ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Тарасюк Александр Евгеньевич СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ. - презентация

1 ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Тарасюк Александр Евгеньевич СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

2 Постановка задачи Выбор базового алгоритма Модификация алгоритма Программная реализация Результаты экспериментов Заключение

3 Задача распознавания человека по портретному изображению лица Количество классов до 100 Множественные изображения для каждого класса в обучающей выборке Требования к алгоритму устойчивость к местоположению лица, уровню освещённости и помехам приемлимое время обучения и работы

4

5 Описан в работе Lawrence S., Giles C. L., Tsoi A. C., Back A. D. Face Recognition: A Convolutional Neural Network Approach Обучение Предобработка (масштабирование) Прямое распространение по свёрточной сети Вычисление ошибки сети Обратное распространение и корректировка весов (шаг обучения зависит от эпохи) Распознавание Предобработка (масштабирование) Прямое распространение по свёрточной сети Принятие решения на основе выходного вектора Характеристики: Высокая точность Устойчивость к изменению местоположения лица Слабая устойчивость к уровню освещённости и шумам Большая вычислительная сложность (особенно процесс обучения)

6

7 Слабая устойчивость к уровню освещённости: Проявляется в первом свёрточном слое – нейроны реагируют на яркость Локальная нормализация входящих данных: Для каждого набора входных значений первого свёрточного слоя Слабая устойчивость к помехам на изображении: В результате масштабирования помехи на изначальном изображении смазывают детали портрета Вейвлетная предобработка изображения: Вейвлетное сжатие путём отбрасывания малозначительных коэффициентов преобразования

8 Большая вычислительная сложность алгоритма: Для обучения свёрточной сети требуется больше эпох, больше операций в каждой эпохе Выбор адаптивного шага обучения: Шаг обучения выбирается с целью минимизации среднеквадратичной ошибки Недостаточное влияние ключевых признаков: Множество слабовыраженных признаков влияют на процесс распознавания в ущерб некому ключевому признаку Введение упрощённых обратных связей: Между последним и первым свёрточными нейронными слоями Веса формируются на основе статистических зависимостей между наборами признаков

9 Три основных компонента: Компоненты представляют собой программные модули, написанные на языке программирования C# (платформа.NET). Особенности реализации алгоритма свёрточной сети: Гибкость при настройке (возможность задания параметров архитектуры сети: кол-во слоёв, их тип, кол-во нейронов и связей между слоями, размер входных данных) Возможность получения структурированной информации о внутреннем состоянии сети (весах нейронов и промежуточных значениях при вычислении); Программная реализация алгоритма Графический интерфейс для тестирования Графический интерфейс для прикладного использования

10 Базы – ORL и FERET Обучающая и тестовая выборки не пересекаются Конфигурации нейронных сетей: 1.2 свёрточных слоя (10 и 30 нейронов) 2.2 свёрточных слоя (20 и 20 нейронов) 3.3 свёрточных слоя (10, 20 и 20 нейронов) 4.3 свёрточных слоя (5, 10 и 10 нейронов)

11 Алгоритм1234 Базовый95%93,5%94%92,5% Предложенный96%94,5%97,5%97% База ORL База FERET Алгоритм1234 Базовый80%76,5%78,75%78,5% Предложенный86%84,25%88%87,25%

12 Устойчивость к местоположению Устойчивость к уровню освещённости Пример ошибочного распознавания

13 Рассмотрен подход на основе свёрточных нейронных сетей Предложена модификация базового алгоритма Лоренса- Гилса включающая вейвлетную предобработку, локальную нормализацию, введение обратных связей и адаптивного шага обучения. Эксперименты показали снижение уровня ошибок распознавания в 1,2 – 2,5 раз для баз изображений ORL и FERET

14 Спасибо за внимание.