|
|
Algoritmické řešení stanovení věku osoby na základě 2D fotografie za využití umělé inteligence
Bednář, Pavel ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Automatizované určení věku člověka z fotky obličeje představuje jednu z výzev v oblasti umělé inteligence a strojového učení. Určit věk, je i pro člověka mnohdy netriviální záležitost, narozdíl od jiných biologických charakteristik, jako je určení pohlaví nebo rasové příslušnosti. Přitom informace o věku jedince je pro určité situace velmi podstatná. Například při spáchání nějakého přestupku či trestného činu o výši trestu spolurozhoduje právě věk. Dále tuto informaci lze využít při analýze zákazníků komerčního subjektu a následnému přizpůsobení nabídky. Cílem této práce je tedy umět z fotografie lidského obličeje extrahovat jeho věk. Algoritmus se skládá ze dvou modulů. Pokud první modul řekne, že je osoba mladší 14 let, půjde obrázek ještě do druhého modulu. Dále je představena ještě jedna verze algoritmu s přidaným modulem zaměřeným na vybrané obličejové rysy. Ve všech modulech se nad obrázkem provedou transformace, jejichž výsledky se zprůměrují. Na závěr je algoritmus vyhodnocen na standardních datasetech pro určení věku a porovnán s aktuálně používanými metodami v této oblasti.
|
|
|
Detection of persons and evaluation of gender and age in image data
Dobiš, Lukáš ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
This master thesis describes an approach for automated human recognition by using convolutional neural networks (CNN) to perform facial analysis of persons face in image data. The predicted biometric indicators are following: age, gender, facial landmarks and facial expression. CNN architectures with pretrained weights for each task are described. Age estimation CNN has new weights trained and freezed, then has added new LSTM layers into its architecture. New LSTM layers are trained and tested on newly created video data set. Test results indicate improved age prediction accuracy. Solution for human recognition inference with single image and time series variants, in form of script with interconnected CNNs is explained, and its inference speed performance supports further proposed expansion plans for live video inference.
|
|
|
Age prediction based on human face morphology
Žigová, Dominika ; Velemínská, Jana (vedoucí práce) ; Pilmann Kotěrová, Anežka (oponent)
Odhad veku je čoraz viac potrebný vo viacerých vedných disciplínach a preto je stále vyššia potreba metód na odhad veku. Diplomová práca sa zaoberá predikciou veku na základe morfológie tváre človeka u ľudí vo veku 10 - 87 rokov. Použitý materiál boli trojrozmerné virtuálne modely ľudí českej a popr. slovenskej národnosti. Materiál pre diplomovú prácu tvorilo 1046 3D faciálnych skenov, z toho žien bolo 552 a mužov 494. Odhad veku bol predikovaný pomocou modelov neurónových sietí. Vybraté modely neurónových sietí boli založené na 2 rôznych prístupoch. Siete PointNet, PointNet++, PointConv a Xception využívajú na vstup mračno bodov, a sieť multi- view convolutional neural network (MVCNN) využíva rôzne pohľady na sken. Mračná bodov boli vytvorené z polygónových sietí pomocou rovnomerného vzorkovania povrchu siete. V tomto prípade modely posudzujú každý bod. Ide teda o množinu, obsahujúcu trojrozmerné súradnice bodov daného objektu, ktoré sú vytvorené z jeho povrchu. Pohľady na daný sken vznikli natočením polygónovej siete príslušného skenu pod zadaným uhlom. Je to tzv. multi-view prístup založený na projekcii, ktorá z rôznych uhlov nasníma dvojrozmerný pohľad na sken a následne posudzuje a agreguje snímky do obecného deskriptoru, ktorý je klasifikovaný. Ako najlepší model neurónových sietí pre odhad...
|
|
|
Age Estimation from Retinal Images: Different Image Preprocessing Approaches
Kadlec, Vojtěch
Human age is considered an important biometricparameter that is often difficult to determine. Previous studieshave shown that the non-specific general anatomical and physiologicalcharacteristics seen on fundus images are all likely signs ofageing. This paper focuses on age estimation from retinal imageswith different image preprocessing approaches together withproposed image detail enhancement method. Convolution neuralnetwork framework is based on the ResNet-34 architecturetogether with the Consistent Rank Logits algorithm estimatingage as an ordinal variable. The best model achieved a meanabsolute error of 3.47 years, outperforming existing modelsestimating age from retinal images.
|
|
|
Generování trénovacích dat pomocí GAN pro odhad věku z fotografie
Venkrbec, Tomáš ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je implementace některé z nejmodernějších metod generativních neuronových sítí a návrh jejího rozšíření o podmíněné generování. To bylo využito pro generování fotorealistických snímků lidských tváří se specifikovanými charakteristikami, jako například věk a pohlaví. K tomuto účelu byla sloučením a čištěním existujících anotovaných datových sad obličejů vytvořena velmi různorodá datová sada, čítající přes 230 tisíc vzorků. Hojně jsou v ní zastoupeny všechny věkové kategorie, pohlaví a různé etnické skupiny. StyleGAN2 generátorem natrénovaným na této datové sadě bylo dosaženo hodnoty FID 7,14. S poměrem syntetických dat bylo následně experimentováno při trénování klasifikátoru věku. V případě testovací podmnožiny datové sady bylo přidáním syntetických dat docíleno snížení střední absolutní chyby z 3,499 roku na 3,294 roku. U nezávislé testovací datové sady došlo ke snížení průměrné chyby z 4,012 roku na 3,875 roku.
