơn Cấp bậc: Đại úy Chức vụ: Học viên Đơn vị: Lớp Kỹ thuật điện tử ứng dụng NỘI DUNG I NGHIÊN CỨU THUẬT TOÁN ICA (INDEPENDENT COMPONENT ANALYSIS) AI ỨNG DỤNG CỦA ICA VÀO ƯỚC LƯỢNG ĐỘ SÂU ẢNH MẶT NGƯỜI III DEMO I NGHIÊN CỨU THUẬT TOÁN ICA (INDEPENDENT COMPONENT ANALYSIS) Independent Component Analysis (phân tích thành phần độc lập) phương pháp thống kê xây dựng để tách rời tín hiệu nhiều chiều thành thành phần tín hiệu độc lập ẩn sâu bên liệu Kỹ thuật đòi hỏi phải đặt giả thuyết tồn nguồn tín hiệu bên nongaussianity độc lập thống kê đôi MỤC ĐÍCH Tín hiệu gốc Tín hiệu sau trộn KẾT QUẢ Tín hiệu sau trộn Tín hiệu phục hồi 1.2 Phân tích thành phần độc lập (ICA) Để định nghĩa ICA ta dùng mơ hình thống kê “làm chậm biến số”- ”latent varialbe” Giả sử, ta quan sát n tổ hợp tuyến tính n thành phần độc lập Mơ hình ICA Điều có nghĩa mơ hình viết lại sau 1.4) ma trận ngược ma trận Các thành phần độc lập tính cơng thức: *Các điểm không xác định ICA: - Chúng ta xác định thành phần biến (số cột ma trận tương quan) thành phần độc lập - Chúng ta xác định thứ tự thành phần độc lập Ma trận hoán vị phép biến đổi ngược thay công thức Các phần tử thành phần biến độc lập gốc , theo thứ tự khác Ma trận biết ma trận trộn chưa biết dùng để giải toán ICA 1.3 Sự độc lập thống kê Xem hai vector ngẫu nhiên với hàm mật độ xác suất riêng biệt , hàm mật độ xác suất liên kết độc lập thống kê thỏa mãn: Xem biến đổi phi tuyến hai vector ngẫu nhiên có hàm phân bố nói trên, chứng minh được: Phi Gauss độc lập Mơ hình ICA đặt hạn chế thành phần độc lập phải có tính phi Gauss (non-gaussianity), tức khơng có phân bố (hàm mật độ xác suất) Gauss Lý tính phi Gauss nằm chổ biến ngẫu nhiên Gauss xác định hoàn toàn thống kê bậc (trị trung bình) bậc hai (phương sai), thống kê bậc cao Như thấy sau, mô hình ICA cần thống kê bậc cao thành phần độc lập để thực phân ly (ước lượng thành phần độc lập) Như vậy, phi tuyến, tính phi Gauss dẫn đến độc lập thống kê 23 2.2 Xây dựng mơ hình khởi tạo ma trận hủy trộn Chúng ta sử dụng giá trị độ sâu điểm đặc trưng mơ hình CANDIDE hỗn hợp Sau đó, kết hợp để tạo thành đầu vào thuật tốn cICA Cơng thức: = hỗn hợp chứa đủ thông tin độ sâu Theo giả thiết này, số lượng tín hiệu nguồn số lượng tín hiệu hỗn hợp Do đó, mơ hình cICA xây dựng trở thành tốn ICA bình thường khơng phải tốn q đầy đủ 24 2.2 Xây dựng mơ hình khởi tạo ma trận hủy trộn Thuật tốn cICA Vì mơ hình CANDIDE mơ hình mặt 3-D chung, giá trị độ sâu phù hợp để lấy làm tín hiệu tham chiếu Trước tiên, trừ giá trị trung bình , từ , tức là: vectơ x p cho tất phần tử