XÂY DỰNG hệ THỐNG NHẬN DẠNG THUỘC TÍNH mặt NGƯỜI dựa vào MẠNG học sâu TÍCH CHẬP

Với việc huấn luyện cho máy nhận dạng thuộc tính khuôn mặt sẽ giải quyết được 2 bài toán trên, đồng thời góp phần vào công đoạn lọc dữ liệu nhanh fast filtering trên tập dữ liệu lớn để g

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN



DƯƠNG HỮU PHƯỚC

XÂY DỰNG HỆ THỐNG NHẬN DẠNG

THUỘC TÍNH MẶT NGƯỜI DỰA VÀO MẠNG HỌC SÂU TÍCH CHẬP

LUẬN VĂN THẠC SĨ NGÀNH KHOA HỌC MÁY TÍNH

LỜI CÁM ƠN

Trước tiên, em xin gửi lời cảm ơn chân thành đến thầy PGS TS Dương Anh Đức và thầy PGS TS Lý Quốc Ngọc Trong suốt quá trình làm luận văn, hai thầy đã dành nhiều thời gian, công sức để hướng dẫn và giúp đỡ em rất tận tình để em có thể hoàn tất để tài này một cách thuận lợi nhất

Bên cạnh đó, em xin cảm ơn các thầy cô tại trường Đại học Công nghệ Thông tin, Đại học Quốc gia Tp.HCM, đặc biệt là thầy Lê Đình Duy và thầy Nguyễn Tấn Trần Minh Khang, cùng các thầy cô tại MMLab đã tạo mọi điều kiện cho em có thể học tập, nghiên cứu và hoàn tất luận văn này

Em cũng xin cảm ơn các anh chị đồng nghiệp tại đơn vị đang công tác đã hỗ trợ em trong suốt quá trình thực hiện luận văn

Em xin chân thành cảm ơn

Tp.HCM, tháng 12 năm 2017

Dương Hữu Phước

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nghiên cứu nào khác, ngoại trừ các tư liệu được trích dẫn và liệt kê trong mục Tài liệu tham khảo

