دانلود ترجمه مقاله تشخیص چهره عمیق با داده های ناقص صورت (ساینس دایرکت – الزویر ۲۰۱۹) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

تشخیص چهره عمیق با داده های ناقص صورت

Deep face recognition using imperfect facial data

نکات برجسته

چکیده

۱- معرفی

۲ – کارهای مرتبط

۳- روش پیشنهادی

۳-۱ مدل VGG-Face

۳-۲ استخراج ویژگی با استفاده از مدل VGGF

۳-۳- طبقه بندی ویژگی

۴- آزمایشات و نتایج

۴-۱ مجموعه داده های FEI

۴-۲ آزمایشات بر روی قسمت های صورت با استفاده از مجموعه داده های FEI

۴-۳- آزمایشات روی چهره های چرخیده شده با استفاده از مجموعه داده های FEI

۴-۴ آزمایشات روی چهره های بزرگ شده با استفاده از مجموعه داده های FEI

۴-۵ مجموعه داده LFW

۴-۶ آزمایشات روی قسمت هایی از چهره در مجموعه داده LFW

۴-۷ آزمایش روی چرخش چهره در مجموعه داده LFW

۵- بحث ها

۶- نتیجه گیری

چکیده

امروزه تشخیص چهره مبتنی بر کامپیوتر یک مکانیسم بالغ و قابل اطمینان است که به طور عمده برای بسیاری از سناریوهای کنترل دسترسی مورد استفاده قرار می گیرد. به این ترتیب که تشخیص چهره یا احراز هویت عمدتا با استفاده از داده های کامل از تصاویر جلوی صورت انجام می شود. اگرچه ممکن است در عمل این مورد پیش بیاید، اما موقعیت های متعددی وجود دارد که ممکن است تصاویر کامل جلوی صورت در دسترس نباشد – تصاویر چهره ناقص که اغلب از دوربین های مدار بسته می آیند، شامل این موارد هستند. از این رو، مسئله تشخیص چهره مبتنی بر رایانه با استفاده از اطلاعات جزئی به عنوان شاخص هنوز هم تا حد زیادی یک حوزه تحقیق ناشناخته است. با توجه به این که به طور ذاتی انسانها و رایانه ها در تشخیص چهره و احراز هویت متفاوت هستند، باید جالب و جذاب باشد که بدانند یک رایانه زمانی که با یک چالش تشخیص چهره روبرو می شود چگونه به اجرای مختلف صورت توجه می کند. در این کار، ما این پرسش را بررسی میکنیم که ایده تشخیص چهره با استفاده از اطلاعات جزئی صورت را در بر می گیرد. ما این مسئله را با استفاده از آزمایش های جدید برای تست عملکرد یادگیری ماشین با استفاده از تصاویر جزئی چهره و دستکاری های دیگر در تصاویر چهره مانند چرخش و زوم، که به عنوان سرنخهای آموزش و تشخیص استفاده شده است، مورد بررسی قرار دادیم. به طور ویژه، ما میزان تشخیص را با توجه به قسمت های مختلف صورت مانند چشم ها، دهان، بینی و گونه مطالعه می کنیم. ما همچنین به بررسی تشخیص چهره با چرخش صورت و بزرگنمایی تصویر صورت پرداختیم. آزمایشات ما بر اساس استفاده از معماری مبتنی بر شبکه عصبی پیچشی پیشرفته با مدل VGG-Face آموزش دیده از قبل است که از طریق آن ویژگی ها را برای یادگیری ماشین استخراج می کنیم. سپس از دو طبقه بند، يعني شباهت کوسینوسی و ماشین های بردار برای بررسی نرخهای تشخیص استفاده مي شود. ما آزمایش های ما را روی دو مجموعه داده عمومی که شامل FEI کنترل شده برزیل و مجموعه داده کنترل نشده LFW هستند انجام دادیم. نتایج ما نشان می دهد که بخش های منحصر به فرد چهره مانند چشم ها، بینی ها و گونه ها دارای نرخ تشخیص کم هستند، اما زمانی که بخش های فردی صورت ترکیب شده به عنوان شاخص معرفی می شوند، میزان تشخیص به سرعت در حال افزایش است.

