Učenje podobnosti v globokih nevronskih omrežjih za razpoznavanje obrazov

Žiga Stržinar, Klemen Grm, Vitomir Štruc (2016): Učenje podobnosti v globokih nevronskih omrežjih za razpoznavanje obrazov. In: Proceedings of the Electrotechnical and Computer Science Conference (ERK), Portorož, Slovenia, 2016.

Abstract

Učenje podobnosti med pari vhodnih slik predstavlja enega najpopularnejših pristopov k razpoznavanju na področju globokega učenja. Pri tem pristopu globoko nevronsko omrežje na vhodu sprejme par slik (obrazov) in na izhodu vrne mero podobnosti med vhodnima slikama, ki jo je moč uporabiti za razpoznavanje. Izračun podobnosti je pri tem lahko v celoti udejanjen z globokim omrežjem, lahko pa se omrežje uporabi zgolj za izračun predstavitve vhodnega para slik, preslikava iz izračunane predstavitve v mero podobnosti pa se izvede z drugim, potencialno primernejšim modelom. V tem prispevku preizkusimo 5 različnih modelov za izvedbo preslikave med izračunano predstavitvijo in mero podobnosti, pri čemer za poizkuse uporabimo lastno nevronsko omrežje. Rezultati naših eksperimentov na problemu razpoznavanja obrazov kažejo na pomembnost izbire primernega modela, saj so razlike med uspešnostjo razpoznavanje od modela do modela precejšnje.

BibTeX (Download)

@inproceedings{ERK2016_sebastjan,
title = {U\v{c}enje podobnosti v globokih nevronskih omre\v{z}jih za razpoznavanje obrazov},
author = {\v{Z}iga Str\v{z}inar and Klemen Grm and Vitomir \v{S}truc},
url = {http://luks.fe.uni-lj.si/nluks/wp-content/uploads/2016/09/erk_ziga_Vziga.pdf},
year  = {2016},
date = {2016-09-20},
booktitle = {Proceedings of the Electrotechnical and Computer Science Conference (ERK)},
address = {Portoro\v{z}, Slovenia},
abstract = {U\v{c}enje podobnosti med pari vhodnih slik predstavlja enega najpopularnej\v{s}ih pristopov k razpoznavanju na podro\v{c}ju globokega u\v{c}enja. Pri tem pristopu globoko nevronsko omre\v{z}je na vhodu sprejme par slik (obrazov) in na izhodu vrne mero podobnosti med vhodnima slikama, ki jo je mo\v{c} uporabiti za razpoznavanje. Izra\v{c}un podobnosti je pri tem lahko v celoti udejanjen z globokim omre\v{z}jem, lahko pa se omre\v{z}je uporabi zgolj za izra\v{c}un predstavitve vhodnega para slik, preslikava iz izra\v{c}unane predstavitve v mero podobnosti pa se izvede z drugim, potencialno primernej\v{s}im modelom. V tem prispevku preizkusimo 5 razli\v{c}nih modelov za izvedbo preslikave med izra\v{c}unano predstavitvijo in mero podobnosti, pri \v{c}emer za poizkuse uporabimo lastno nevronsko omre\v{z}je. Rezultati na\v{s}ih eksperimentov na problemu razpoznavanja obrazov ka\v{z}ejo na pomembnost izbire primernega modela, saj so razlike med uspe\v{s}nostjo razpoznavanje od modela do modela precej\v{s}nje.},
keywords = {biometrics, CNN, deep learning, difference space, face verification, LFW, performance evaluation},
pubstate = {published},
tppubtype = {inproceedings}
}