Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Design and comparison of machine learning and computer vision methods in face recognition

Bantourakis Stylianos

Πλήρης Εγγραφή


URI: http://purl.tuc.gr/dl/dias/DE78E45C-9A72-4A65-B3B1-E94EC7241690
Έτος 2017
Τύπος Διπλωματική Εργασία
Άδεια Χρήσης
Λεπτομέρειες
Βιβλιογραφική Αναφορά Stylianos Bantourakis, "Design and comparison of machine learning and computer vision methods in face recognition", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2017 https://doi.org/10.26233/heallink.tuc.69053
Εμφανίζεται στις Συλλογές

Περίληψη

Τα τελευταία χρόνια, τα συστήματα αναγνώρισης προσώπου έχουν γίνει πιο δημοφιλή στο ευρύ κοινό λόγω της χρήσης τους σε smartphones και μέσα κοινωνικής δικτύωσης. Την ίδια στιγμή, ο τομέας της αναγνώρισης εικόνας ανθεί ακόμα περισσότερο λόγω της επαναφοράς των νευρωνικών δικτύων στο προσκήνιο, με τη μορφή των «βαθιών» νευρωνικών δικτύων (deep neural networks – deep learning). Έτσι, είναι επιτακτική η ανάγκη για τη μελέτη και κατανόηση των συνεπειών τους σε υποτομείς της αναγνώρισης εικόνας, όπως είναι η αναγνώριση προσώπου. Σε αυτή την εργασία, εξετάζουμε και τις κλασικές μεθόδους αλλά και το state-of-the-art, τo deep learning, για να αποκτήσουμε πλήρη και σφαιρική εικόνα της περιοχής. Πιο συγκεκριμένα, οι μέθοδοι Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA) και Independent Component Analysis (ICA) εξετάστηκαν χρησιμοποιώντας όμως ως ένα επιπλέον στάδιο προ-επεξεργασίας τον Discrete Wavelet Transform (DWT). Αυτός ο προτεινόμενος συνδυασμός της αποσύνθεσης μέσω κυματιδίων για την εξαγωγή χαρακτηριστικών και της στατιστικής οργάνωσης για τη μείωση των χαρακτηριστικών αποδεικνύεται ως μια αποδοτική οδός στην αναγνώριση προσώπου. Ο DWT έχει ήδη ισχυρή παρουσία στον τομέα της ψηφιακής επεξεργασίας εικόνας, καθώς πάνω του βασίζεται το πρότυπο συμπίεσης JPEG, αλλά παράλληλα και στον τομέα της ασφάλειας μέσω των εφαρμογών της στεγανογραφίας. Όσον αφορά το deep learning, εξετάσαμε τη σύγχρονη προσέγγιση του transfer learning, δηλαδή της επαναχρησιμοποίησης ήδη εκπαιδευμένων σε πολύ μεγάλα datasets deep neural networks. Χρησιμοποιήσαμε ένα δίκτυο που έχει επιτύχει υψηλές αποδόσεις και εκπαιδευτεί σε ένα dataset διαφορετικό από το δικό μας και πήραμε υψηλά ποσοστά επιτυχίας, επιβεβαιώνοντας ότι τα deep neural networks είναι το μέλλον του τομέα. Επιπρόσθετα, προσπαθήσαμε μια εννοιολογική συσχέτιση μεταξύ των δύο μεθοδολογιών που εξετάσαμε, την κλασική μεθοδολογία βασισμένη πάνω σε σαφείς στατιστικές έννοιες και το deep learning όπου τα δομικά στοιχεία ενός δικτύου χρησιμοποιούνται ως «μαύρα κουτιά». Μέσω της μελέτης μας, μπορούμε να παρέχουμε στέρεες συσχετίσεις που επιτρέπουν την αιτιολόγηση της χρήσης των δομικών αυτών στοιχείων.

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά