مقاله DeepFace: کم کردن فاصله تا سطح عملکرد بشر در تشخیص چهرهDeepFace: Closing the Gap to Human-Level Performance in Face Verification

در انبار موجود نمی باشد

مقاله DeepFace: کم کردن فاصله تا سطح عملکرد بشر در تشخیص چهرهDeepFace: Closing the Gap to Human-Level Performance in Face Verification

25,000 تومان

ژورنال

IEEE

سال انتشار

2013

صفحات فارسی

20 تا 30

صفحات انگلیسی

5 تا 10

نقد و بررسی

مقاله DeepFace: کم کردن فاصله تا سطح عملکرد بشر در تشخیص چهره

چکیده فارسی :

در تشخیص چهره ی نوین، پایپ لاین (مترجم: مجموعه ای از عناصر (مراحل) پردازش داده که به صورت سری به هم متصلند و ورودی هر مرحله خروجی مرحله ی قبل است.) متعارف شامل چهار مرحله می شود: شناسایی ⇐ تطبیق ⇐ بازنمایی ⇐ طبقه بندی. ما هم گام تطابق و هم گام بازنمایی را، با به کار بردن مدل سازی صریح سه بعدی چهره بازبینی کردیم تا یک تبدیل نسبتی مقطع را اعمال نمائیم، و نمای چهره را از یک شبکه عصبی عمیق نه لایه، به حاصل نمائیم. این شبکه ی عمیق، بیش از 120 میلیون پارامتر را، به جای لایه های کانولوشن استاندارد، با استفاده از چندین لایه که بدون اشتراک وزن و به صورت محلی به هم متصلند، درگیر کرده است. بنابراین ما آن را در بزرگترین مجموعه ی داده ی چهره ی به روز، یک مجموعه ی داده با برچسب هویتی متعلق به  چهار میلیون تصویر چهره که متعلق به بیش از 4,000 ،هویت می باشند، مرتب کرده ایم. جفت کردن بازنمایی های آموخته شده تطبیق صحیح مبتنی بر مدل، با پایگاه داده ی بزرگ چهره، حتی با یک طبقه بندی ساده، به خوبی چهره ها را، در محیط های نامحدود، تعمیم می دهد. روش ما در چهره ی نشاندار در مجموعه ی داده ی نامرتب (LFW)، به دقت 97.35% می رسد، و خطای  وضعیت هنری فعلی را بیش از 27% کاهش می دهد، که نزدیک به سطح عملکرد انسان است.

چکیده انگلیسی :

In modern face recognition, the conventional pipeline consists of four stages: detect)align)represent)classify. We revisit both the alignment step and the representation step by employing explicit 3D face modeling in order to apply a piecewise affine transformation, and derive a face representation from a nine-layer deep neural network. This deep network involves more than 120 million parameters using several locally connected layers without weight sharing, rather than the standard convolutional layers. Thus we trained it on the largest facial dataset to-date, an identity labeled dataset of four million facial images belonging to more than 4,000 identities. The learned representations coupling the accurate model-based alignment with the large facial database generalize remarkably well to faces in unconstrained environments, even with a simple classifier. Our method reaches an accuracy of 97.35% on the Labeled Faces in the Wild (LFW) dataset, reducing the error of the current state of the art by more than 27%, closely approaching human-level performance.

ژورنال

IEEE

سال انتشار

2013

صفحات فارسی

20 تا 30

صفحات انگلیسی

5 تا 10

دیدگاه خود را در باره این کالا بیان کنید افزودن دیدگاه

نقد و بررسی‌ها

هنوز بررسی‌ای ثبت نشده است.

    هیچ پرسش و پاسخی ثبت نشده است.

پرسش خود را درباره این کالا بیان کنید

ثبت پرسش
انصراف ثبت پرسش

محصولات مرتبط