Tác giả luận văn

Dương Hữu Phước

MỤC LỤC

DANH MỤC HÌNH v

DANH MỤC BẢNG vi

DANH MỤC TỪ VIẾT TẮT vii

Chương 1: Giới thiệu 1

1 Động lực nghiên cứu 1

2 Phát biểu bài toán 2

3 Thách thức và mục tiêu 3

4 Đóng góp của luận văn 4

5 Cấu trúc luận văn 4

Chương 2: Các công trình nghiên cứu liên quan 6

1 Bài báo “Deep Learning Face Attributes in the Wild” 6

2 Bộ nhận dạng khuôn mặt sử dụng Deep Learning 11

3 Bảng thống kê các công trình nghiên cứu liên quan 14

Chương 3: Mô hình học thuộc tính mặt người dựa trên mạng học sâu 19

1 Framework của hệ thống nhận dạng mặt người dựa trên thuộc tính 19

2 Đề xuất cải tiến module nhận dạng thuộc tính khuôn mặt 20

3 Cách tổ chức, phân loại thuộc tính 22

4 Kiến trúc mạng AlexNet [25] 23

5 Kiến trúc mạng VGG-16 [8] 23

Chương 4: Thực nghiệm và đánh giá 26

1 Bộ dữ liệu huấn luyện và thử nghiệm: CelebA 26

2 Bộ dữ liệu huấn luyện và thử nghiệm: LFWA 30

3 Các thiết lập thí nghiệm 32

4 Các kết quả thí nghiệm 33

Chương 5: Kết luận và hướng phát triển 38

1 Kết luận 38

2 Hướng phát triển 38

Tài liệu tham khảo 39

DANH MỤC HÌNH

Hình 1.1 Minh họa hệ thống nhận dạng và chú thích thuộc tính cho mặt người 2

Hình 2.1 DL Framework dùng trong việc nhận dạng thuộc tính khuôn mặt [4] 7

Hình 2.2 Mô hình DL Framework ở hình 2.1 7

Hình 2.3 Mô phỏng việc sử dụng 8 bộ phân lớp SVM để dự đoán thuộc tính [10] 13

Hình 2.4 So sánh độ chính xác của CNN so với 3 descriptor truyền thống [10] 14

Hình 2.5 Độ chính xác trung bình của CNN so với các bộ phân lớp truyền thống 14

Hình 3.1 Framework hệ thống nhận dạng mặt người dựa trên thuộc tính 19

Hình 3.2 Ví dụ kết quả sau khi nhận dạng các thành phần khuôn mặt 20

Hình 3.3 Cấu trúc mạng AlexNet [25] 23

Hình 3.4 Kiến trúc mạng VGG-16 [8] 24

Hình 4.1 Sơ đồ cấu trúc thư mục của bộ dữ liệu CelebA 27

Hình 4.2 Một số ảnh mẫu kèm theo thuộc tính của bộ dữ liệu CelebA 29

Hình 4.3 Một số ảnh mẫu của bộ dữ liệu LFW 31

Hình 4.4 Biểu đồ độ chính xác của 5 thuộc tính giữa AlexNet và VGG-16 35

Hình 4.5 Biểu đồ độ chính xác của 5 thuộc tính giữa AlexNet và VGG-16 37

DANH MỤC BẢNG

Bảng 2.1 Một số thử nghiệm trên tập dữ liệu CelebA và LFWA [4] 9

Bảng 2.2 Một số thử nghiệm trên tập dữ liệu CelebA và LFWA [4] (tt) 10

Bảng 2.3 Một số thử nghiệm trên tập dữ liệu CelebA và LFWA [4] (tt) 11

Bảng 2.4 Số ảnh huấn luyện từ tập dữ liệu LFW [10] 12

Bảng 2.5 So sánh các công trình nghiên cứu liên quan 15

Bảng 3.1 Phân loại các thuộc tính theo nhóm 22

Bảng 3.2 Thông số chi tiết của mạng VGG-16 25

Bảng 4.1 Danh sách thuộc tính trong bộ dữ liệu CelebA 29

Bảng 4.2 Danh sách thuộc tính trong bộ dữ liệu LFWA 30

Bảng 4.3 Tên mạng CNN tương ứng với nhóm thuộc tính 32

Bảng 4.4 Cấu hình máy học và thử nghiệm 33

DANH MỤC TỪ VIẾT TẮT

FAD: Facial Attribute Detection

DL: Deep Learning

ML: Machine Learning

SIFT: Scale-Invariant Feature Transform

HOG: Histogram of Oriented Gradients

CNN: Convolutional Neural Network

Chương 1: Giới thiệu

1 Động lực nghiên cứu

Trong lĩnh vực Thị giác máy tính nói riêng và Khoa học máy tính nói chung, việc “dạy” cho máy tính “nhìn” và “hiểu” được một khái niệm là mục tiêu cốt lõi Tuy nhiên có những khái niệm rất khó để học, ngược lại học một khái niệm qua các dấu chỉ, đặc tính của khái niệm đó sẽ dễ dàng hơn rất nhiều

Với một khuôn mặt người (coi như là khái niệm cần học), các thuộc tính khuôn mặt như mắt, mũi, miệng, tóc, tai… là dấu chỉ Việc huấn luyện cho máy tính hiểu được một khuôn mặt sẽ khó hơn so với việc hiểu các dấu chỉ vì đặc trưng các thuộc tính khuôn mặt đơn giản hơn so với đặc trưng cả khuôn mặt

Ngoài ra, trong lĩnh vực nhận dạng khuôn mặt còn tồn đọng nhiều bài toán liên quan đến thuộc tính, ví dụ bài toán 1 người – n thuộc tính và bài toán n người – 1 thuộc tính giống nhau Với việc huấn luyện cho máy nhận dạng thuộc tính khuôn mặt sẽ giải quyết được 2 bài toán trên, đồng thời góp phần vào công đoạn lọc dữ liệu nhanh (fast filtering) trên tập dữ liệu lớn để giảm thời gian truy vấn ảnh

Ngoài ra, đa số các bộ nhận dạng khuôn mặt hiện nay đều gặp khó khăn khi đối đầu với các biểu cảm khác nhau của khuôn mặt, các góc chụp khác nhau, ánh sáng, màu sắc của ảnh Tuy nhiên, việc áp dụng mạng nơron nhân tạo, cụ thể là mạng nơron tích chập (CNN) vào bài toán nhận dạng khuôn mặt đã cho thấy kết quả tốt hơn cả về thời gian lẫn hiệu suất

Do đó, tác giả muốn áp dụng DL và CNN vào bài toán nhận dạng thuộc tính khuôn mặt nhằm đạt kết quả tốt hơn

Bài toán nhận dạng và chú thích thuộc tính cho mặt người cũng sẽ làm tiền đề để các công trình nghiên cứu sau này có thể áp dụng các phương pháp Deep Learning vào các hệ thống nhận dạng khác như nhận dạng đối tượng (object recognition), nhận dạng con vật (animal recognition)…

Chương 1: Giới thiệu

2 Phát biểu bài toán

Bài toán nhận dạng thuộc tính khuôn mặt (FAD) được mô tả như sau: Đầu vào là 1 tấm ảnh I và danh sách các thuộc tính Ai mà hệ thống có thể nhận dạng được (ví dụ các màu tóc, màu mắt, màu da, các hình dáng khuôn mặt, các đặc điểm riêng và dị hình như nốt ruồi, tàn nhang…), đầu ra là danh sách các thuộc tính Aj xuất hiện trên tấm ảnh, kèm theo bounding box Bj chỉ rõ vị trí tương ứng của các thuộc tính đó

Image I + Attribute Ai:1→n Hệ thống→ { Attribute Aj

Bounding box Bj (j ∈ [1, n])

Hình 1.1 Minh họa hệ thống nhận dạng và chú thích thuộc tính cho mặt người

Bất kì hệ thống nhận dạng nào cũng gồm 2 giai đoạn đó là giai đoạn offline (cài đặt hệ thống và huấn luyện) và giai đoạn online (thử nghiệm)

Hệ thống nhận dạng thuộc tính mặt người

Chương 1: Giới thiệu

Trong giai đoạn offline, phải xây dựng tập dữ liệu kèm theo việc đánh dấu vị trí các bộ phận trên khuôn mặt bằng landmark hoặc bounding box Tiếp đó phải xác định danh sách thuộc tính Ai:1n Sau đó là xây dựng mô hình học thuộc tính MA và mô hình phát hiện thành phần MP trên khuôn mặt

Trong giai đoạn online, hệ thống sẽ nhận dữ liệu đầu vào là 1 tấm ảnh I Mô hình MP

sẽ phát hiện các thành phần của khuôn mặt, làm tiền đề cho mô hình MA phát hiện các thuộc tính của từng thành phần cũng như thuộc tính trên toàn khuôn mặt

Trong khuôn khổ luận văn này, tác giả tập trung vào phần xây dựng mô hình học thuộc tính Các công đoạn khác như xây dựng danh sách thuộc tính cũng như chỉ định landmark

và bounding box sẽ sử dụng lại của tập dữ liệu CelebA (xem Chương 4) Tác giả cũng sẽ không xây dựng bộ phát hiện thành phần khuôn mặt cũng như không thực hiện nhận dạng khuôn mặt

 Góc nhìn (view point), sự chiếu sáng (illumination), sự che khuất (occlusion) luôn

là trở ngại đối với các bài toán Thị giác máy tính, và với luận văn này cũng không ngoại lệ

Chương 1: Giới thiệu

(b) Nghiên cứu về DL và chọn lọc các thuật toán, mô hình mạng để áp dụng cho bài toán FAD

(c) Tìm cách gia tăng độ chính xác cho thuật toán bằng cách sử dụng cấu trúc mạng CNN khác nhau

4 Đóng góp của luận văn

Về mặt lý thuyết, luận văn có những đóng góp:

 Xây dựng được mô hình học thuộc tính dựa trên mạng học xây tích chập CNN,

hỗ trợ giải quyết bài toán 1 người – n thuộc tính và n người – 1 thuộc tính đã đề cập ở phần 1 phía trên

