حداقل اتلاف حاشيه‌اي براي تشخيص چهره عميق

كارشناسي ارشد

تشخيص چهره به موفقيت بسيار عظيمي دست‌يافته است كه دليل اصلي آن توسعه سريع شبكه‌هاي عصبي عميق در چند سال اخير است. رويكردهاي متفاوتي براي استفاده از توابع اتلاف در يك شبكه عصبي عميق وجود دارد كه منجر به عملكرد متفاوت هر يك از آن‌ها مي‌شود. اخيراً از رويكردهاي جديدي در استفاده از توابع اتلاف ارائه شده است بااين‌حال، آن‌ها همچنان قابليت بهبود و ارتقا دارند. در اين پژوهش سعي بر آن است از يك راه‌حل مناسب براي تمايل حاشيه‌اي با استفاده از يك حاشيه حداقلي براي تمامي دسته‌ها ارائه شود و پژوهش‌هاي انجام شده در اين زمينه بهبود يابد. تابع اتلاف جديدي به نام حداقل اتلاف حاشيه‌اي (MML) در نظر گرفته شده است كه هدف آن گسترش محدوده‌اي است كه به ويژگي‌هاي مركزي و اصلي دسته بيش از حد نزديك مي‌شود تا قابليت متمايزكردن ويژگي‌هاي عميق را ارتقاء دهد. تابع MML همراه با توابع Arcface Loss و Centre Loss بر فرايند آموزش نظارت مي‌كند تا حاشيه‌هاي تمامي دسته‌ها را صرف‌نظر از توزيع دسته آن‌ها مورد نظارت قرار دهد. در اين پژوهش سعي بر آن است تا تابع MML در شبكه عصبي Inception_Resnet_v2 پياده‌سازي شود و آزمايش‌هاي گسترده‌اي بر روي شش مجموعه داده تشخيص چهره انجام داده شود. نتايج نشان مي‌دهد كه تابع اتلاف پيشنهادي توانسته است دقت بيشتري نسبت به ساير توابع اتلاف بر روي هر يك از مجموعه داده‌هاي مذكور داشته باشد. آخرين دقت بدست آمده در مجموعه داده LFW مقدار 99.65 درصد بوده است كه در مقايسه با ساير روش ها، عملكرد بسيار قابل قبولي است.

195787

دانشگاه علم و صنعت ايران

دكتر احمد ايت الهي

برق گرايش الكترونيك ديجيتال

دكتر احمد ايت الهي