23443

حداقل اتلاف حاشيه‌اي براي تشخيص چهره عميق

كارشناسي ارشد

برق گرايش الكترونيك ديجيتال

97ورودي

1399/11/28

دكتر احمد ايت الهي

دكتر احمد ايت الهي

برق

تشخيص چهره به موفقيت بسيار عظيمي دست‌يافته است كه دليل اصلي آن توسعه سريع شبكه‌هاي عصبي عميق در چند سال اخير است. رويكردهاي متفاوتي براي استفاده از توابع اتلاف در يك شبكه عصبي عميق وجود دارد كه منجر به عملكرد متفاوت هر يك از آن‌ها مي‌شود. اخيراً از رويكردهاي جديدي در استفاده از توابع اتلاف ارائه شده است بااين‌حال، آن‌ها همچنان قابليت بهبود و ارتقا دارند. در اين پژوهش سعي بر آن است از يك راه‌حل مناسب براي تمايل حاشيه‌اي با استفاده از يك حاشيه حداقلي براي تمامي دسته‌ها ارائه شود و پژوهش‌هاي انجام شده در اين زمينه بهبود يابد. تابع اتلاف جديدي به نام حداقل اتلاف حاشيه‌اي (MML) در نظر گرفته شده است كه هدف آن گسترش محدوده‌اي است كه به ويژگي‌هاي مركزي و اصلي دسته بيش از حد نزديك مي‌شود تا قابليت متمايزكردن ويژگي‌هاي عميق را ارتقاء دهد. تابع MML همراه با توابع Arcface Loss و Centre Loss بر فرايند آموزش نظارت مي‌كند تا حاشيه‌هاي تمامي دسته‌ها را صرف‌نظر از توزيع دسته آن‌ها مورد نظارت قرار دهد. در اين پژوهش سعي بر آن است تا تابع MML در شبكه عصبي Inception_Resnet_v2 پياده‌سازي شود و آزمايش‌هاي گسترده‌اي بر روي شش مجموعه داده تشخيص چهره انجام داده شود. نتايج نشان مي‌دهد كه تابع اتلاف پيشنهادي توانسته است دقت بيشتري نسبت به ساير توابع اتلاف بر روي هر يك از مجموعه داده‌هاي مذكور داشته باشد. آخرين دقت بدست آمده در مجموعه داده LFW مقدار 99.65 درصد بوده است كه در مقايسه با ساير روش ها، عملكرد بسيار قابل قبولي است.

1400/02/13

Minimum margin loss for deep face recognition

1/1/1900 12:00:00 AM

Face recognition has achieved great success owing to the fast development of deep neural networks in the past few years. Different loss functions can be used in a deep neural network resulting in different performance. Most recently some loss functions have been proposed, which have advanced the state of the art. However, they cannot solve the problem of margin bias which is present in class imbalanced datasets, having the so-called long-tailed distributions. In this paper, we propose to solve the margin bias problem by setting a minimum margin for all pairs of classes. We present a new loss function, Minimum Margin Loss (MML), which is aimed at enlarging the margin of those overclose class centre pairs so as to enhance the discriminative ability of the deep features. MML, together with Softmax Loss and Centre Loss, supervises the training process to balance the margins of all classes irrespective of their class distributions. We implemented MML in Inception-ResNet-v1 and conducted extensive experiments on seven face recognition benchmark datasets, MegaFace, FaceScrub, LFW, SLLFW, YTF, IJB-B and IJB-C. Experimental results show that the proposed MML loss function has led to new state of the art in face recognition, reducing the negative effect of margin bias. The results show that the proposed loss function can be more accurate than other loss functions on the data set.

يادگيري عميق , شبكه‌هاي عصبي كانولوشني , تشخيص چهره , حداقل اتلاف حاشيه‌اي

deep learning , Convolutional neural networks , Face recognition , Minimum Margin Loss