(CNN)بهبود سیستم های تشخیص چهره با استفاده از شبکه عصبی کانولوشن   

(CNN)بهبود سیستم های تشخیص چهره با استفاده از شبکه عصبی کانولوشن


تشخیص چهره یک تکنیک برجسته برای تایید هویت بوده و به طور گسترده در بسیاری از حوزه‌ها همانند ارتش، مالی، امنیت عمومی و زندگی روزمره استفاده می¬شود. تغییرات افراد در حالت‌های موقعیت، نور، حالت (PIE ) یک چالش برای الگوریتم¬های تشخیص چهره است. بیشتر روش¬های موجود، تشخیص چهره را به عنوان یک مسئله تک وظیفه‌ای در نظر می‌گیرند، در حالی که تشخیص چهره اغلب به همراه سایر وظایف است. هدف یادگیری چندوظیفه‌ای ( MTL) این است که تا چندین وظیفه را به طور هم‌زمان برای افزایش عملکرد وظیفه اصلی یا تمام وظایف یاد بگیرد. علیرغم موفقیت MTL در مسائل بینایی مختلف، مطالعات MTL برای تشخیص چهره به‌عنوان یک فقدان محسوب می‌شود. در این پایان¬نامه، تشخیص چهره به‌عنوان یک مسئله چندوظیفه‌ای شناخته می‌شود که در آن طبقه‌بندی هویت، کار اصلی و ارزیابی PIE به‌عنوان وظایف جانبی است. هدف این است که از وظایف جانبی استفاده شود تا عملکرد وظیفه اصلی (یعنی تشخیص چهره) بهبود یابد. ابتدا، یک شبکه عصبی کانولوشن (CNN ) چندوظیفه‌ای برای تشخیص چهره پیشنهاد می‌شود که در آن طبقه‌بندی هویت وظیفه اصلی است و تخمین‌های PIE وظایف جانبی می باشد. سپس، یک طرح وزن دهی پویا برای اختصاص وزن‌های خودکار تلفات به هر وظیفه جانبی توسعه داده می‌شود که مسئله مهم تعادل بین وظایف مختلف در MTL را حل می‌کند. درنهایت، یک CNN چندوظیفه‌ای وضعیت جهت‌دار از طریق گروه‌بندی وضعیت‌های مختلف پیشنهاد می‌شود تا ویژگی‌های هویتی وضعیت خاص را به‌طور هم‌زمان در بین همه موقعیت‌ها در یک چارچوب متصل یاد بگیرد. آزمایش‌های گسترده بر روی مجموعه داده‌های شناسایی چهره اثربخشی رویکرد پیشنهادی را نشان می‌دهد. رویکرد ما با استفاده از مجموعه داده‌های LFW، CFP و IJB-A با برخی از روش‌های موجود مورد بررسی قرار گرفت.

فصل اول: مقدمه 1
1-1- مقدمه 2
1-2- بیان مسئله 2
1-3- ضرورت پژوهش 3
1-4- اهداف پژوهش 4
1-5- فرضیه‌های پژوهش 4
1-6- پرسش‌های پژوهش 5
1-7- کاربردهای سیستم¬های تشخیص چهره 5
1-8- مزایای استفاده از سیستم¬های تشخیص چهره 6
1-9- محدودیت¬های روش بیومتریک 6
1-10- ساختار پژوهش 8
فصل دوم: پیشینه تحقیق 9
2-1- مقدمه 10
2-2- شناسایی چهره 11
2-2-1- مؤلفه‌های شناسایی چهره 13
2-3- سیستم‌های شناسایی چهره سنتی 18
2-3-1- Eigenface 18
2-3-2- الگوهای دودویی محلی (LBP) 19
2-3-3- ویژگی‌های متراکم و نقاط موردعلاقه 21
2-4- تشخیص چهره مبتنی بر یادگیری عمیق 22
2-4-1- استخراج ویژگی‌های برجسته ظاهری 23
2-4-2- یادگیری فضای چندمنظر 24
2-4-3- ترکیب چهره مبتنی بر مدل‌های دوبعدی 26
2-4-4- مبتنی بر CNN 27
فصل سوم: روش پیشنهادی 29
3-1- مقدمه 30
3-2- یادگیری عمیق و شبکه‌های عصبی کانولوشن 31
3-3- یادگیری چندوظیفه‌ای 37
3-4- شناسایی چهره موقعیت پایدار (PIFR) 39
3-5- روش پیشنهادی 42
3-5-1- CNN چندوظیفه‌ای 43
3-5-2- طرح وزندهی پویا 46
3-5-3- CNN چندوظیفه‌ای موقعیت جهت‌دار 46
فصل چهارم: پیاده¬سازی و تحلیل یافته¬ها 49
4-1- مقدمه 50
4-2- مجموعه داده¬ها 50
4-3- نتایج آزمایش‌ها 52
4-2-1- نتایج بر روی مجموعه داده Multi-PIE 53
4-2-3- شناسایی چهره در مجموعه داده¬های دیگر 56
فصل پنجم: نتیجه‌گیری و پیشنهاد‌ها 58
5-1- نتیجه‌گیری 59
5-2- پیشنهادها 59
منابع و مآخذ 60

فیروزه لطفی ماشمیانی :نویسنده
دکتر سودابه پور ذاکر عربانی :استاد راهنما
دکتر سعید زاهدی :استاد مشاور
۱۳۹7/12/22 :تاریخ دفاع
۱۰۰ صفحه :تعداد صفحات
مهندسی کامپیوتر-نرم افزار :رشته
یادگیری چند وظیفه ای-شبکه عصبی کانولوشن-یادگیری چند وظیفه ای-شناسایی چهره-شبکه عصبی کانولوشن :کلمات کلیدی فارسی
Face Recognition-Convolutional Neural Networks -Multi Task Learning-Multi Task Learning-Convolutional Neural Networks :کلمات کلیدی انگلیسی
Place sticky footer content here.