Sau đó, dấu hiệu sử dụng làm tín hiệu tham chiếu , tức sign (.) hàm dấu hiệu (hàm lẻ) 25 2.2 Xây dựng mơ hình khởi tạo ma trận hủy trộn Đánh giá Thuật toán cICA ể ấ Vị trí 22 điểm đặc trưng đánh dấu sở liệu 2.3 Tích hợp mơ hình cho nhiều hình ảnh khn mặt khơng nhìn trực diện Đối với hình ảnh khn mặt khơng trực diện, đặc điểm hình dạng kết hợp với để tạo thành đầu vào thuật tốn cICA Sau đó, tín hiệu độ sâu xác định thuật tốn cICA Giá trị trung bình tính sau: sử dụng làm tín hiệu hỗn hợp để thay 27 2.3 Tích hợp mơ hình cho nhiều hình ảnh khn mặt khơng nhìn trực diện Các bước cụ thể phương pháp đưa sau: - Bước 1: Đặt số lần lặp tối đa () - Bước 2: Khởi tạo giá trị độ sâu thu tín hiệu tham chiếu cách sử dụng giá trị độ sâu 22 điểm đặc trưng cung cấp mơ hình CANDIDE - Bước 3: Đối với hình ảnh khn mặt đào tạo, đặc điểm hình dạng điểm đặc trưng kết hợp để tạo thành đầu vào mơ hình cICA 28 2.3 Tích hợp mơ hình cho nhiều hình ảnh khn mặt khơng nhìn trực diện Bước 4: Tính tốn ma trận khơng trộn ban đầu theo nghịch đảo tổng quát Moore-Penrose Cập nhật ma trận không trộn - + + + Tính tốn giá trị độ sâu ước tính y cách sử dụng 29 2.3 Tích hợp mơ hình cho nhiều hình ảnh khn mặt khơng nhìn trực diện Bước 5: Tính tốn giá trị trung bình tương ứng độ sâu điểm đặc trưng ước lượng cho tất hình ảnh đào tạo, - sau thay Các bước 3-5 lặp lại số lần lặp đạt đến giá trị lớn xác định trước 30 2.4 Kết thực 31 Hệ số tương quan giá trị độ sâu thực giá trị ước lượng thu với hình ảnh khn mặt người khác cho FastICA, gICA, SM, cICA FastICA glCA SM cICA 0,777 0,665 0,931 0,882 32 Gía trị trung bình độ lệch chuẩn thu phương pháp hệ số lương quan 105 đối tượng cICA_ 33 DEMO TRÊN MATLAB (DEMO ICA) MLE ICA DEPT ESTIMATION VIDEO 34 DEMO TRÊN MATLAB (DEMO ICA) DEPT ESTIMATION VIDEO 35 DEMO TRÊN PYTHON (DEEP FACE) : Không gian chứa xung quanh ảnh (NEGATIVE SHAPE) 36 THANK YOU !!!! Họ tên: Ngô Trường Sơn Cấp bậc: Đại úy Chức vụ: Học viên Đơn vị: Lớp Kỹ thuật điện tử ứng dụng ...NỘI DUNG I NGHIÊN CỨU THUẬT TOÁN ICA (INDEPENDENT COMPONENT ANALYSIS) AI ỨNG DỤNG CỦA ICA VÀO ƯỚC LƯỢNG ĐỘ SÂU ẢNH MẶT NGƯỜI III DEMO I NGHIÊN CỨU THUẬT TOÁN ICA (INDEPENDENT COMPONENT... ỨNG DỤNG CỦA ICA VÀO ƯỚC LƯỢNG ĐỘ SÂU ẢNH MẶT NGƯỜI Phiên thứ ba mơ hình CANDIDE, gọi CANDIDE-3, bao gồm 113 đỉnh 168 bề mặt tam giác, thể Hình Mỗi đỉnh biểu diễn tọa độ 3-D Xem xét giá trị độ. .. giá trị độ sâu ước tính y cách sử dụng 29 2.3 Tích hợp mơ hình cho nhiều hình ảnh khn mặt khơng nhìn trực diện Bước 5: Tính tốn giá trị trung bình tương ứng độ sâu điểm đặc trưng ước lượng cho