'

Тарасюк Александр Евгеньевич

Понравилась презентация – покажи это...





Слайд 0

ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Тарасюк Александр Евгеньевич БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ


Слайд 1

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


Слайд 2

ПОСТАНОВКА ЗАДАЧИ 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


Слайд 3

СХЕМА Свёрточной СЕТи


Слайд 4

Базовый алгоритм 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)


Слайд 5

ВИЗУАЛИЗАЦИЯ РАБОТЫ алгоритма


Слайд 6

Модификация АЛГОРИТМА


Слайд 7

Модификация АЛГОРИТМА


Слайд 8

Программная Реализация 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);


Слайд 9

Результаты экспериментов Базы – ORL и FERET Обучающая и тестовая выборки не пересекаются Конфигурации нейронных сетей: 2 свёрточных слоя (10 и 30 нейронов) 2 свёрточных слоя (20 и 20 нейронов) 3 свёрточных слоя (10, 20 и 20 нейронов) 3 свёрточных слоя (5, 10 и 10 нейронов)


Слайд 10

Результаты экспериментов База ORL База FERET


Слайд 11

ПРИМЕРЫ Устойчивость к местоположению Устойчивость к уровню освещённости Пример ошибочного распознавания


Слайд 12

ЗАКЛЮЧЕНИЕ 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


Слайд 13

Спасибо за внимание.


×

HTML:





Ссылка: