Relabeling the imperfect labeled data to improve recognition of face images using CNN

• Autorzy: Szmurło Robert , Osowski Stanisław

Identyfikatory

DOI

10.15199/48.2024.06.05

Warianty tytułu

PL

Ponowne etykietowanie niedoskonałych oznaczonych danych w celu poprawy rozpoznawania obrazów twarzy za pomocą CNN

• Języki publikacji: EN

Abstrakty

EN

The paper considers the problem of improving the recognition of not-perfectly labeled face images using CNN networks. The proposed solution is based on relabeling the samples of images by applying the KNN classification principle based on the distance between the samples. The original images are first converted to the features and the KNN principle is applied to them. The classes of sample images are relabeled according to the class represented by most neighbors indicated by KNN. The developed system was tested on the problem of face recognition. The dataset was composed of 68 classes of grayscale images. The results of experiments have shown significant improvement in the recognition rate of not perfectly labeled images.

PL

W artykule poruszono problem poprawy dokładności rozpoznawania obrazów twarzy za pomocą sieci CNN, przy założeniu, że zbiór treningowy zawiera dane z błędnymi etykietami. Zaproponowane rozwiązanie polega na ponownym oznakowaniu próbek obrazów poprzez zastosowanie klasyfikacji KNN opartej na odległości pomiędzy próbkami. Na początku obrazy konwertowane są na wektor cech, do których stosowany jest algorytm KNN. Klasy przykładowych obrazów są ponownie oznaczane zgodnie z klasą reprezentowaną przez większość sąsiadów wskazanych przez KNN. Opracowany system został przetestowany w zastosowaniu do problemu rozpoznawania twarzy. Zbiór danych składał się z 68 klas obrazów w skali szarości. Wyniki eksperymentów wykazały znaczną poprawę skuteczności rozpoznawania niedoskonale oznakowanych obrazów.

Słowa kluczowe

EN

relabeling; CNN; KNN; face recognition; feature analysis; deep network

PL

reetykietowanie; CNN; KNN; rozpoznawanie twarzy; analiza cech; sieć głęboka

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 6
• Strony: 27--30
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Szmurło Robert

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 00-661 Warszawa

• https://orcid.org/0000-0001-8041-4438

autor

Osowski Stanisław

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 00-661 Warszawa

• https://orcid.org/0000-0003-3194-4656

Bibliografia

• [1] B. Frenay, M. Verleysen, Classification in the presence of label noise: a survey, IEEE Trans. on NN and Learn. Sys., 25, 845– 869 (2014)
• [2] T. Cannings, Y. fan, R. J. Samworth, Classification with imperfect training labels, arXiv:1805.1150 [math ST], https://doi.org/10.48550/arXiv.1805.11505 (2019)
• [3] J. Bootkrajang, A generalised label noise model for classification in the presence of annotation errors. Neurocomputing, 192, 61–71 (2016)
• [4] N. Natarajan, I. S. Dhillon, P. K. Ravikumar, A.Tewari, Learning with noisy labels. NIPS, 26, 1196–1204 (2013)
• [5] Rolnick, D., Veit, A., Belongie, S. & Shavit, N. Deep learning is robust to massive label noise. ArXiv e-prints, 1705.10694 (2017).
• [6] P. Hall, B. U. Park, R. J. Samworth, Choice of neighbour order in nearest-neighbour classification. Ann. Statist., 36, 2135– 2152 (2008)
• [7] Patrini, G., Rozza, A., Menon, A. K., Nock, R. & Qu, L. Making deep neural networks robust to label noise: a loss correction approach. IEEE Conf. Comp. Vis. & Patt. Recog.,1944–1952 (2017).
• [8] K. Siwek, S. Osowski, Deep neural networks and classical approach to face recognition – comparative analysis, Przegląd Elektrotechniczny, 94(4), 1-4 (2018).
• [9] I. Goodfellow, Y. Bengio and A Courville, Deep learning, MIT Press, 2016.
• [10] Krizhevsky, I. Sutskever, G.E. Hinton, “ImageNet classification with deep convolutional neural networks” Communications of the ACM, 60(6) 84–90 (2014).

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).