Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Face Recognition
Содержание
- 1. Face Recognition
- 2. ПроектыDeep art – приложения для стилизации фотографий.Pass
- 3. ЦельВ нашем офисе - 4 этажа.На каждом
- 4. Желаемый результатПостановка задачи
- 5. Требования к моделиОбработка запроса должна происходить в реальном времени.Параллельная обработка запросов с 8 камер.Постановка задачи
- 6. Face detection modelPipelineFace detection
- 7. Модели детекции лицViola-JonesПредложен Паулом Виола и Майклом
- 8. Viola JonesИспользуются признаки Хаара, с помощью которых
- 9. Представление изображенийGrayscaleRGB750938Face detection – Viola Jones
- 10. Viola Jones: trainingFace detection – Viola Jones
- 11. Скользящее окноFace detection – Viola Jones
- 12. Признаки ХаараFace detection – Viola Jones
- 13. Интегральное представлениеДля детекции нужен расчет тысяч признаков
- 14. Реализация OpenCVhttps://github.com/opencv/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xmlFace detection – Viola Jones
- 15. Сверточный слойFace detection – Viola Jones
- 16. MTCNN архитектураhttps://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdfFace detection – MTCNN
- 17. Scale pyramidДелаем копии входного изображения с различным
- 18. Proposal NetworkИспользуем P-Net, чтобы получить окна кандидатов
- 19. Refine NetworkВырезаем из изображения кандидатов по границе
- 20. Output NetworkВырезаем из изображения кандидатов по границе
- 21. MTCNN frameworkhttps://github.com/ipazc/mtcnnFace detection – MTCNN
- 22. Viola-JonesFace detection
- 23. MTCNNFace detection
- 24. Resnet50 backbone with FPNFace detection – RetinaFace
- 25. Feature maps pyramidFace detection – RetinaFace
- 26. Single Stage Headless1 x 11 x 11 x 13x33x3upupOutput 1Output 2Output 3Face detection – RetinaFace
- 27. ПостобработкаДекодируем полученные prior boxes в границы лица.Отбираем
- 28. RetinaFace - реализацияhttps://github.com/ternaus/retinaface/tree/master/retinafaceFace detection – RetinaFace
- 29. Viola JonesFace detection
- 30. MTCNNFace detection
- 31. RetinaFaceFace detection
- 32. PipelineFace embeddingFace embedding model
- 33. LBPHВычисляем локальный бинарный шаблон.Вычислиям гистограмму, основанную на
- 34. Локальный бинарный шаблонFace embedding - LBPH
- 35. Постороение гистограммыFace embedding - LBPH
- 36. ПредсказаниеСчитаем гистограмму входного изображения.Считаем расстояние до гистограмм
- 37. Нейросетевые подходыИзвлекаем признаки с помощью сети.Разворачиваем признаки
- 38. Softmax classifierFace embedding – Neural nethttps://arxiv.org/pdf/1503.03832.pdf
- 39. Triplet loss=https://github.com/davidsandberg/facenetFace embedding – Neural net
- 40. Siamese networkFace embedding – Neural nethttps://towardsdatascience.com/one-shot-learning-face-recognition-using-siamese-neural-network-a13dcf739e
- 41. Arcface lossFace embedding – Neural nethttps://arxiv.org/pdf/1801.07698.pdf
- 42. Arcface losshttps://github.com/deepinsight/insightfaceFace embedding – Neural net
- 43. PipelineModel result
- 44. Полученный результатРезультат
- 45. Вопросы?http://vk.com/imdxdanton.nesterenko.akvelonhttps://t.me/imdxddanton.nesterenko@outlook.com
- 46. Скачать презентанцию
ПроектыDeep art – приложения для стилизации фотографий.Pass Face – система распознования лиц.Company Searcher – приложение для обработки текста и поиска.App – приложение для классификации юридических документов.
Слайды и текст этой презентации
Слайд 2Проекты
Deep art – приложения для стилизации фотографий.
Pass Face – система
распознования лиц.
– приложение для классификации юридических документов.
Слайд 3Цель
В нашем офисе - 4 этажа.
На каждом этаже установлена дверь
с считывателем карт допуска.
Задача – обеспечить свободное движение людей по
офису без карт пропуска.Постановка задачи
Слайд 5Требования к модели
Обработка запроса должна происходить в реальном времени.
