Тарасюк Александр Евгеньевич

СОДЕРЖАНИЕ
Постановка задачи
Выбор базового алгоритма
Модификация алгоритма
Программная реализация
Результаты экспериментов
Заключение

ПОСТАНОВКА ЗАДАЧИ
Задача распознавания человека по портретному изображению лица
Количество классов до 100
Множественные изображения для каждого класса в обучающей выборке
Требования к алгоритму
устойчивость к местоположению лица, уровню освещённости и помехам
приемлимое время обучения и работы

СХЕМА СВЁРТОЧНОЙ СЕТИ

БАЗОВЫЙ АЛГОРИТМ
Описан в работе Lawrence S., Giles C. L., Tsoi A. C., Back A. D.
Face Recognition: A Convolutional Neural Network Approach
Обучение
Предобработка (масштабирование)
Прямое распространение по свёрточной сети
Вычисление ошибки сети
Обратное распространение и корректировка весов (шаг обучения зависит от эпохи)
Распознавание
Предобработка (масштабирование)
Прямое распространение по свёрточной сети
Принятие решения на основе выходного вектора
Характеристики:
Высокая точность
Устойчивость к изменению местоположения лица
Слабая устойчивость к уровню освещённости и шумам
Большая вычислительная сложность (особенно процесс обучения)

ВИЗУАЛИЗАЦИЯ РАБОТЫ АЛГОРИТМА

МОДИФИКАЦИЯ АЛГОРИТМА

МОДИФИКАЦИЯ АЛГОРИТМА

ПРОГРАММНАЯ РЕАЛИЗАЦИЯ
Три основных компонента:
Компоненты представляют собой программные модули, написанные на языке программирования C# (платформа .NET).
Особенности реализации алгоритма свёрточной сети:
Гибкость при настройке (возможность задания параметров архитектуры сети: кол-во слоёв, их тип, кол-во нейронов и связей между слоями, размер входных данных)
Возможность получения структурированной информации о внутреннем состоянии сети (весах нейронов и промежуточных значениях при вычислении);

РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ
Базы – ORL и FERET
Обучающая и тестовая выборки не пересекаются
Конфигурации нейронных сетей:
2 свёрточных слоя (10 и 30 нейронов)
2 свёрточных слоя (20 и 20 нейронов)
3 свёрточных слоя (10, 20 и 20 нейронов)
3 свёрточных слоя (5, 10 и 10 нейронов)

РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ
База ORL
База FERET

ПРИМЕРЫ
Устойчивость к местоположению
Устойчивость к уровню освещённости
Пример ошибочного распознавания

ЗАКЛЮЧЕНИЕ
Рассмотрен подход на основе свёрточных нейронных сетей
Предложена модификация базового алгоритма Лоренса-Гилса включающая вейвлетную предобработку, локальную нормализацию, введение обратных связей и адаптивного шага обучения.
Эксперименты показали снижение уровня ошибок распознавания в 1,2 – 2,5 раз для баз изображений ORL и FERET