Publicação
Reconhecimento Facial Através de Aprendizagem Profunda em Imagens Multiespectrais
| Resumo: | Neste trabalho, é proposta uma nova arquitetura para o reconhecimento facial utilizando imagens multiespectrais. A arquitetura produz conjuntos de características de 256 dimensões que representam a identidade de uma pessoa baseada em imagens multiespectral. Adicionalmente, neste estudo é proposto um detetor de personificação com o objetivo de detectar a utilização de máscaras. O classificador multiespectral obtém melhores resultados quando comparado com o YCbCr ou o HSV. Foram realizados diversos testes com o intuito de identificar quais as melhores camadas a adaptar da LightCNN e concluiu-se que o melhor resultado corresponde ao conjunto das camadas ({1-3}+UCL). Este estudo permitiu concluir que quanto maior for o número de camadas adaptadas, pior é o resultado final. Os melhores resultados ocorrem da adaptação das camadas iniciais da rede neural. Para classificar os conjuntos de características de 256 dimensões o classificador SVM com kernel linear obteve os melhores valores em rank-1 quando comparado com os restantes classificadores, para as duas bases de dados multiespectrais utilizadas. Estudos extensivos nas bases de dados multiespectrais demonstraram a superioridade da metodologia proposta, tendo sido obtidos valores em rank-1 de 99,7% e 99,8% para as bases de dados multiespectrais Tufts e CASIA NIR-VIS 2.0. |
|---|---|
| Autores principais: | Chambino,Luis Lopes |
| Outros Autores: | Silva,José Silvestre; Bernardino,Alexandre |
| Assunto: | reconhecimento facial imagens multiespectrais |
| Ano: | 2021 |
| País: | Portugal |
| Tipo de documento: | texto |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Academia Militar |
| Idioma: | português |
| Origem: | Academia Militar |
| Resumo: | Neste trabalho, é proposta uma nova arquitetura para o reconhecimento facial utilizando imagens multiespectrais. A arquitetura produz conjuntos de características de 256 dimensões que representam a identidade de uma pessoa baseada em imagens multiespectral. Adicionalmente, neste estudo é proposto um detetor de personificação com o objetivo de detectar a utilização de máscaras. O classificador multiespectral obtém melhores resultados quando comparado com o YCbCr ou o HSV. Foram realizados diversos testes com o intuito de identificar quais as melhores camadas a adaptar da LightCNN e concluiu-se que o melhor resultado corresponde ao conjunto das camadas ({1-3}+UCL). Este estudo permitiu concluir que quanto maior for o número de camadas adaptadas, pior é o resultado final. Os melhores resultados ocorrem da adaptação das camadas iniciais da rede neural. Para classificar os conjuntos de características de 256 dimensões o classificador SVM com kernel linear obteve os melhores valores em rank-1 quando comparado com os restantes classificadores, para as duas bases de dados multiespectrais utilizadas. Estudos extensivos nas bases de dados multiespectrais demonstraram a superioridade da metodologia proposta, tendo sido obtidos valores em rank-1 de 99,7% e 99,8% para as bases de dados multiespectrais Tufts e CASIA NIR-VIS 2.0. |
|---|