 Thử nghiệm qua một số mạng học sâu tích chập và chọn được mô hình có hiệu suất cao cho bài toán FAD

 Triển khai cách học theo hình thức multitask: Chia các thuộc tính ra thành nhiều nhóm, mỗi nhóm sẽ là 1 mạng riêng để học, có số đầu ra khác nhau tùy thuộc vào số thuộc tính của mạng đó

Bên cạnh đó, luận văn còn có những đóng góp về mặt ứng dụng như sau:

 Cài đặt được mô hình học thuộc tính bằng phương pháp học sâu (Deep Learning)

sử dụng mạng nơ-rơn tích chập (Convolutional Neural Network)

 Hỗ trợ đắc lực cho các hệ thống nhận dạng mặt người

 Hỗ trợ việc lọc dữ liệu (fast filtering) cho các bài toán truy vấn ảnh (Image Retrieval)

 Làm nền tảng cho các hệ thống mô tả ảnh bằng ngữ nghĩa

5 Cấu trúc luận văn

Trong chương 1, tác giả đã giới thiệu bài toán, phương pháp thực hiện và kết quả mong đợi Các chương tiếp theo của luận văn sẽ trình bày các nội dung sau:

Chương 1: Giới thiệu

 Chương 2: Các công trình nghiên cứu liên quan và hướng tiếp cận Chương này sẽ giới thiệu về các công trình nghiên cứu liên quan đến bài toán FAD và thực trạng hiện nay

về vấn đề giải quyết bài toán

 Chương 3: Hệ thống nhận dạng thuộc tính cho mặt người Chương này sẽ giới thiệu việc áp dụng mạng CNN vào việc giải quyết bài toán FAD

 Chương 4: Thực nghiệm và đánh giá Tác giả sẽ trình bày các bộ dữ liệu học và thử nghiệm, cách xây dựng và cài đặt hệ thống, kết quả thí nghiệm kèm theo các đánh giá, phân tích

 Chương 5: Kết luận và hướng phát triển Tác giả sẽ tổng kết về luận văn, phân tích ưu

và nhược điểm của hệ thống, thảo luận thêm về các hướng phát triển, cải tiến trong tương lai

Chương 2: Các công trình nghiên cứu liên quan

1 Bài báo “Deep Learning Face Attributes in the Wild”

Bài báo “Deep Learning Face Attributes in the Wild” [4] của nhóm tác giả Ziwei Liu, Ping Luo, Xiaogang Wang, Xiaoou Tang trình bày một phương pháp xây dựng hệ thống nhận dạng thuộc tính sử dụng mạng CNN Đây đồng thời cũng là bài báo công bố bộ dữ liệu CelebA mà luận văn sử dụng để học và thử nghiệm trong Chương 4

1.1 Cấu trúc framework của bài báo

Trước đây, trong bài toán nhận dạng thuộc tính (attribute recognition) nói riêng và nhận dạng đối tượng (object recognition) nói chung, việc lấy đặc trưng thủ công (hand-craft feature) luôn là một bước không thể thiếu Đối với bài toán này, các phương pháp truyền thống sẽ chia làm 3 công đoạn:

 Face localization: Định vị khuôn mặt

 Facial descriptor construction: Xây dựng bộ dò tìm

 Attribute classification: Phân lớp thuộc tính

Các hướng tiếp cận truyền thống sẽ sử dụng các bộ nhận dạng (descriptor) cấp thấp, ví

dụ như SIFT, LBP, HOG Tuy nhiên, các công trình nghiên cứu gần đây [4, 6, 10, 12, 15,

16, 22, 23, 24] cho thấy việc áp dụng DL vào bài toán dự đoán thuộc tính rất thành công

và cho kết quả vượt trội Trong phần này, tác giả sẽ phân tích một công trình nghiên cứu khá mới trong bài toán nhận dạng thuộc tính khuôn mặt

