Циклические генеративные нейронные сети для улучшения  распознавания лиц в нестандартных доменах

Представлена система методов для улучшения качества распознавания лиц, снятых в инфракрасном диапазоне. Собрана база обычных и инфракрасных изображений лиц для тестирования алгоритма распознавания в мультидоменной среде. Разработан алгоритм, основанный на циклических генеративных нейронных сетях, позволяющий переводить изображение из цветного домена в инфракрасный, что значительно увеличивает размер обучающей выборки. Проверено, что дообучение алгоритма распознавания на сгенерированных инфракрасных изображениях улучшает результат на контрольной выборке.

Ключевые слова

Источник финансирования

Работа выполнена при финансовой поддержке РФФИ (грант №16-51-53093)

Получено

07.01.2019

Дата публикации

07.01.2019

Цитировать Скачать pdf Для скачивания PDF необходимо авторизоваться

ГОСТ	Цурков В. И. , Гринчук О. В. Циклические генеративные нейронные сети для улучшения распознавания лиц в нестандартных доменах // Известия Российской академии наук. Теория и системы управления – 2018. – Номер 4 C. 140-145 [Электронный ресурс]. URL: http://ras.jes.su/tisu/s207987840001694-2-1 (дата обращения: 30.04.2024). DOI: 10.31857/S000233880002517-7
MLA	Tsurkov, V., Grinchuk, O. "Cyclic generative neural networks to improve face recognition in non-standard domains." Izvestiia Rossiiskoi akademii nauk. Teoriia i sistemy upravleniia 4 (2018):140-145. DOI: 10.31857/S000233880002517-7
APA	Tsurkov V., Grinchuk O. (2018). Cyclic generative neural networks to improve face recognition in non-standard domains. Izvestiia Rossiiskoi akademii nauk. Teoriia i sistemy upravleniia (4), pp.140-145 DOI: 10.31857/S000233880002517-7

Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 1112

Оценка читателей: голосов 0

1. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems. 2012. V.25. P.1097–1105.

2. Guo Y. Zhang L., Hu Y. MS-Celeb-1M: A Dataset and Benchmark for Large Scale Face Recognition // European Conf. on Computer Vision. Amsterdam, 2016.

3. Parkhi O. M., Vedaldi A., Zisserman A. Deep Face Recognition // British Machine Vision Conf. Swansea, UK, 2015.

4. Десятчиков А.А., Ковков Д.В., Лобанцов В.В. и др. Комплекс алгоритмов для устойчивого распознавания человека // Изв. РАН. ТиСУ. 2006. № 6. P.119–130.

5. Визильтер Ю.В., Желтов С.Ю. Использование проективных морфологий в задачах обнаружения и идентификации объектов на изображениях // Изв. РАН. ТиСУ. 2009. № 2. P.125–138.

6. Ишутин А.А., Кикин И.С., Себряков Г.Г. Алгоритмы обнаружения, локализации и распознавания оптико-электронных изображений группы изолированных наземных объектов для инерциально-визирных систем навигации и наведения летательных аппаратов // Изв. РАН. ТиСУ. 2016. №2. P.85.

7. Кузнецов В.Д., Матвеев И.А., Мурынин А.Б. Идентификация объектов по стереоизображениям. II.Оптимизация информационного пространства // Изв. РАН. ТиСУ. 1998. № 4. P.50–53.

8. Матвеев И.А., Мурынин А.Б. Идентификация объектов по стереоизображениям. Оптимизация алгоритмов восстановления поверхности // Изв. РАН. ТиСУ. 1998. № 3. P.149–155.

9. Csurka G. Domain Adaptation for Visual Applications: A Comprehensive Survey // Advances in Computer Vision and Pattern Recognition. Springer, 2017.

10. Gatys L. A., Ecker A.S., Bethge M. A Neural Algorithm of Artistic Style // Cornell University Library arXiv. 2015. V.1508.06576.

11. Goodfellow I., Pouget-Abadie J., Mirza M. Generative Adversarial Networks // Advances in Neural Information Processing Systems. 2014. V.27. P.2672–2680.

12. Zhu J., Park T., Isola P. Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks // Intern. Conf. on Computer Vision. Venice, 2017.

13. Fawcett T. An Introduction to ROC Analysis // Pattern Recogn. Lett. 2006. №27. P.861–874.

14. Schroff F., Kalenichenko D., Philbin J. FaceNet: A Unified Embedding for Face Recognition and Clustering // Conf. on Computer Vision and Pattern Recognition. Boston, MA, 2015.

15. Grgic M., Delac K., Grgic S. SCface — Surveillance Cameras Face Database // Multimedia Tools Appl. 2011. №51. P.863–879.

16. Yi D., Lei Z., Liao S. Learning Face Representation from Scratch // Cornell University Library arXiv. 2014. V1411.7923.

17. Baldi P. Autoencoders, Unsupervised Learning and Deep Architectures // Intern. Conf. on Unsupervised and Transfer Learning Workshop. Bellevue, US, 2011. №27. P.37–50.

18. He K., Zhang X., Ren S. Deep Residual Learning for Image Recognition // Conf. on Computer Vision and Pattern Recognition. Las Vegas, 2016.

19. Johnson J., Alahi A., Li. F.F. Perceptual Losses for Real-Time Style Transfer and Super-Resolution // European Conf. on Computer Vision. Amsterdam, 2016.

20. Isola P., Zhu J.Y., Zhou T. Image-to-Image Translation with Conditional Adversarial Networks // Conf. on Computer Vision and Pattern Recognition. Honolulu, 2017.