Параллельная обработка
запросов с 8 камер.
Постановка задачи
Слайд 7Модели детекции лиц
Viola-Jones
Предложен Паулом Виола и Майклом Джонсом в 2001
году.
Быстрая скорость нахождения лиц около 25 FPS для изображений (224,
224).0.412 средней точности на WiderFace.
MTCNN
Разработан Kaipeng Zhang в 2016 году.
Скорость существенно ниже, чем у алгоритма Виола-Джонса около 8 FPS.
0.851 средней точности на WiderFace.
RetinaFace
Разработа в 2019 году группой Deep Insight.
Имеет сравнительно низкую скорость работы около 2.6 FPS.
0.963 средней точности на WiderFace.
Face detection
Слайд 8Viola Jones
Используются признаки Хаара, с помощью которых происходит поиск лиц;
Для
ускорения вычисления используются изображения в интегральном представлении;
Используется AdaBoost для отбора
признаков и классификации;Используются каскады признаков для быстрого отбрасывания окон, где не найдено лицо;
https://docs.opencv.org/3.4/db/d28/tutorial_cascade_classifier.html
Face detection – Viola Jones
Слайд 13Интегральное представление
Для детекции нужен расчет тысяч признаков Хаара.
Признак Хаара считается
за линейное время от площади.
Интегральное представление позволяет посчитать признак Хаара
за константное время.Face detection – Viola Jones
Слайд 14Реализация OpenCV
https://github.com/opencv/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml
Face detection – Viola Jones
Слайд 16MTCNN архитектура
https://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdf
Face detection – MTCNN
Слайд 17Scale pyramid
Делаем копии входного изображения с различным масштабом
Передаем полученные копии
как вход в первую нейронную сеть
Face detection – MTCNN
Слайд 18Proposal Network
Используем P-Net, чтобы получить окна кандидатов и координаты границ
лица в них.
Калибруем координаты границ лица.
Используем NMS, чтобы
удалить дубликаты с большим перекрытием.Face detection – MTCNN
Слайд 19Refine Network
Вырезаем из изображения кандидатов по границе полученной на предыдущем
шаге.
Меняем размер получившихся изображений на 24 x 24.
Передаем изображения в
R-Net.Калибруем новые координаты границ лица.
Используем NMS, чтобы удалить дубликаты с большим перекрытием.
Face detection – MTCNN
Слайд 20Output Network
Вырезаем из изображения кандидатов по границе полученной на предыдущем
шаге.
Меняем размер получившихся изображений на 48 x 48.
Передаем изображения в
O-Net.Калибруем новые координаты границ лица.
Используем NMS, чтобы удалить дубликаты с большим перекрытием.
Face detection – MTCNN
Слайд 26Single Stage Headless
1 x 1
1 x 1
1 x 1
3x3
3x3
up
up
Output 1
Output
2
Output 3
Face detection – RetinaFace
Слайд 27Постобработка
Декодируем полученные prior boxes в границы лица.
Отбираем только тех кандидатов,
где вероятность лица выше чем N%.
Применяем NMS для удаления дублей.
Face
detection – RetinaFace
Слайд 28RetinaFace - реализация
https://github.com/ternaus/retinaface/tree/master/retinaface
Face detection – RetinaFace
Слайд 33LBPH
Вычисляем локальный бинарный шаблон.
Вычислиям гистограмму, основанную на данном шаблоне.
Сравниваем гистограммы
изображений, чтобы найти похожие.
Face embedding - LBPH
https://towardsdatascience.com/face-recognition-how-lbph-works-90ec258c3d6b
Слайд 36Предсказание
Считаем гистограмму входного изображения.
Считаем расстояние до гистограмм в нашей базе.
Если
наименьшее расстояние меньше заданного ограничения, берем его класс .
Face embedding
- LBPH
Слайд 37Нейросетевые подходы
Извлекаем признаки с помощью сети.
Разворачиваем признаки в вектор.
Сравниваем вектора
признаков по
косиносному расстоянию.
Face embedding – Neural net
Слайд 40Siamese network
Face embedding – Neural net
https://towardsdatascience.com/one-shot-learning-face-recognition-using-siamese-neural-network-a13dcf739e
Слайд 45Вопросы?
http://vk.com/imdxd
anton.nesterenko.akvelon
https://t.me/imdxdd
anton.nesterenko@outlook.com