Framework của hệ thống gồm 2 mạng CNN: LNet và ANet (xem hình 2.1) [4] 2 mạng CNN này có mục đích khác nhau và do đó, được train khác nhau Mạng LNet với mục đích định vị khuôn mặt trong ảnh (face localization), sẽ được train với tập dữ liệu gồm nhiều đối tượng (trong đó có khuôn mặt) là ImageNet Large Scale Visual Recognition Challenge (ILSVRC) với khoảng 1,200,000 ảnh Mạng ANet với mục đích dự đoán thuộc tính trên

Chương 2: Các công trình nghiên cứu liên quan

khuôn mặt (attribute prediction) sẽ được train với tập dữ liệu các thuộc tính khuôn mặt

người là CelebA với khoảng 160.000 ảnh

Từ 1 bức ảnh đầu vào, mạng LNet sẽ định vị vị trí của toàn bộ khuôn mặt người trong

ảnh (hình 2.1a, b) Mạng ANet sẽ có nhiệm vụ rút trích đặc trưng từ vùng khuôn mặt này

(hình 2.1c), sau đó đưa các đặc trưng qua bộ phân lớp SVM, dựa vào model đã được học

trong giai đoạn offline để dự đoán các thuộc tính khuôn mặt có trong ảnh (hình 2.1d)

Hình 2.1 DL Framework dùng trong việc nhận dạng thuộc tính khuôn mặt [4]

Hình 2.2 Mô hình DL Framework ở hình 2.1

Trong giai đoạn định vị khuôn mặt của hệ thống trên, mạng LNet gồm 2 mạng con:

LNeto và LNetS với cấu trúc mạng tương tự nhau gồm 5 layer tích chập (C1  C5) Ảnh

Hình ảnh

Bộ định vị khuôn mặt (CNN)

Trích xuất đặc trưng (CNN)

Bộ phân lớp

Chương 2: Các công trình nghiên cứu liên quan

đầu vào xo của LNeto có kích thước m x n pixel, sau khi qua mạng LNeto, đến layer C5 sẽ cho kết quả là vị trí vùng đầu và vai trong ảnh Vùng này sẽ được cắt ra và biến đổi kích thước thành 227 x 227 pixel, làm ảnh đầu vào xS của mạng LNetS Sau khi qua mạng LNetS, layer C5 của mạng này sẽ cho kết quả là vùng mặt người trong ảnh

Vùng mặt người từ LNetS sẽ được thay đổi kích thước và tiếp tục trở thành ảnh đầu vào

xf của mạng ANet Mạng ANet gồm 4 layer tích chập (C1  C4), với kết quả là các vector đặc trưng của khuôn mặt được lấy bằng cách trượt các filter trên ảnh xf, cùng với vị trí của các vector đặc trưng này Ảnh xf và các vector đặc trưng sẽ được đưa qua một bộ phân lớp SVM đã được xây dựng model sẵn, từ đó dự đoán các thuộc tính có trên khuôn mặt

1.2 Thử nghiệm

Tác giả của [4] thử nghiệm trên 2 tập dữ liệu CelebA và LFWA, với số lượng ảnh lần lượt là 202.599 và 13.233, và số lượng nhãn thuộc tính lần lượt là hơn 8.000.000 và hơn 500.000

Cấu trúc tập dữ liệu CelebA gồm 3 phần: 160.000 ảnh dùng để huấn luyện cho mạng LNet và ANet, 20.000 ảnh dùng để xây dựng bộ phân lớp SVM, và 20.000 ảnh còn lại dùng để thử nghiệm

Cấu trúc tập dữ liệu LFWA gồm 2 phần: 6.263 ảnh sẽ dùng để huấn luyện bộ phân lớp SVM, và 6.970 ảnh còn lại dùng để thử nghiệm Do tập dữ liệu LFWA không có dữ liệu huấn luyện cho LNet và ANet nên khi thử nghiệm với tập dữ liệu LFWA, tác giả huấn luyện LNet và ANet bằng tập dữ liệu CelebA

Bảng 2.1 so sánh độ chính xác giữa các phương pháp PANDA-w, PANDA-l [20] và mạng LNet + ANet khi chưa được huấn luyện (w/o) và đã được huấn luyện trên một số thuộc tính khuôn mặt Trong tất cả các thuộc tính, mạng LNet+ANet luôn cho độ chính xác cao nhất Về mặt thời gian, với 1 tấm ảnh kích thước 300 x 300 pixel, mạng LNet tốn 35ms

