Введение
Постановка задачи
Глава 1. Теоретическое обоснование
1.1 Нейронные сети
1.2 Свёрточные нейронные сети
1.3 Методы предварительной обработки изображений 9
1.4 Оценка точности сети
1.5 Полный цикл идентификации
Глава 2. Описание исследуемых сетей
2.1 VGG
2.2 GoogleNet
2.3 Inception v3
2.4 ResNet
Глава 3. Методика исследования
3.1 Описание набора данных и подготовка его к использованию 17
3.2 Обработка ответов сети
Глава 4. Результаты анализа сетей
4.1 Результаты
4.2 Вывод
Заключение
Список литературы
Сверточные нейронные сети были наиболее успешным подходом к проблеме классификации изображений за последнее десятилетие. В последнее время несколько предварительно обученных сетей были опубликованы и стали открытыми. Все эти сети прошли обучение по большому количеству изображений лиц, собранных с онлайн-ресурсов, таких как theInternetMovieDatabase и результаты поиска Google.
Применение сверточных сетей не ограничивается решением задачи классификации. Так же им нашли применение в задачах сегментации изображений, что косвенно является задачей классификации, и идентификации человека по изображению лица [1].
Задача идентификации человека по биометрическим данным актуальна в последние годы. Распознавание личности по изображению лица является одним из наиболее удобных способов идентификации, так как не требует близкого контакта человека с прибором и может проводиться без ведома объекта анализа, что бывает полезно для различных охранных структур. Так же существуют методы идентификации по отпечаткам пальцев, голосу, радужке глаза и анализам биоматериалов. Однако, они не обладают в полной мере указанными выше преимуществами [4][16].
Системы идентификации личности часто используются для проверки допуска человека к различным данным или объектам. Для систем, применяемых подобным образом важной характеристикой, является сведение к минимуму вероятности ложноположительных ответов, т.е. предоставление допуска лицам, немеющим такового.
В данной работе будут проанализированы предобученные свёрточные сети, находящиеся в открытом доступе.
Простановка задачи
Решаемая в данной работе задача заключается в проведении сравнения точности работы и количества ложноположительных ответов свёрточных сетей, находящихся в открытом доступе, применяемых в задаче идентификации человека по изображению лица, и выявлении сети, показавшей лучшие результаты.
Для решения задачи требуется:
• подобрать подходящий набор данных, из которого будут составлены пары, ожидающие положительного (пара изображений принадлежит одному человек)и негативного (пара изображений принадлежит разным личностям) результата;
• провести предварительную обработку собранных изображений для передачи сети;
• передать сетям обработанные изображения и получить данные для дальнейшего анализа;
• проанализировать полученные данные для выявления сети с лучшими результатами.
В результате исследования проведен сравнительный анализ работы находящихся в открытом доступе свёрточных сетей, применяемых в задаче идентификации человека по изображению лица, и выявить сеть, показавшую лучшие результаты точности решений и количества ложноположительных ответов. Ей оказалась сеть ResNetcнаилучшим относительно других сетей результатом точности и меньшим количеством ложно положительных ошибок. Остальные сети также показали качественные результаты, однако количество ложно положительных ошибок полученных ими почти в три раза выше чем у ResNet, а этот показатель крайне важен для систем идентификации человека.
По полученным результатам так же можно сделать выводы о удачности архитектурных решений, применяемых в рассматриваемых сетях, и выбрать сети для включения их в коалицию для получения более качественных результатов. Так, например, VGGимея наиболее примитивную архитектуру (относительно рассматриваемых сетей) показала худший результат, Inceptionv3 являясь продолжением идей VGG и GoogleNetпревзошла их, а ResNet,использующая пропускающие соединения, показала лучший результат.
