Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.
Мэдрэлийн гүн сүлжээ ашиглан хүний царай таних
аргачлалын судалгаа
(Face Recognition with Deep Neural Network)
М.Эрхэмбаат...
Удиртгал

Дүрс болон царай илрүүлэх, таних хэрэгцээ өссөн

Хүний чадавхи 99.5%, DeepFace 99.7%, EigenFace 64.8%
Маш их х...
Хэрэгцээ: Компьютер хараа

Хиймэл оюун ухаан, Робот

Ухаалаг гэр, оффис, хот

Эрүүл мэнд, оношилгоо CT, MRI (Хорт хавда...
Зорилго

Онол алгоритмд суралцаж, эзэмших

Computer Vision, Image Classification, Machine & Deep Learning, CNN, RNN, Sof...
Судлагдсан байдал
Pre-trained VGG models by Oxford University, Монголын жишээ*
Царай илрүүлэх, таних
(зургийг “Face Detection and Recognition: Theory and Practice” номноос авч ашиглав)
Царай илрүүлэх: HOG хэв шинж
Histogram of Oriented Gradients
1. Цэгийн градиент чиглэл 2. HOG дүрслэл
3. HOG царайн хэв ши...
Мэдрэлийн гүн сүлжээ
Convolutional, Non-linear, Pooling (Down sampling), Fully Connected layers, Output
Зургийг “A Beginne...
CNN: Шүүлтүүрдэх (Convolving)
Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч а...
CNN: Мэдрэл (neuron)
Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч ашиглав
CNN: Шүүлтүүр (feature)
Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч ашиглав...
CNN: Backpropagation

Forward pass, Lost function, Backward pass, Weight update

MSE (Mean Squared Error), Softmax, SVM,...
Царай танилт: Сургалтын өгөгдөл
4 хүний нийт 226ш сургалтын өгөгдөл, туршилтын 50ш зураг

Dlib, OpenCV, Python
Царай танилт: Хэрэгжүүлэлт, туршилт
Python, OpenCV, Dlib, Torch, OpenFace, CUDA, cuDNN, LinuxMint
HOG face detection, pre-...
Үр дүн
Туршилтын дундаж 92.54%, DeepFace 99.97%, Хүний чадавхи 99.5%
Өгөгдөл Туршилтын үр дүн (True positive) Дундаж Алдаа...
Дүгнэлт
Интринсик Экстринсик

Ажиглагчаас хамааралгүй Ажиглагчаас хамааралтай

Физик хүчин зүйлс Гэрэлтүүлэг,

Үсний хэ...
Ашигласан материал

[1] “Baidu’s Artificial-Intelligence Supercomputer Beats Google at Image Recognition”, MIT Technology...
Анхаарал хандуулсанд баярлалаа!
Асуулт?
“Engineers turn dreams into reality”
Hayao Miyazaki
Próxima SlideShare
Cargando en…5
×

Face recognition with Deep Neural Network

971 visualizaciones

Publicado el

Face recognition with Convolutional Neural Network

Publicado en: Tecnología
  • Sé el primero en comentar

Face recognition with Deep Neural Network

  1. 1. Мэдрэлийн гүн сүлжээ ашиглан хүний царай таних аргачлалын судалгаа (Face Recognition with Deep Neural Network) М.Эрхэмбаатар А.Хүдэр* Б.Луубаатар** Магистрант, Компьютерийн Ухааны салбар, ШУТИС-МХТС, Улаанбаатар, Монгол улс *Удирдагч: Доктор, дэд проф., Компьютерийн Ухааны салбар, ШУТИС-МХТС, Улаанбаатар, Монгол улс **Зөвлөх: Докторант ахлах багш, Электроникийн салбар, ШУТИС-МХТС, Улаанбаатар, Монгол улс 2016-11-30
  2. 2. Удиртгал  Дүрс болон царай илрүүлэх, таних хэрэгцээ өссөн  Хүний чадавхи 99.5%, DeepFace 99.7%, EigenFace 64.8% Маш их хэмжээний өгөгдөл: ImageNet Параллель тооцоолол: GPU, CUDA, cuDNN, Caffe, Torch  Тасалгааны камераар дүрс, царай таних хэрэгцээ Хүндрэл, тооцооллын зардал Зургийг Стэнфордын их сургуулийн “CS131: Computer Vision: Foundations and Applications” хичээлийн материалиас авав зургийг Brandon Amos
  3. 3. Хэрэгцээ: Компьютер хараа  Хиймэл оюун ухаан, Робот  Ухаалаг гэр, оффис, хот  Эрүүл мэнд, оношилгоо CT, MRI (Хорт хавдар илрүүлэх)  Дрон, жолоочгүй автомашин  Камерийн хяналт, газарзүй орчны зураглал  Бизнес, медиа, энтертайнмент, ... Зургуудыг Nvidia.com, Omate.com сайтаас тус тус авав
  4. 4. Зорилго  Онол алгоритмд суралцаж, эзэмших  Computer Vision, Image Classification, Machine & Deep Learning, CNN, RNN, Softmax, SVM, ..  Өгөгдлийн бааз бүрдүүлэх Өгөгдөл олборлолт, Сургалтын өгөгдөл, Их өгөгдөл (ImageNet 14 сая зурагтай) ...  Техник ур чадвар эзэмших Суперкомпьютер: GPU, Параллель тооцоолол, .. Багаж хэрэгсэл: Numpy, Scikit-learn, Linux, OpenCV, Dlib, CUDA, cuDNN, Caffe, Torch, TensorFlow, ..  Туршилт, судалгааны аргачлалын ур чадвар эзэмших Дүрс илрүүлэх, царай таних, ангилагч, мэдрэлийн сүлжээ үүсгэх  Вишн Лаборатори, МХТС  NVIDIA GPU Educators Program, “AI & Autonomous Robotic” хичээл, лаб. ажил  AI Robot of smart home
  5. 5. Судлагдсан байдал Pre-trained VGG models by Oxford University, Монголын жишээ*
  6. 6. Царай илрүүлэх, таних (зургийг “Face Detection and Recognition: Theory and Practice” номноос авч ашиглав)
  7. 7. Царай илрүүлэх: HOG хэв шинж Histogram of Oriented Gradients 1. Цэгийн градиент чиглэл 2. HOG дүрслэл 3. HOG царайн хэв шинж зургийг “Machine Learning is Fun! Part 4: Modern Face Recognition with Deep Learning” нийтлэлээс авч ашиглав
  8. 8. Мэдрэлийн гүн сүлжээ Convolutional, Non-linear, Pooling (Down sampling), Fully Connected layers, Output Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч ашиглав
  9. 9. CNN: Шүүлтүүрдэх (Convolving) Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч ашиглав
  10. 10. CNN: Мэдрэл (neuron) Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч ашиглав
  11. 11. CNN: Шүүлтүүр (feature) Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч ашиглав зургийг Andrew Ng
  12. 12. CNN: Backpropagation  Forward pass, Lost function, Backward pass, Weight update  MSE (Mean Squared Error), Softmax, SVM, Gradient descent, Epoch Зургийг “A Beginner's Guide To Understanding Convolutional Neural Networks” нийтлэлээс авч ашиглав
  13. 13. Царай танилт: Сургалтын өгөгдөл 4 хүний нийт 226ш сургалтын өгөгдөл, туршилтын 50ш зураг  Dlib, OpenCV, Python
  14. 14. Царай танилт: Хэрэгжүүлэлт, туршилт Python, OpenCV, Dlib, Torch, OpenFace, CUDA, cuDNN, LinuxMint HOG face detection, pre-trained CNN model with Linear SVM classifier
  15. 15. Үр дүн Туршилтын дундаж 92.54%, DeepFace 99.97%, Хүний чадавхи 99.5% Өгөгдөл Туршилтын үр дүн (True positive) Дундаж Алдаа Хүүхэд, 2 нас 50ш 0.83 0.87 0.91 0.98 0.86 0.97 0.97 0.99 0.97 0.92 0.927 0 Хүүхэд, 8 нас 68ш 0.99 0.99 0.68 0.97 0.99 0.94 1.00 1.00 0.99 0.48 0.903 2 Том хүн, эр 26ш 0.92 0.95 0.90 0.78 0.90 0.93 0.87 0.97 0.96 0.93 0.911 1 Том хүн, эм 82ш 0.83 0.98 0.99 0.91 0.93 0.98 0.99 0.98 1.00 0.99 0.958 0 Нийт 226ш 0.925 3 Өгөгдөл Туршилтын үр дүн (True negative) Дундаж Алдаа Өөр хүн 10ш 0.49 0.59 0.42 0.21 0.28 0.53 0.03 0.06 0.64 0.54 0.379 6
  16. 16. Дүгнэлт Интринсик Экстринсик  Ажиглагчаас хамааралгүй Ажиглагчаас хамааралтай  Физик хүчин зүйлс Гэрэлтүүлэг,  Үсний хэлбэр, насжилт Байршил  Нүүрний хувирал, нүдний шил Фокус  Арьсны өнгө, хүйс, угсаатанзүйн Шуугиан (noise)  Сургалтын өгөгдөл цөөдсөн, бусад хүмүүсийн зураг оруулах 92.5%  Их хэмжээний өгөгдөл (хүн тус бүрийн 500-1000) дээр GPU ашиглаж туршилт хийх  Тасалгааны камер, гэрийн туслах-роботын хиймэл оюунд ашиглах боломжтой
  17. 17. Ашигласан материал  [1] “Baidu’s Artificial-Intelligence Supercomputer Beats Google at Image Recognition”, MIT Technology Review, 2015  [2] “DeepFace: Closing the Gap to Human-Level Performance in Face Verification”. Facebook AI Research Publication, 2014  [3] “Machine Learning is Fun! Part 4: Modern Face Recognition with Deep Learning”, 2016  [4] Navneet Dalal, Bill Triggs. "Histograms of Oriented Gradients for Human Detection”, 2005  [5] Vahid Kazemi, Josephine Sullivan. “One Millisecond Face Alignment with an Ensemble of Regression Trees”, 2014  [6] Florian Schroff, Dmitry Kalenichenko, James Philbin. “FaceNet: A Unified Embedding for Face Recognition and Clustering”, 2015  [7] Brandon Amos. OpenFace. https://cmusatyalab.github.io/openface/  [8] D. A. Forsyth and J. Ponce. "Computer Vision: A Modern Approach (2nd edition)". Prence Hall, 2011  [9] opencv.org, dlib.com, http://torch.ch  [10] CUDA, cuDNN. http://nvidia.com  [11] “CS231n Convolutional Neural Networks for Visual Recognition”, Stanford University  [12] Stan Z. Li Anil K. Jain. “Handbook of Face Recognition”. Springer, 2004  [13] Asit Kumar Datta, Madhura Datta, Pradipta Kumar Banerjee. “Face Detection and Recognition: Theory and Practice”. Taylor & Francis, 2015  [14] Mohamed Daoudi, Anuj Srivastava, Remco Veltkamp. “3D Face Modeling, Analysis and Recognition”. Wiley, 2013
  18. 18. Анхаарал хандуулсанд баярлалаа! Асуулт? “Engineers turn dreams into reality” Hayao Miyazaki

×