|
|
|
Odhad věku ze snímků sítnice
Kadlec, Vojtěch ; Jakubíček, Roman (oponent) ; Kolář, Radim (vedoucí práce)
Lidský věk je považován za důležitý biometrický údaj parametr, který bývá obtížné určit. Předchozí studie ukázaly, že některé nespecifické anatomické a fyziologické jevy jsou charakteristické pro proces stárnutí. Tato bakalářská práce se věnuje odhadu věku ze snímků sítnice. V první části se práce věnuje sítnice lidského oka jako takové včetně fyziologických a patologických změn v průběhu stárnutí. Dále jsou popsány principy neuronových sítí a principy klasifikace věku z obrazových dat. Praktická část se věnuje samotné implementaci algoritmu. Ten využívá konvoluční neuronovou síť založenou na architektuře ResNet-34 a algoritmu Consistent Rank Logits predikující věk jako ordinální proměnnou. Nejlepší model dosáhl průměrné absolutní chyby 3.42 roku, čímž překonal stávající modely odhadující věk ze snímků sítnice. Veškeré algoritmy jsou implementovány v programovacím jazyce Python s využitím knihovny Pytorch.
|
|
|
Geometricko-morfometrický přístup k věkové a pohlavní variabilitě acetabula
Cibulková, Simona ; Brůžek, Jaroslav (vedoucí práce) ; Bejdová, Šárka (oponent)
5 Abstrakt Tato práce analyzovala pomocí 3D geometricko-morfometrického přístupu věkové a pohlavní rozdíly, vyskytující se v oblasti facies lunata pánevní kosti. Acetabulum 240 jedinců obou pohlaví ve věku od 20 do 90 let, pocházejících ze 3 geografických oblastí, bylo porovnáno prostřednictvím landmarků a semilandmarků, rozmístěných podél okraje facies lunata. Práce navázala na studii San-Millán et al. (2017a), v níž bylo acetabulum zkoumáno pomocí 2D geometricko-morfometrického přístupu. Analýzy v této práci ukázaly, že velikost, pohlaví i věk významně ovlivňují tvar acetabula. Rozdíly mezi pohlavími spočívají ve velikosti a hloubce acetabula, šířce incisura acetabuli, v nárůstu kosti na rozích facies lunata a podél jejího okraje. Pozorované změny spojené s věkem jsou sdíleny muži i ženami a zdá se, že souvisejí s postupným ukládáním kosti podél vnějšího okraje facies lunata, na rozích facies lunata, i ve fossa acetabuli, která má tendenci ztrácet morfologii jetelového listu se třemi laloky. Výsledky geometricko-morfometrické analýzy v našem souboru naznačují, že acetabulum je vhodnější spíše pro odhad věku jedinců mladších 65 let. Klíčová slova: Bioarcheologie, forenzní antropologie, odhad věku, odhad pohlaví, acetabulum, facies lunata, populační specificita, analýza hlavních komponent, kanonická...
|
|
|
Utilization of forensic dentistry in indentification of individuals
Fialková, Martina ; Velemínská, Jana (vedoucí práce) ; Stránská, Petra (oponent)
Forenzná identifikácia a určovanie veku má nezastupiteľný význam v prípadoch nájdenia neznámej mrtvoly, pri rozlišovaní obetí hromadných katastrof, ale aj v otázke imigrantov. A práve táto oblasť je veľmi dôležitou súčasťou forenznej odontológie, pretože dentálny vývoj ako komplexný proces, ktorý prebieha už od skorého vývoja plodu až do približne 20. roku života je menej ovplyvnený endokrinnými poruchami alebo nutričnými zmenami tak ako iné tkanivá. Odhad dentálneho veku je zásadný najmä u detí a mladých ľudí, ktorým zuby prechádzajú rôznymi vývojovými štádiami, na základe ktorých je možné dospieť k veľmi presným výsledkom.
|
|
|
Automated Human Recognition From Image Data
Dobiš, Lukáš
This paper describes an approach for automated human recognition by using convolutional neural networks (CNN) to perform facial analysis of persons face from image data. The predicted biometric indicators are following: age, gender, facial landmarks and facial expression. Network architectures with pretrained weights for each task are described. Script of interconnected CNN is explained and its results support further proposed expansion plans for live video inference.
|
|
|
Algoritmické řešení stanovení věku osoby na základě 2D fotografie za využití umělé inteligence
Bednář, Pavel ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Automatizované určení věku člověka z fotky obličeje představuje jednu z výzev v oblasti umělé inteligence a strojového učení. Určit věk, je i pro člověka mnohdy netriviální záležitost, narozdíl od jiných biologických charakteristik, jako je určení pohlaví nebo rasové příslušnosti. Přitom informace o věku jedince je pro určité situace velmi podstatná. Například při spáchání nějakého přestupku či trestného činu o výši trestu spolurozhoduje právě věk. Dále tuto informaci lze využít při analýze zákazníků komerčního subjektu a následnému přizpůsobení nabídky. Cílem této práce je tedy umět z fotografie lidského obličeje extrahovat jeho věk. Algoritmus se skládá ze dvou modulů. Pokud první modul řekne, že je osoba mladší 14 let, půjde obrázek ještě do druhého modulu. Dále je představena ještě jedna verze algoritmu s přidaným modulem zaměřeným na vybrané obličejové rysy. Ve všech modulech se nad obrázkem provedou transformace, jejichž výsledky se zprůměrují. Na závěr je algoritmus vyhodnocen na standardních datasetech pro určení věku a porovnán s aktuálně používanými metodami v této oblasti.
|
host ::
RSS.