Trong bài viết này, nhóm tác giả tập trung vào việc thiết kế một mô hình mạng nơ ron nhân chập và kết hợp với việc áp dụng các kỹ thuật tăng cường dữ liệu để đưa ra một hệ thống giải quyết bài toán.
i độ xác hệ thống, yếu tố quan trọng liệu Thông thường chưa đạt tới ngưỡng, hệ thống xác liệu học nhiều Tuy nhiên tốn nhận dạng hình ảnh, số liệu ảnh cho hệ thống học thường (ví dụ sở liệu LFW [11] có 13.233 ảnh) cần kỹ thuật tăng cường số lượng ảnh để tránh tượng khớp (overfitting) cải thiện hiệu mạng Trong báo sử dụng kỹ thuật xử lý ảnh (Hình 3) để sinh ảnh từ ảnh input tổng số ảnh huấn luyện 6*N với N số ảnh huấn luyện Các kỹ thuật cụ thể gồm có: cân histogram, xoay, dịch, cắt xén (shear), lấy đối xứng Hình Ảnh mặt người số kỹ thuật tăng cường liệu Kết thực nghiệm phân tích Cơ sở liệu LFW Để đánh giá độ xác mơ hình đề xuất chúng tơi sử dụng sơ sở liệu ảnh công cộng LFW theo giao thức chuẩn đề xuất Dago cộng [12] Tập ảnh LFW gồm 13.233 ảnh chia thành tập với số lượng ảnh xấp xỉ (xem chi tiết [12]) để thực lần thử nghiệm, lần thử nghiệm tập dùng làm tập huấn luyện cho mô hình, tập lại dùng làm tập test kết lấy trung bình cộng lần chạy Kết thực nghiệm Bảng Kết thực nghiệm sở liệu LFW so sánh với số cơng bố khác Độ xác (%) Số ảnh sử dụng để thử nghiệm [8] 95,6 13.233 [3] 95,6 13.233 Phương pháp đề xuất - tăng cường liệu 95,7 13.233 [13] 96,9 13.233 [14] 97,3 13.233 Phương pháp đề xuất - có tăng cường liệu 97,5 13.233 Phương pháp Kết thực nghiệm hệ thống đề xuất trình bày Bảng sau 100 epoch cho lần huấn luyện Dựa vào Bảng thấy rõ việc sử dụng kết hợp kỹ thuật tăng cường liệu cho kết tốt hẳn (độ xác tăng từ 95,7% lên 97,5%), điều kỹ thuật tăng cường liệu mặt tăng số lượng ảnh huấn luyện, mặt khác tăng độ da dạng ảnh 74 Tạp chí Khoa học Cơng nghệ Hàng hải Số 60 - 11/2019 CHÀO MỪNG KỶ NIỆM NGÀY NHÀ GIÁO VIỆT NAM 20/11 huấn luyện nên mạng mạnh cho kết cao Kết luận quan trọng thứ kết hệ thống đề xuất cao số phương pháp công bố gần Điều chứng tỏ mơ hình mạng nơ ron nhân chập chúng tơi đề xuất hiệu cho tốn nhận dạng giới tình từ ảnh mặt người Kết luận Trong báo này, nhóm tác giả nghiên cứu đề xuất mơ hình mạng nơ ron học sâu sử dụng lọc nhân chập áp dụng cho tốn nhận dạng giới tính từ ảnh mặt người Các kỹ thuật xử lý ảnh khác áp dụng cho việc tăng cường liệu huấn luyện cho mơ hình Hệ thống đề xuất thử nghiệm với sở liệu ảnh mặt người công cộng LFW theo giao thức chuẩn Việc so sánh với cách tiếp cận khác cho thấy hệ thống đề xuất hiệu kỹ thuật tăng cường liệu đóng vai trò quan trọng việc tăng cường sức mạnh cho mạng nơ ron nhân chập Trong tương lai tác giả mong muốn thử nghiệm hệ thống đề xuất cho tốn khác có liên quan tới nhận dạng mặt nhận dạng cảm xúc, độ tuổi Một hướng khác mà nhóm tác giả quan tâm sử dụng thêm kỹ thuật tăng cường liệu để nâng cao độ xác hệ thống TÀI LIỆU THAM KHẢO [1] X Liu, B V K V Kumar, Y Ge, C Yang, J You, and P Jia, “Normalized face image generation with perceptron generative adversarial networks,” in 2018 IEEE 4th International