簡易檢索 / 詳目顯示

研究生: 彭涵芸
Peng, Han-Yun
論文名稱: 人臉辨識系統特徵擷取之研究
Feature Extraction for Face Recognition Systems
指導教授: 黃文吉
Hwang, Wen-Jyi
口試委員: 葉佐任
Yeh, Tso-Zen
歐謙敏
Ou, Chien-Min
口試日期: 2021/08/10
學位類別: 碩士
Master
系所名稱: 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年: 2021
畢業學年度: 109
語文別: 中文
論文頁數: 49
中文關鍵詞: 類神經網路人臉辨識Autoencoder
研究方法: 實驗設計法
DOI URL: http://doi.org/10.6345/NTNU202101298
論文種類: 學術論文
相關次數: 點閱:206下載:34
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  • 近年來人工智慧蓬勃發展,應用在眾多領域當中,因此使用生物特徵進行驗證也越來越普遍,通常會利用生物特徵的唯一性來區分生物個體,而人臉辨識是其中的一種方式。人臉辨識有三個步驟,人臉偵測、特徵擷取、人臉識別。在人臉辨識系統中,特徵擷取為重要的一環,有較佳的特徵,可以幫助系統後續的學習與歸納。特徵學習可分為兩類,監督式特徵學習和無監督式特徵學習,兩種方式各有優缺點。
    特徵擷取後很難評判選取的好壞,所以希望使用一些視覺化與數據分析的方式,來輔助我們判斷特徵的優劣。人臉辨識系統需要使用當地的資料集,所以在網路上收集亞洲人臉,用來豐富系統的資料集。在視覺化的部分使用Gradient-weighted Class Activation Mapping來觀察類神經網路關注的地方,進而了解擷取的特徵是否為人臉五官。在數據分析的部分使用影像相似度的方法,來觀察與分析特徵擷取結果的好壞。本論文找尋一種驗證機制,來確定無監督式特徵學習中的Autoencoder是否擷取到人臉的重要特徵,在利用上述的驗證機制,來驗證使用Autoencoder作為特徵擷取網路,應用於人臉辨識系統中可否有效提升準確度。

    摘要 i 圖目錄 iv 表目錄 vi 第 1 章 緒論 1 1-1 研究背景 1 1-2 研究困難 5 1-3 研究目的 6 1-4 研究貢獻 8 第 2 章 基礎理論與技術背景 9 2-1 Class Activation Mapping 9 2-2 Gradient-Weighted Class Activation Mapping 11 2-3 Autoencoder 12 2-4 Denoising Autoencoder 13 2-5 均方誤差 14 2-6 結構相似性指標 15 第 3 章 實驗方法 16 3-1 預訓練網路 16 3-2 驗證機制 17 3-3 實驗流程 19 3-4 人臉辨識系統流程 29 第 4 章 實驗數據與效能分析 33 4-1實驗環境介紹 33 4-2人臉辨識訓練方法與訓練資料 34 4-3評估驗證機制的方法 36 4-4實驗結果 37 第 5 章 結論 47 參考文獻 48

    [1] Mei Wang, Weihong Deng. (2020). Deep Face Recognition: A Survey. Computer Vision and Pattern Recognition. arXiv preprint arXiv:1804.06655.

    [2] Ramprasaath R. Selvaraju, Abhishek Das, Ramakrishna Vedantam, Michael Cogswell, Devi Parikh, Dhruv Batra. (2016). Grad-CAM: Why did you say that?Visual Explanations from Deep Networks via Gradient-based Localization. Computer Vision and Pattern Recognition.

    [3] Ramprasaath R. Selvaraju, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, Dhruv Batra. (2016). Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization. Computer Vision and Pattern Recognition

    [4] Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, Antonio Torralba. (2016).Learning Deep Features for Discriminative Localization. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

    [5] Zhou Wang, Alan Conrad Bovik, Hamid Rahim Sheikh, Eero P. Simoncelli. (2004). Image Quality Assessment: From Error Visibility to Structural Similarity.
    IEEE Transactions on Image Processing.

    [6] 邱筠茜. (2021). 以 Multi-Task CNN 和 One-to-Many 資料增量技術為基礎的人臉辨識系統. 國立臺灣師範大學資訊工程學系學位論文.

    [7] 蔡佳韋. (2021). 以關係類神經網路與嵌入式平台為基礎實作人臉辨識之研究. 國立臺灣師範大學資訊工程學系學位論文.

    [8] 黃奕鈞. (2021).應用於 MTCNN 及關係類神經網路之快速人臉辨識系統. 國立臺灣師範大學資訊工程學系學位論文.

    [9] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian SunDeep. (2016). Residual Learning for Image Recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

    [10] Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou. (2019). ArcFace:
    Additive Angular Margin Loss for Deep Face Recognition. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). arXiv preprint arXiv:1801.07698

    下載圖示
    QR CODE