jeudi, 18 juillet 2024

La recherche montre une précision améliorée de la reconnaissance faciale et des performances à basse résolution

La montée en puissance des

systèmes de reconnaissance et de confirmation biométriques lancés dans les installations périphériques a créé une lacune dans les conceptions de reconnaissance faciale précises et efficaces. La technologie traditionnelle de reconnaissance faciale basée sur les réseaux neuronaux à convolution profonde (DCNN) présente des limites. Il s’agit d’une vulnérabilité aux facteurs externes tels que les occlusions, les variations des conditions d’éclairage et les expressions faciales, qui peuvent compromettre la précision de l’identification. Les ingénieurs ont besoin d’une nouvelle approche capable de surmonter ces obstacles.

Les ingénieurs ont besoin d’une technologie de reconnaissance des attributs du visage qui utilise des stratégies améliorées d’extraction et de fusion de caractéristiques pour améliorer encore la précision. Ces techniques consistent à extraire des fonctions spéciales des images faciales et à les mélanger pour créer une représentation étendue des attributs du visage. En outre, le modèle d’application logicielle doit prendre en charge l’amélioration du flux d’informations entre les fonctions à différentes échelles. L’article « Étude de recherche sur l’innovation en matière de reconnaissance des caractéristiques du visage basée sur des caractéristiques à grain fin » propose un service pour relever ces défis.

La toute nouvelle approche de reconnaissance faciale de Yizhuo Gao du département des sciences criminelles et de l’innovation du Jilin Cops College de Chine utilise la mise en commun bilinéaire dans un DCNN pour faire ressortir les fonctions faciales. Cela implique d’établir des réseaux à trois échelles différentes pour capturer des fonctionnalités multi-échelles. Cette technique multi-échelle garantit que les fonctions sont dessinées à différentes résolutions, enregistrant les caractéristiques mondiales et locales du visage. Les fonctions extraites de diverses couches convolutives au sein du réseau sont intégrées pour former un ensemble de fonctions holistiques.

Figure 1. Architecture de la méthode de reconnaissance faciale utilisant le réseau neuronal convolutif profond

La figure 1 révèle la procédure d’architecture d’un système de reconnaissance d’expressions faciales, qui commence par une base de données d’images de visage destinée à entraîner la conception. La conception comporte six parties.

La phase initiale de prétraitement du visage comprend le prétraitement de l’image, qui peut être effectué via la détection du visage et l’amélioration de la qualité de l’image ou le recadrage de l’image uniquement pour ne contenir que le visage. préparer les données pour la connaissance des caractéristiques.

À l’étape de découverte des caractéristiques, le réseau traite des images spécifiques pour découvrir de nombreuses expressions faciales. Des techniques telles que la rotation, la mise à l’échelle et la modification des couleurs diversifient l’ensemble de données d’entraînement. Les images sont ensuite parcourues à travers deux réseaux neuronaux convolutifs distincts fonctionnant en parallèle pour l’extraction de fonctions. Ces DCNN, fréquemment utilisés pour l’apprentissage par transfert, intègrent les fonctionnalités extraites pour améliorer l’efficacité du modèle.

Une fois la fonction connue, la sortie combinée est transmise à une couche softmax, responsable de la prédiction finale dans les tâches de catégorie.

Parallèlement à la connaissance, une conception pré-entraînée examine l’image d’entrée de la base de données pour faire une prédiction. Cette prédiction de conception est intégrée à la sortie de la couche softmax pour améliorer la précision de la prédiction.

L’action suivante est la reconnaissance d’expression, la dernière étape où l’expression faciale est classée.

La conception génère ensuite une note de classification pour chaque classe d’expression faciale, qui, après la couche softmax, peut être analysée comme la probabilité montrant la probabilité de chaque expression faciale.

Résultats expérimentaux

L’étude a comparé les performances de leur technique de reconnaissance faciale avec des algorithmes existants, tels que VGG16-SSN, VGG16-PSN et APS, en se concentrant sur des caractéristiques telles que les fonctions physiques du visage et la structure générale du visage. Les résultats présentés dans la figure 2 révèlent que les taux de précision moyens pour VGG16-SSN, VGG16-PSN, APS et la technique proposée sont respectivement de 86,79 pour cent, 87,13 pour cent, 91,55 pour cent et 97,11 pour cent.

Figure 2. Précision des conceptions de reconnaissance faciale

L’article attribue la précision supérieure de sa méthode à son utilisation de fonctionnalités mondiales et locales, aidée par un mélange d’un sous-réseau partagé et de deux sous-réseaux spécifiques à des tâches. Cette méthode améliore non seulement la précision des algorithmes APS, mais résout également les difficultés de reconnaissance faciale à basse résolution.

L’étude de recherche analyse les performances de l’approche sur un spectre de résolutions, variant de 15 × 15 à 100. × 100 pixels. La reconnaissance des visages à des résolutions inférieures, telles que 15 × 15 à 30 × 30, est particulièrement difficile en raison du manque de détails de l’image. L’algorithme de l’article a atteint un taux de précision de 54,03 % à la résolution la moins chère de 15 × 5. La figure 3 présente des données sur la relation entre la résolution de l’image et le taux de précision.

Figure 3. Comparaison du taux de précision pour différentes résolutions

Conclusion

Dans les applications biométriques d’aujourd’hui, il existe un besoin continu de conceptions de reconnaissance faciale économes en énergie et extrêmement précises, adaptées au déploiement sur périphériques de périphérie aux ressources limitées. Là où les conceptions conventionnelles basées sur CNN ont échoué, selon Gao, la nouvelle génération de techniques de reconnaissance faciale excelle en exploitant les caractéristiques faciales détaillées pour l’extraction de caractéristiques à la fois mondiales et locales. L’exécution de ces algorithmes garantit le niveau de précision souhaité dans des environnements difficiles où des aspects externes pourraient autrement compromettre les performances.

.

Toute l’actualité en temps réel, est sur L’Entrepreneur

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici

xnxx sex download russianporntrends.com hardxxxpics saboten campus freehentai4u.com read manga porn rakhi sex photo ganstagirls.com nani sex video xxx indian girl video download elporno.mobi tamilauntycom bf hd video bf hd video porn555.me anyporn hd tamil beach sex erolenta.com xxx sex boy to boy bustyboobs pakistanixxxx.com nude sexy videos desi sex xvideos.com tubaka.mobi justdesi in free naked dance vegasmpegs.mobi eva grover desi ass lick eroanal.net 69 xvideo 4k xnxx thefuckingtube.com xxii roman numerals translation tamil nayanthara sex sexozavr.com indian porn videos tumblr كلبات سكس porn-arab.net نيك ف الكس y3df comics popsexy.net akhil wife hentai ahri wowhentai.net the sarashina bloodline