2.5 Kết quả các thuật toán sử dụng mạng nơron nhân tạo
2.5.1 Mơ hình DeepID2 (NIPS 2014)
Cách thức hoạt động của mơ hình DeepID 2:
Trong q trình huấn luyện, 200 phần khn mặt được cắt với các vị trí, tỉ lệ và kênh màu sắc khác nhau. Mỗi phần khuôn mặt và phần đối xứng được đưa vào ConvNet. Hai vector 160 chiều được trích xuất từ phần khuôn mặt và phần đối xứng. Chọn 25 phần khuôn mặt tốt nhất.
Hình 2.10: Kiến trúc mạng của mơ hình DeepID 2
Một ví dụ về 25 phần khn mặt tốt nhất:
Hình 2.11: 25 phần khn mặt tốt nhất được chọn để trích xuất đặc điểm
Kết quả của mơ hình thể hiện trong bảng.
Bảng 2.1: Thống kê xác minh độ chính xác của khn mặt bằng DeepID2 khi tăng dần số lượng của các phần khn mặt
Qua bảng 2.1, ta có thể thấy, khi sử dụng 25 phần khn mặt để trích xuất đặc điểm, độ chính xác của phương pháp rất cao, xấp xỉ tới 99%. Tuy nhiên, khi nhận diện với 25 phần khn mặt, máy tính cần mất 0.035 giây để tính tốn. Mặt khác, với việc chỉ sử dụng một phần khuôn mặt để trích xuất đặc trưng, thời gian xử lý rất nhanh, chỉ 0,0017 giây, tuy nhiên độ chính xác chỉ cịn 95,43%. Dựa trên bảng thống kê này, các nhà phát triển có thể căn chỉnh số phần khn mặt để tối ưu cho bài tốn thực tế. Ví dụ như, nếu cần một hệ thống phản hồi nhanh mà khơng q ưu tiên độ chính xác, có thể chỉ sử dụng một phần khn mặt để trích xuất đặc trưng, ngược lại, ta có thể tăng số phần khn mặt nhằm tăng độ chính xác.
Bảng 2.2: So sánh độ chính xác của mơ hình DeepID2 với các kết quả mơ hình trước đó trên bộ thư viện LFW
Qua bảng so sánh trên, ta có thể thấy mơ hình DeepID2 khi sử dụng trên bộ thư viện LFW có độ chính xác rất cao, lên tới hơn 99%. Với độ chính xác cao như vậy, DeepID2 có thể đưa ra làm sản phẩm và thương mại hóa.