để định vị khuôn mặt và mạng ANet tốn 14ms để trích xuất đặc trưng (nếu có sử dụng GPU), trong khi đó phương pháp truyền thống tốn gần 80ms để trích xuất đặc trưng

Chương 2: Các công trình nghiên cứu liên quan

Bảng 2.1 Một số thử nghiệm trên tập dữ liệu CelebA và LFWA [4]

Chương 2: Các công trình nghiên cứu liên quan

Bảng 2.2 Một số thử nghiệm trên tập dữ liệu CelebA và LFWA [4] (tt)

Chương 2: Các công trình nghiên cứu liên quan

Bảng 2.3 Một số thử nghiệm trên tập dữ liệu CelebA và LFWA [4] (tt)

không Trong bài báo Deep or Shallow Facial Descriptors? A Case for Facial Attribute Classification and Face Retrieval [10], các tác giả đã so sánh hiệu suất và độ chính xác

giữa 2 phương pháp: Phương pháp truyền thống (tạm gọi là Shallow Descriptor) và phương pháp sử dụng Deep Learning (Deep Descriptor)

Với descriptor truyền thống, tác giả sử dụng 3 descriptor là D-SIFT, G-LBP và G-HOG

để so sánh với độ chính xác của 1 mạng Deep-CNN là VGG-Face chuyên dùng cho các bài toán nhận dạng khuôn mặt, trên tổng số là 8 thuộc tính, gồm có: Male, Female, Asian, White, Black, Young, Senior và Eyeglass Tập dữ liệu tác giả sử dụng là CelebA, và được thử nghiệm lần lượt trên các tập con gồm 2000, 4000, 6000, 8000 và 10000 phần tử

Chương 2: Các công trình nghiên cứu liên quan

VGG-Face là 1 mạng CNN gồm 37 lớp, được huấn luyện sẵn bởi 2.6 triệu bức ảnh của 2,633 khuôn mặt Ở bước trích xuất đặc trưng, với mỗi ảnh, tác giả cắt 4 hình có kích thước

224 x 224 và xây dựng 1 vector đặc trưng từ 4 hình này Các vector đặc trưng sẽ được đưa qua VGG-Face và sau khi qua lớp fully-connected cuối cùng, 1 vector 4,096 chiều sẽ được tạo ra và đó chính là đặc trưng của khuôn mặt cần trích xuất

Với mỗi thuộc tính trong số 8 thuộc tính kể trên, tác giả sử dụng 1 bộ phân lớp SVM được huấn luyện và thử nghiệm trên thuộc tính đó Bộ dữ liệu huấn luyện được trích từ tập

dữ liệu LFW, bao gồm các ảnh đúng và các ảnh sai, theo số lượng trong bảng sau:

Bảng 2.4 Số ảnh huấn luyện từ tập dữ liệu LFW [10]

Tên classifier

(Tên thuộc tính) Ảnh đúng Ảnh sai Số lượng ảnh đúng và sai

Vector đặc trưng 4,096 chiều đã được trích xuất ở trên sẽ được đưa vào 8 bộ phân lớp SVM này, cho ra kết quả là điểm số của từng thuộc tính, từ đó, ta có thể kết luật được ảnh input bao gồm những thuộc tính nào Trong ví dụ ở hình 2.3, ảnh người phụ nữ ban đầu sẽ

có các thuộc tính sau: Female, Non-Asian, White, Young, No Eyeglass:

Chương 2: Các công trình nghiên cứu liên quan

Hình 2.3 Mô phỏng việc sử dụng 8 bộ phân lớp SVM để dự đoán thuộc tính [10]

2.2 Thử nghiệm

Tập dữ liệu thử nghiệm là CelebA Hình 2.4 cho thấy độ chính xác của 4 descriptor (3 descriptor truyền thống là G-HOG, G-SIFT, G-LBP và 1 descriptor là mạng Deep CNN) trên 8 thuộc tính đã nêu Trong tất cả 8 thuộc tính, mạng CNN luôn cho độ chính xác cao nhất, và xấp xỉ ở mức 90% - 95%

