|
|
شناسایی چهره بااستفاده از تنطیم دقیق شبکه های کانولوشنی عمیق و رویکرد یادگیری انتقالی
|
|
|
|
|
نویسنده
|
راستگو راضیه ,کیانی کورش
|
منبع
|
مدل سازي در مهندسي - 1398 - دوره : 17 - شماره : 58 - صفحه:103 -111
|
چکیده
|
یادگیری عمیق، یکی از رویکردهای مورد توجه در یادگیری ماشین می باشد که شامل معماری های مهمی می باشد. شبکه کانولوشنی عمیق، یکی از معماری های مورد توجه در یادگیری عمیق می باشد که در پردازش های مربوط به تصاویر دیجیتالی کاربرد فراوانی پیدا کرده است. در این پژوهش، شبکه کانولوشنی alexnet، به منظور شناسایی چهره در عکس های ورودی، مورد استفاده قرار گرفته است. تنظیم دقیق مدل از قبل تعلیم داده شده ی alexnet، با تبدیل لایه های کاملا متصل به لایه های کانولوشنی و اعمال فیلتر های مناسب، انجام شده است. استفاده از برش های مختلف عکس ورودی و نیز افزایش تعداد لایه های کانولوشنی به منظور استخراج خصوصیت های با سطح بالاتر به همراه فیلترهای مناسب در مدل های پیشنهادی مورد توجه قرار گرفته است. به منظور تجسم اعمال فیلترها در لایه های مختلف، از روش کانولوشن معکوس استفاده شده است. از دو پایگاه داده ی caltech face و lfw به منظور نشان دادن نتایج، استفاده شده است. پس از پردازش های لازم بر روی پایگاه داده های مورد استفاده، نتایح به دست آمده از شبکه alexnet، قبل و بعد از تنظیم دقیق، مورد بررسی قرار گرفته است. نتایج بررسی، حاکی از بهبود عملکرد شبکه، تحت عملیات انجام شده، می باشد.
|
کلیدواژه
|
یادگیری عمیق، شبکه کانولوشنی عمیق، تنظیم دقیق، شناسایی چهره، یادگیری انتقالی، کانولوشن معکوس
|
آدرس
|
دانشگاه سمنان, ایران, دانشگاه سمنان, دانشکده مهندسی برق و کامپیوتر, ایران
|
پست الکترونیکی
|
kourosh.kiani@semnan.ac.ir
|
|
|
|
|
|
|
|
|
Face recognition using finetuning of Deep Convolutional Neural Network and transfer learning
|
|
|
Authors
|
Rastgoo Razieh ,kiani kourosh
|
Abstract
|
Deep learning is one of the most important scopes of the Machine Learning that includes some important architectures. Deep Convolutional Neural Network is one of the attractive architectures that uses in digital image processing. In this paper, we use the Alexnet model for face recognition from input images. We finetune the Alexnet model by converting one or two fully connected layers to convolutional layers as well as using the suitable filters. To improve the robustness of the model in coping with the situations that some parts of the input images damaged, we use five crops of the input images including five pixel areas. Furthermore, to visualize the output of each layer, we use the Deconvolution technique in our method. The output of some convolutional and activation layers has been shown. Using this technique, we obtain the Heatmap of the image. To show the results, we use the LFW and Caltech faces datasets. After preprocessing the images of datasets, we compare the results of the Alexnet model in two states: before finetuning and after finetuning. The results show the recognition accuracy improvement of the finetuned models on input images.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|