"Радіотехнічні поля, сигнали, апарати та системи"

Розпізнавання зображень за допомогою сіамської нейронної мережі

Петровський А. А., студент; Могильний С. Б., к. т. н., доцент

Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна

Анотація

В даній публікації представлена архітектура власної нейронної мережі для розпізнавання обличь. Дана архітектура була розроблена на основі існуючої нейронної мережі, створеної в Масачусетському технологічному університеті, VGG16. Дана нейронна мережа складається з 37 шарів та є сіамською. Точність даної нейронної мережі складає 99.8%, а втрати — менше 1%.

Ключові слова: штучний інтелект, нейронна мережа, розпізнавання обличь

Аннотация

В данной публикации представлена архитектура нейронной сети для распознавания лиц. Данная архитектура была разработана на основе уже существующей нейронной сети, созданной в Массачусетском технологическом университете, VGG16. Данная нейронная сеть имеет в себе 37 слоев и есть сиамской. Точность этой нейронной сети составляет 99.8%, а потери — меньше 1%.

Ключевые слова: искусственный интеллект, нейронная сеть, распознавание лиц

Abstract

In this publication architecture of neural network for face recognition is presented. This architecture has been developed using existing neural network, created at Massachusetts institute of technologies, VGG16. This neural network has 37 layers and it is siamese. It has precision about 99.8% and loss — lower than 1%.

Keywords: artificial intelligence, neural network, face recognition .

Додатки:
Download this file (RTPSAS_2019_s1_t04.pdf)Тези[Петровський А. А., Могильний С. Б.]99 Kb

...

 

Коментарі  

 
# Володимир Адаменко 18.11.2019 09:36
Доброго дня.
Є декілька питань:
1. Власне в чому перевага використання двох окремих нейронних мереж навчених на розпізнавання одних і тих же даних?
2. Ваша система працює без доступу до мережі Інтернет?
 
 
# Андрій Петровський 18.11.2019 15:10
Доброго дня!
1. Дані задаються не однакові — я розділив датасет на три частини. Дві частини для навчання та третю — для валідаціх. В результаті чого помітив, що точність навчання та валідації зросла на відміну від стандартної моделі VGG16.
2. Робота можлива без підключення до мережі. На даний момент реалізований мобільний додаток для Android. Також планується розробити додаток для iOS
 
 
# Володимир Адаменко 18.11.2019 16:35
А пробували тестувати мережу на реальних даних, а не з датасету?
 
 
# Андрій Петровський 18.11.2019 16:53
Пробував, точність також висока. Тільки є зараз певні проблеми при низькому освітлені.
 
 
# Володимир Адаменко 18.11.2019 17:25
Дякую за грунтовні відповіді.
До речі, спробуйте зображення, отримані за низької освітленості, перед подачею на НМ пропустити через алгоритм вирівнювання діаграми яскравості зображення. Може допомогти.
 
 
# Андрій Петровський 18.11.2019 18:42
Дякую за пораду, обов'язково спробую
 

Додавати коментарі можуть лише авторизовані користувачі. Введіть логін та пароль або зареєструйтеся.

Пошук

Авторизація


Останні коментарі

Joomla inotur picma