Conference on Identity, Security, and Behavior Analysis (ISBA), pp 1-8, 2018 [2] A R Ardakany and A M Jula, “Gender Recognition Based On Edge Histogram,” Int J Comput Theory Eng., vol 4, no 2, pp 127-130, 2012 [3] A M Mirza, M Hussain, H Almuzaini, G Muhammad, H Aboalsamh, and G Bebis, “Gender Recognition Using Fusion of Local and Global Facial Features,” in Advances in Visual Computing, Springer, pp 493-502, 2013 [4] H Moeini, K Faez, and A Moeini, “Real-world gender classification via local Gabor binary pattern and three-dimensional face reconstruction by generic elastic model,” IET Image Process., vol 9, no 8, pp 690-698, Aug 2015 [5] G Levi and T Hassner, “Age and gender classification using convolutional neural networks,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, pp 34-42, 2015 [6] E Eidinger, R Enbar, and T Hassner, “Age and Gender Estimation of Unfiltered Faces,” IEEE Trans Inf Forensics Secur., vol 9, no 12, pp 2170-2179, Dec 2014 [7] K Zhang, L Tan, Z Li, and Y Qiao, “Gender and Smile Classification Using Deep Convolutional Neural Networks,” pp 739-743, 2016 [8] Z Liao, S Petridis, and M Pantic, “Local Deep Neural Networks for Age and Gender Classification,” ArXiv Prepr ArXiv170308497, 2017 [9] Y LeCun, L Bottou, Y Bengio, and P Haffner, “Gradient-based learning applied to document recognition,” Proc IEEE, vol 86, no 11, pp 2278-2324, 1998 [10] N Srivastava, G Hinton, A Krizhevsky, I Sutskever, and R Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting,” J Mach Learn Res., vol 15, pp 1929-1958, 2014 [11] G B Huang, M Mattar, T Berg, E Learned-Miller, and others, “Labeled Faces in the Wild: A Database forStudying Face Recognition in Unconstrained Environments,” 2008 [12] P Dago-Casas, D González-Jiménez, L L Yu, and J L Alba-Castro, “Single-and crossdatabase benchmarks for gender classification under unconstrained settings,” in Computer vision workshops (ICCV Workshops), 2011 IEEE international conference on, pp 2152-2159, 2011 [13] S Jia and N Cristianini, “Learning to classify gender from four million images,” Pattern Recognit Lett., vol 58, pp 35-41, Jun 2015 [14] J Mansanet, A Albiol, and R Paredes, “Local Deep Neural Networks for gender recognition,” Pattern Recognit Lett., vol 70, pp 80-86, Jan 2016 Ngày nhận bài: 24/4/2019 Ngày nhận sửa: 09/5/2019 Ngày duyệt đăng: 13/5/2019 Tạp chí Khoa học Cơng nghệ Hàng hải Số 60 - 11/2019 75 ... mặt người Kết luận Trong báo này, nhóm tác giả nghiên cứu đề xuất mơ hình mạng nơ ron học sâu sử dụng lọc nhân chập áp dụng cho toán nhận dạng giới tính từ ảnh mặt người Các kỹ thuật xử lý ảnh. .. mạng mạnh cho kết cao Kết luận quan trọng thứ kết hệ thống đề xuất cao số phương pháp công bố gần Điều chứng tỏ mơ hình mạng nơ ron nhân chập đề xuất hiệu cho tốn nhận dạng giới tình từ ảnh mặt. .. trọng việc tăng cường sức mạnh cho mạng nơ ron nhân chập Trong tương lai tác giả mong muốn thử nghiệm hệ thống đề xuất cho tốn khác có liên quan tới nhận dạng mặt nhận dạng cảm xúc, độ tuổi Một hướng