|
Title
|
یک رویکرد مبتنی بر یادگیری عمیق برای تشخیص چهره در تصاویر ناقص
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تشخیص چهره، شبکه های عصبی کانولوشنی، یادگیری عمیق
|
|
Abstract
|
در طول تاریخ، تصاویر گرفته شده از چهره، جزو تصاویر محبوب در سیستم های بصری بوده است. البته این به این معنا نیست که انسان ها توانایی خیلی زیادی برای تشخیص چهره دارند. انسان ها معمولا عملیات تشخیص چهره را در تصاویر به درستی انجام می دهند. علاوه بر این، مغز انسان می تواند با تغییر در نورپردازی، در تشخیص حالت های مختلف چهره و همچنین چهره هایی که با فاصله مشاهده می شوند درست عمل کند. اما برخلاف این، در یک کامپیوتر، تغییرات در ظاهر یک چهره تاثیر مستقیمی روی تشخیص دارد و ممکن است سیستم دچار اشتباه شود. به عنوان مثال ریش و عینک می تواند تاثیر فراوانی روی نرخ تشخیص درست بگذارد. در مواردی که تصاویر نامشخص و یا ناقص هستند، تشخیص انسانی نمی تواند به درستی عمل کند. بنابراین، ایجاد یک سیستم تشخیص کامپیوتری که بتواند روی مجموعه عظیمی از تصاویر و در اثر تغییرات روی تصاویر مانند چرخش و بزرگنمایی و همچنین در صورت ناقص بودن آنها، تشخیصی با دقت بالا به دست بیاورد، بسیار مورد توجه است.
سیستم های تشخیص خودکار چهره افراد، با دریافت تصاویر مربوط به چهره، وجود و عدم وجود چهره در تصویر را بررسی کرده و مکان چهره در تصویر را به عنوان خروجی تولید می نمایند. اغلب این سیستم ها مبتنی بر یادگیری ماشین هستند به این ترتیب که با استفاده از یک الگوریتم یادگیری و نمونه هایی از تصاویر ثبت شده از چهره اشخاص، یک مدل طبقه بندی کننده می سازند.
یکی از چالش های اصلی در چنین سیستم های خودکاری، فاز استخراج ویژگی های تصاویر ثبت شده از چهره افراد مختلف است و کارایی مدل طبقه بندی کننده به شدت به این فاز بستگی دارد. به عبارتی، کارایی مدل طبقه بندی کننده بستگی به اطلاعاتی دارد که به عنوان ویژگی از تصاویر استخراج و مورد استفاده قرار می گیرد. علاوه بر این، تشخیص چهره افراد درتصاویر ناقص صورت نیز چالشی است که در این سیستم ها وجود دارد. هرچقدر مکان چهره افراد در تصاویر ناقص درست تشخیص داده شود فرآیند های امنیتی نیز به مراتب دقیق تر و کارآمدتر خواهند بود.
|
|
Researchers
|
(Student)، Nacer Farajzadeh (Primary Advisor)، Mahdi Hashemzadeh (Advisor)
|