|
|
Deep learning based face recognition in real conditions
Horňáková, Veronika ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
This bachelor thesis explores the area of face recognition using deep learning technique. Face recognition is used for two main reasons: verification and identification. In this thesis we describe the techniques of deep learning, mostly the convolutional neural networks, which are the most significant method for processing images - detection, classification and segmentation of the image. The process of face recognition is divided into four main steps: face detection, face selection, face extraction and face classification. We chosen three of the existing programs for face recognition (OpenFace, FaceNet and Face_Recognition), which are described in this thesis, in particular the principle of the human face recognition. Thanks to the tests with the data set of Labeled Faces in the Wild (LFW) we could specify the accuracy and the time requirement of each application. Testing of FaceNet and Face_Recognition ran on real data with face detection in video with complicated conditions. The test compares two images and tries to determine if is the same person. The test results are show in graph and table.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
|
|
Deep learning based face recognition in real conditions
Horňáková, Veronika ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
This bachelor thesis explores the area of face recognition using deep learning technique. Face recognition is used for two main reasons: verification and identification. In this thesis we describe the techniques of deep learning, mostly the convolutional neural networks, which are the most significant method for processing images - detection, classification and segmentation of the image. The process of face recognition is divided into four main steps: face detection, face selection, face extraction and face classification. We chosen three of the existing programs for face recognition (OpenFace, FaceNet and Face_Recognition), which are described in this thesis, in particular the principle of the human face recognition. Thanks to the tests with the data set of Labeled Faces in the Wild (LFW) we could specify the accuracy and the time requirement of each application. Testing of FaceNet and Face_Recognition ran on real data with face detection in video with complicated conditions. The test compares two images and tries to determine if is the same person. The test results are show in graph and table.
|
host ::
RSS.