Deep neural networks and classical approach to face recognition – comparative analysis

• Autorzy: Siwek K. , Osowski S.

Identyfikatory

DOI

10.15199/48.2018.04.01

Warianty tytułu

PL

Uczenie głębokie i podejście klasyczne do rozpoznawania obrazów twarzy - analiza porównawcza

• Języki publikacji: EN

Abstrakty

EN

The paper presents application of the convolutional neural network (CNN) in face recognition. Data bases of faces have been represented by the visible and thermal infra-red images. The CNN is regarded nowadays as the most efficient tool in image analysis. This technique was applied to recognition of 50 classes of face images represented in visual and infrared imagery. This approach will be compared to 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 data base will be presented and discussed.

PL

Praca przedstawia porównanie metod rozpoznawania twarzy przy zastosowaniu konwolucyjnych sieci neuronowych (CNN) i klasycznego podejścia opartego na specjalistycznych metodach generacji cech diagnostycznych. Twarze są reprezentowane w postaci 2 rodzajów obrazów: widzialnego oraz w podczerwieni. Zbadano i porównano dwa podejścia do analizy obrazów. Jeden polega na zastosowaniu konwolucyjnej sieci neuronowej łączącej w jednym systemie generację nienadzorowaną cech diagnostycznych i klasyfikację. Drugie, klasyczne podejście, rozdzielające obie części przetwarzania. Generacja cech odbywa się poprzez zastosowanie specjalistycznych metod (tutaj PCA, KPCA i tSNE), a klasyfikacja wykorzystuje te cechy jako sygnały wejściowe dla oddzielnego klasyfikatora SVM. Wyniki eksperymentów numerycznych zostały przedstawione i porównane na bazie 50 różnych obrazów twarzy stworzonych w różnych warunkach oświetlenia i akwizycji.

Słowa kluczowe

EN

CNN; transfer learning; visible and infra-red imagery; face recognition; transformation of data; classification

PL

CNN; transfer learning; obraz widzialny w podczerwieni; rozpoznawanie twarzy; transformacje danych; klasyfikacja

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2018
• Tom: R. 94, nr 4
• Strony: 1--4
• Opis fizyczny: Bibliogr. 12 poz., fot., rys., tab., wykr.

Twórcy

autor

Siwek K.

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

autor

Osowski S.

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

Bibliografia

• [1] Belhumeur P., Hespanha J., Kriegman D.: Eigenfaces vs. Fisherfaces: recognition using class specific linear projection, IEEE Trans. PAMI, 19 (1997), no 7, 711–720
• [2] Goodfellow I., Bengio Y., Courville A., Deep learning (2016), MIT Press, MA.
• [3] Kong S., Heo J., Abidi B.R, Paik J. Abidi M. A., Recent advances in visual and infrared face recognition – a review, Comput. Vision Image Understanding, 97, (2005), 103-135
• [4] Krizhevsky A., Sutskever I., Hinton G., Image net classification with deep convolutional neural networks, Advances in Neural Information Processing Systems 25, (2012). 1-9.
• [5] Matlab user manual – image toolbox, (2017b), MathWorks, Natick
• [6] Schölkopf B., Smola A., Learning with kernels, (2002), Cambridge, MIT Press, MA
• [7] Siwek K., Osowski S., Comparison of methods of feature generation for face recognition, Przegląd Elektrotechniczny, 90, (2014), nr. 4, 206-209
• [8] Socolinsky D. A., Selinger A., Neuheisel J. D., Face recognition with visible and thermal infrared imagery, Comput. Vision Image Understanding, 91, (2003), 72-114
• [9] Tan P. N., Steinbach M., Kumar V., Introduction to data mining, (2006), Pearson Education Inc., Boston.
• [10] Van der Maaten L., Matlab toolbox for dimensionality reduction, v0.8.1, (2013), Delft University of Technology
• [11] Wu S., Lin W., Xie S., Skin heat transfer model of facial termograms and its application in face recognition, Pattern Recognition, 2008, vol. 41, pp. 2718-2729
• [12] https://github.com/BVLC/caffe/tree/master/models/bvlc_google net.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).