• شماره ركورد
    21513
  • شماره راهنما(اين فيلد مربوط به كارشناس ميباشد لطفا آن را خالي بگذاريد)
    21513
  • پديد آورنده

    علي فروزان نژاد

  • عنوان
    بازيابي چهره در مقياس بالا با استفاده از ويژگي‌هاي عميق و مشخصه‌هاي معنايي
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    فناوري اطلاعات - مخابرات امن
  • سال تحصيل
    1398
  • تاريخ دفاع
    1398/07/16
  • استاد راهنما
    دكتر سيد علي اصغر بهشتي شيرازي
  • دانشكده
    برق
  • چكيده
    با وجود محبوبيت روز افزون شبكه‌هاي اجتماعي و نيازهاي حوزه‌هاي قانوني و امنيتي، يكي از چالش‌هايي كه محققان بينايي ماشين با آن مواجه هستند، ارائه سامانه‌هاي بازيابي چهره با سرعت و دقت بالاست. هرچند شبكه‌هاي عصبي عميق نتايج بسيار خوبي در تشخيص چهره بدست آورده اند، اما اين مدل‌ها براي بازيابي چهره در مقياس بالا مناسب نيستند. در اين پروژه ما يك روش بازيابي چهره دو مرحله‌اي پيشنهاد داده‌ايم. در مرحله اول از يك صافي با به كارگيري مشخصه‌هاي معنايي چهره و ويژگي‌هاي عميق براي جداسازي تعدادي از تصاوير و در مرحله دوم از كل ويژگي‌هاي عميق براي رتبه بندي تصاوير با دقت بالا استفاده كرده‌ايم. نتايج آزمايش‌ها نشان مي‌دهد، روش پيشنهادي به نسبت آخرين روش نوين، بيش از 10 درصد دقت ميانگين (MAP) را افزايش داده و به‌علاوه در شرايط آزمايش بيش از 5/2 برابر سريع تر از آن عمل مي‌كند.
  • تاريخ ورود اطلاعات
    1398/10/08
  • عنوان به انگليسي
    Scalable Face Image Retrieval Using Deep Features and Facial Semantic Attributes
  • تاريخ بهره برداري
    10/8/2019 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    علي فروزان نژاد

  • چكيده به لاتين
    Given the popularity of social networks and law enforcement and security domain’s needs, one challenge facing computer vision researchers is to propose fast and accurate face retrieval systems. Although Deep CNN models obtained major results in face recognition, they are not suitable to use simply for face retrieval at large scale galleries. In this paper we propose a two-step face retrieval system, which combines human face attributes with a quantized discriminative subset of deep features at filtering step and then uses whole deep features at re-ranking step. Experimental results show that our proposed method significantly improves precision (more than 10% relative improvement in MAP) and is more than 2.5 times faster than the last state of the art method in our test environment.