CNN application in face recognition

• Autorzy: Osowski Stanisław , Siwek Krzysztof

Identyfikatory

DOI

10.15199/48.2020.03.31

Warianty tytułu

PL

Zastosowanie sieci CNN w rozpoznaniu obrazów twarzy

• Języki publikacji: EN

Abstrakty

EN

The paper presents application of the convolutional neural network (CNN) in face recognition. The CNN is regarded nowadays as the most efficient tool in image analysis. This technique was applied to recognition of two databases of faces: the own base containing 68 classes of very different variants of face composition (grey images) and 244 classes of color face images represented as RGB images (MUCT data base). This paper will compare different solutions of classifiers applied in CNN, autoencoder and the traditional approach relying on classical feature generation methods and application of support vector machine classifier. The numerical results of experiments performed on the face image database will be presented and discussed.

PL

Praca przedstawia zastosowanie sieci CNN w rozpoznaniu obrazów twarzy. Twarze poddane eksperymentom pochodzą z dwu baz danych. Jedna z nich jest własną bazą zawierającą 68 klas reprezentowanych w postaci obrazów w skali szarości i drugą (MUCT) zawierającą 244 klasy reprezentujące obrazy kolorowe RGB. Zbadano i porównano różne metody rozpoznania obrazów. Jedna z nich polega na zastosowaniu konwolucyjnej sieci neuronowej CNN z dwoma różnymi klasyfikatorami końcowymi (softmax i SVM). Inne głębokie podejście stosuje autoenkoder do generacji cech i SVM jako klasyfikator. Wyniki porównano z klasycznym podejściem wykorzystującym transformację PCA w połączeniu z klasyfikatorem SVM.

Słowa kluczowe

EN

CNN; transfer learning; visible imagery; face recognition; transformation of data; classification

PL

CNN; transfer learning; obraz widzialny; rozpoznawanie twarzy; transformacja danych; klasyfikacja

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2020
• Tom: R. 96, nr 3
• Strony: 142--145
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Osowski Stanisław

• Warsaw University of Technology, Institute of the Theory of Electrical Engineering, Measurement and Information Systems, Military University of Technology, Institute of Electronic Systems

autor

Siwek Krzysztof

• Warsaw University of Technology, Institute of the Theory of Electrical Engineering, Measurement and Information Systems

Bibliografia

• [1] Siwek K., Osowski S., Autoencoder versus PCA in face recognition, Conference “Computational Problems of Electrical Engineering" (CPEE), Kutna Hora, 2017.
• [2] Kasar M. M., Bhattacharyya D., Kim T. H., Face recognition using neural network: a review, International Journal of Security and Its Applications, vol. 10, no 3, pp. 81-100, 2016.
• [3] Kim K. I., Jung K., Kim H. J., Face recognition using kernel principal component analysis, IEEE Signal Process. Lett., vol. 9, no 2, 2002.
• [4] Tan P. N., Steinbach M., Kumar V., Introduction to data mining, Pearson Education Inc., Boston, 2006.
• [5] Goodfellow I., Bengio Y., Courville A., Deep learning, MIT Press, 2016.
• [6] Zeiler M. D., Fergus R., Visualizing and understanding convolutional networks, European Conference on Computer Vision, pp. 818-833, 2014.
• [7] Milborrow S., Morkel J., Nicolls F., The MUCT landmarked face database, Pattern Recognition Association of South Africa, 2010, http://www.milbo.org/muct.
• [8] Matlab user manual, MathWorks, Natick, USA, 2019a.
• [9] Krizhevsky A., Sutskever I., Hinton G., Imagenet classification with deep convolutional neural networks, NIPS, 2012.
• [10] https://github.com/BVLC/caffe/tree/master/models/bvlc_google net.
• [11] Schölkopf B., Smola A., Learning with kernels, Cambridge, MIT Press, MA, 2002.
• [12] Siwek K., Osowski S., Deep neural networks and classical approach to face recognition - comparative analysis, Przegląd Elektrotechniczny, vol. 94, no 4, pp. 1-4, 2018

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).