TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNg SIAMESE NETWORK

TÌM HIỂU PHƯƠNG PHÁP XÁC MINH GƯƠNG MẶT BẰNG SIAMESE NETWORK

Nguyễn Minh Hải 17119073

1


NỘI DUNG

1

Mục tiêu của đề tài

2

Các thử thách

3

Phương pháp đã chọn

4

Đánh giá kết quả

5

Kết luận

2

1

Mục tiêu của đề tài

1. Mục tiêu

Xây dựng được hệ thống nhận diện được gương mặt
Không phụ thuộc và dữ liệu tương lai

3


1

Mục tiêu của đề tài

1. Yêu cầu

Đảm bảo vấn đề Realtime

Độ chính xác phải chấp nhận được

4


1

Mục tiêu của đề tài

1. Yêu cầu

Hệ thống không phụ thuộc vào dữ liệu trong tương lai

5


1

Mục tiêu của đề tài

1. Yêu cầu

Hệ thống có thể thông báo cho người dùng biết để bỏ các vật dụng như kinh, mũ,…

6


2

Các thử thách của Project

1. Nhận diện được một người mà model chưa nhìn thấy bao giờ

2. Khi hình ảnh có các vật dụng như kinh,mũ sẽ làm cho hệ thống dự đoán thiếu độ chinh xác

7


3

Phương pháp đã chọn

8


3

Phương pháp đã chọn

1. Xây dựng tập dữ liệu

Input 1

Input 2

Người A

Người B

0

Người A

Người A

1

Người B

1

Người B

0

Người B
Người C

….

….

OUTPUT

….

9


3

Phương pháp xây dựng đề tài

2. Xây dựng Mạng

CNN

Tự xây dựng mạng CNN

Transfer Learning

VGG,MobileNet,RestNet,InceptionNet

10


3

Phương pháp đã chọn

2. Xây dựng Mạng

11


3

Phương pháp đã chọn

2. Xây dựng Mạng

12


4

Phương pháp đã chọn

3. Loss Function

Trong đó: - d là khoảng cách giữa các vector nhúng
- Y là label của model input( ta giả sử 1 là giống nhau, 0 là không giống nhau
- m là siêu tham số margin.

13


3

Phương pháp đã chọn

3. Loss Function

14


3

Phương pháp đã chọn

4. Giải quyết vấn đề thông báo bỏ kinh hoặc mũ
0

CNN

Hidden layer

Sigma
1

Embedding vector

15


4

Đánh giá kết quả

4.1. Dateset

16


4

Đánh giá kết quả

4.1. Dateset

Input 1

Input 2

Người A

Người B

0

Người A

Người A

1

Người B

1

Người B

0

Người B
Người C

….

….

OUTPUT

….

17


4

Đánh giá kết quả
4.1. Dateset

80

20
DATA

20

Train

Test

Val

18


4

Đánh giá kết quả
4.1. Dateset

20 person
Train

40 person

10 person

10 person

Test

Val

19


4

Đánh giá kết quả
4.2. Đánh giá

20


4

Đánh giá kết quả

4.2.

Đánh giá trên tập val để tìm ngưỡng

D < 0.1

D < 0.2

21


4

Đánh giá kết quả

4.2.

Đánh giá trên tập val để tìm ngưỡng

D < 0.3

D < 0.4

22


4

Đánh giá kết quả

4.2.

Đánh giá trên tập val để tìm ngưỡng

D < 0.5

23

4

Đánh giá kết quả

4.2.

Thực thi trên tập Test

24


4

Đánh giá kết quả

4.3.

Train model để nhận diện vật thể trên mặt

Epoch=100,lr =0.001,BS=32.,sử dụng ImagedataGeneration
để tăng cường dữ liệu.

25