۶- نتیجه گیری

توانایی الگوریتم های تشخیص چهره مبتنی بر ماشین برای داشتن عملکرد مناسب در حالتهایی که چهره ناقص است – مانند چهره های بسته شده، چهره های چرخانده شده و یا چهره های بزرگ شده – به عنوان سر نخ یک کار چالش برانگیز در زمینه بینایی کامپیوتر و محاسبات بصری است. در این کار، ما نتایج برخی از آزمایش های جدید را که ما برای نشان دادن این مسائل انجام داده ایم و همچنین برخی از راه حل های بالقوه را ارائه داده ایم. برای انجام این کار، از مجموعه داده های چهره ی عمومی کنترل شده و کنترل نشده استفاده می کنیم که نشان می دهد چگونه یادگیری عمیق می تواند برای تشخیص چهره با استفاده از چهره ناقص مورد استفاده قرار گیرد. بنابراین، با توجه به برخی اطلاعات صورت جزئی، ما نشان می دهیم که چگونه می توان استخراج ویژگی ها را با استفاده از CNN های محبوب مانند مدل VGGF انجام داد. نشان می دهیم که چگونه طبقه بندی های مبتنی بر SVM های محبوب و همچنین CS را می توان برای انجام وظایف تشخیص چهره استفاده کرد.

Abstract

Today, computer based face recognition is a mature and reliable mechanism which is being practically utilised for many access control scenarios. As such, face recognition or authentication is predominantly performed using ‘perfect’ data of full frontal facial images. Though that may be the case, in reality, there are numerous situations where full frontal faces may not be available — the imperfect face images that often come from CCTV cameras do demonstrate the case in point. Hence, the problem of computer based face recognition using partial facial data as probes is still largely an unexplored area of research. Given that humans and computers perform face recognition and authentication inherently differently, it must be interesting as well as intriguing to understand how a computer favours various parts of the face when presented to the challenges of face recognition. In this work, we explore the question that surrounds the idea of face recognition using partial facial data. We explore it by applying novel experiments to test the performance of machine learning using partial faces and other manipulations on face images such as rotation and zooming, which we use as training and recognition cues. In particular, we study the rate of recognition subject to the various parts of the face such as the eyes, mouth, nose and the cheek. We also study the effect of face recognition subject to facial rotation as well as the effect of recognition subject to zooming out of the facial images. Our experiments are based on using the state of the art convolutional neural network based architecture along with the pre-trained VGG-Face model through which we extract features for machine learning. We then use two classifiers namely the cosine similarity and the linear support vector machines to test the recognition rates. We ran our experiments on two publicly available datasets namely, the controlled Brazilian FEI and the uncontrolled LFW dataset. Our results show that individual parts of the face such as the eyes, nose and the cheeks have low recognition rates though the rate of recognition quickly goes up when individual parts of the face in combined form are presented as probes.

۶- Conclusions

The ability for existing machine based face recognition algorithms to perform adequately in the cases of imperfect facial data – such as occluded faces, rotated faces or zoomed out faces – as cues remains a challenging task in the field of computer vision and visual computing. In this work, we have presented the results of some novel experiments we have undertaken to highlight these issues as well as to outline some potential solutions. To do this, we have utilised both controlled and uncontrolled public facial datasets through which we show how deep learning can be utilised for face recognition using imperfect facial cues. Thus, given some partial facial data, we show how feature extraction can be performed using popular CNNs such as the VGGF model. We show how classifiers based on popular SVMs as well as CS can be utilised to undertake facial recognition tasks.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص چهره عمیق با داده های ناقص صورت

Deep face recognition using imperfect facial data