Loading...
| Friend's email | |
| Your name | |
| Your email | |
| enter code | |
This page was sent successfuly
- Type of Document: Ph.D. Dissertation
- Language: Farsi
- Document No: 55451 (02)
- University: Sharif University of Technology
- Department: Mathematical Sciences
- Advisor(s): Razvan, Mohammad Reza; Moghadasi, Reza; Kamali Tabrizi, Mostafa
- Abstract:
- Face recognition, which is one of the most important biometrics, has always been one of the main challenges in many security issues, such as verifying the identity of customers of financial institutions and passengers at the airport, and such issues have many applications in daily life. Face recognition has always been an important issue in computer vision and pattern recognition. Currently, several methods based on deep networks have shown great results in face recognition, among which the following can be mentioned.1.The deep face was introduced by Facebook in 2014; 2.Face-net was presented by Google in 2015 ;3.VGGFace was presented by Oxford University in 2015; 4.Openface was presented by CMU University in 2016.The purpose of this thesis is to study and analyze these methods to check the sen- sitivity of each of them to changes and their resistance to various attacks. In this regard, each model’s feature space will be examined, and the distribution of data in this space will be studied
- Keywords:
- Face Recognition ; Deep Networks ; Sensitivity Analysis ; Pattern Recognition ; Computer Vision
Digital Object List
-
محتواي کتاب
- view
Bookmark
- مقدمه
- مقدمه
- تعریف مسئله
- کاربرد‌ها و اهمیت مسئله
- چالش‌ها
- مروری بر مفاهیم مورد نیاز پیرامون تشخیص چهره
- آشنایی با شبکه‌های عصبی
- مدل‌سازی نورون
- شبکه‌های عصبی مصنوعی
- ساختار شبکه‌های عصبی مصنوعی
- شبکه‌های عصبی عمیق و یادگیری عمیق
- انواع شبکه‌های عصبی عمیق
- شبکه‌های پیش آموزش داده شده بدون نظارت
- خود‌رمزنگار
- شبکه‌های باور عمیق
- شبکه‌های تقابلی مولد
- شبکه‌های عصبی برگشتی
- شبکه‌های عصبی بازگشتی
- شبکه‌های عصبی کانولوشن
- ساختار شبکه‌های عصبی کانولوشن و لایه‌های آن
- شبکه‌های پیش آموزش داده شده بدون نظارت
- معرفی چند معماری پیشرو شبکه‌های عصبی کانولوشن
- شبکه Lenet-5
- شبکه AlexNet
- شبکه ZF-Net
- شبکه VGG-16
- شبکه Google-Net
- آشنایی با شبکه‌های عصبی
- مرور و بررسی سیستم‌های تشخیص چهره
- ساختار کلی سیستم‌های تشخیص چهره
- مقایسه تایید و شناسایی چهره
- شناسایی چهره با کمک تایید چهره
- الگوریتم MTCNN برای تشخیص محل چهره در عکس
- معیارهای ارزیابی مدل‌های کلاس بندی
- نمودار ROC
- به دست آوردن بهترین آستانه از روی منحنی ROC
- نمودار ROC
- بررسی روش DeepFace
- ترازسازی چهره
- معماری DeepFace
- مجموعه داده استفاده شده در این روش و تغییراتی در حجم داده آموزش و آزمون و همچنین تعداد لایه‌های شبکه
- جمع‌بندی روش DeepFace
- بررسی روش VGGFace
- معماری VGGFace
- مجموعه داده VGGFace
- جمع‌بندی VGGFace
- بررسی روش FaceNet
- معرفی تابع هزینه سه‌تایی
- انتخاب سه‌تایی‌های مناسب
- معماری‌های شبکه FaceNet
- مجموعه داده و آموزش شبکه FaceNet
- جمع‌بندی FaceNet
- بررسی روش OpenFace
- جمع‌بندی OpenFace
- نحوه سنجش روش‌های تایید چهره در مجموعه داده‌های مرجع
- مقایسه روش‌های تایید چهره روی دو مسئله چالشی
- مسئله اول
- اطلاعات مربوط به مجموعه داده
- آنالیز مقایسه‌ای روش‌ها در برابر چهره‌های پوشانده شده با ماسک
- نتیجه‌گیری مسئله اول
- مسئله دوم
- معرفی مسئله دوم
- چارچوب عملیاتی مسئله دوم
- مجموعه داده استفاده شده در این مطالعه
- بررسی نتایج روی قسمت‌های مختلف چهره
- بررسی و مقایسه روی تصویر کل چهره
- بررسی مقایسه روی تصویر چشم‌ها
- بررسی مقایسه روی تصویر بینی
- بررسی مقایسه روی تصویر پیشانی
- مقایسه میانگین دقت و صحت
- نتیجه‌گیری مسئله دوم
- مسئله اول
- استفاده از روش VGGFace برای مسئله تخمین سن
- مقدمه
- معرفی مجموعه داده
- تغییرات روی معماری VGGFace برای مسئله تخمین سن
- ارزیابی مدل
- مقایسه عملکرد شبکه پایه VGGFace و Google-Net برای تخمین سن
- نتیجه‌گیری
- نتیجه‌گیری و پیشنهادات
- نتیجه‌گیری
- پیشنهادات