Chương 2: Các công trình nghiên cứu liên quan

Hình 2.4 So sánh độ chính xác của CNN so với 3 descriptor truyền thống [10]

Hình 2.5 cho thấy độ chính xác trung bình của CNN so với 3 bộ phân lớp truyền thống Với bài toán phân lớp thuộc tính khuôn mặt với 8 thuộc tính thì CNN cho độ chính xác đến 91.05%, trong khi G-LBP, G-HOG và G-SIFT có độ chính xác lần lượt là 87.28%, 83.97%, 86.30% Từ đó cho thấy Deep Learning là hướng đi phù hợp để giải quyết bài toán FAD hiện tại

Hình 2.5 Độ chính xác trung bình của CNN so với các bộ phân lớp truyền thống

3 Bảng thống kê các công trình nghiên cứu liên quan

Dưới đây là bảng thống kê tổng quát các công trình nghiên cứu có liên quan trong lĩnh vực nhận dạng, dự đoán, phân lớp thuộc tính khuôn mặt bằng Deep Learning:

Bảng 2.5 So sánh các công trình nghiên cứu liên quan Tên tác giả Tên công trình Hướng tiếp cận Tập dữ liệu Kết quả

Ziwei Liu, Ping

Luo, Xiaogang

Wang, Xiaoou

Tang

Deep Learning Face Attributes in the Wild [4]

(2015)

Xây dựng 1 hệ thống gồm 2 mạng LNet và 1 mạng ANet

Mạng LNet dùng để định vị khuôn mặt trong ảnh và mạng ANet dùng để định vị các thuộc tính có trong khuôn mặt đó

CelebA, LFWA

Khi so sánh với các phương pháp như FaceTracer, PANDA-w, PANDA-l, hệ thống của tác giả luôn cho kết quả tốt hơn

(2016)

Xây dựng 1 hệ thống gồm 3 module nhỏ:

- Face detection

- Feature extraction sử dụng CNN

- Attribute classifiers Trọng tâm của bài báo là tìm ra cách biểu diễn đặc trưng phù hợp nhất để tăng tốc độ dự đoán thuộc tính khuôn mặt

CelebA, LFWA

Khi thử nghiệm trên 2 tập dữ liệu CelebA và LFWA, cách tiếp cận này cho độ chính xác là 86.6% và 84.7%, còn mạng LNet+ANet đang cho kết quả tốt nhất hiện tại

là 87% và 84% Với phương pháp truyền thống, độ chính xác chỉ là 83% và 76%

Rasoul

Banaeeyan,

Deep or Shallow Facial Descriptors

Bài báo so sánh hiệu suất của 2 phương pháp xây dựng bộ nhận

CelebA, LFWA

So sánh độ chính xác giữa 4 descriptor gồm 3 descriptor truyền

Chương 2: Các công trình nghiên cứu liên quan

Tên tác giả Tên công trình Hướng tiếp cận Tập dữ liệu Kết quả

dạng khuôn mặt (facial descriptor) là phương pháp trích xuất đặc trưng truyền thống và phương pháp deep learning, trên

- Bài toán truy vấn ảnh khuôn mặt: 15.26%, 20.20%, 19.18%, 45.1%

Representation from Predicting 10,000 Classes [12] (2014)

Mạng CNN của công trình này chứa 4 layer tích chập với cơ chế max-pooling dùng để trích xuất đặc trưng Sau đó là 1 layer DeepID và 1 layer softmax output

Ảnh đầu vào là 39 x 31 x k hoặc

31 x 31 x k (k = 3 với ảnh màu

và k = 1 với ảnh mức xám), sau

Train:

CelebFaces Test: LFW

Tác giả mở rộng tập dữ liệu CelebFaces thành CelebFaces+ với số lượng ảnh tăng gấp 2.5 lần

để đủ 10,000 lớp

Độ chính xác của phương pháp này đạt 96.05% - 97.45%