ВИКОРИСТАННЯ ЗГОРТАЛЬНИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ІДЕНТИФІКАЦІЇ ОБЛИЧЧЯ ЛЮДИНИ

Анотація

В даній роботі розглянута нейронна мережа, завданням якої є ідентифікація обличчя людини. Ідентифікація особи людини зводиться до розв'язку завдання класифікації, а модель представлена у вигляді  згортальної нейронної мережі. У якості прототипу взята нейронна мережа Lenet-5, яка застосовувана для ідентифікації рукописних цифр. Враховуючи, що ідентифікація особи є більш складним завданням, чим ідентифікація рукописних цифр, була змінена архітектура нейронної мережі.

Запропоновано три варіанти мережі різної архітектури, зроблене їхнє навчання на одній і тій же вибірці зображень обличчя людині, яка була створена для розв'язку завдання. При цьому використані різні функції активації й методи оцінки точності ідентифікації. Мінімізація функції помилки при ідентифікації виконана методами стохастичного градієнтного спуску (SGD) та Adam. У якості оцінки нейронних мереж різної архітектури використані час навчання й точність ідентифікації.

Перший  варіант містить 4 шари згортки, 2 шари ЗНМ підвибірки (субдискретизації), вхідний шар та два повнозв’язних шари, один з яких є вихідним шаром. Час навчання та точність  класифікації обличчя людини в цій мережі відповідно дорівнює 22,5 хвилин і 50%.

Другий варіант  містить 3 шари згортки, 3 шари підвибірки, також вхідний шар та два повнозв’язних шари, один з яких є вихідним шаром. Час навчання та точність  класифікації в цій мережі відповідно дорівнює 9,2 хвилин і 81,25%.

Найкращою, з точки зору точності класифікації та часу навчання, є третій варіант архітектури нейронної мережі. Вона побудована на основі другого варіанта мережі, але кількість нейронів в першому повнозв’язному шарі дорівнює 1024, замість 512. Час навчання та точність  класифікації обличчя  людини в цій мережі відповідно дорівнює 9,1 хвилин і 93,75%.

Подальше підвищення якості може бути досягнуте при збільшенні набору даних і, насамперед, вибірки навчання.

Ключові слова: класифікація, ідентифікація, нейронна мережа, згортальна нейронна мережа, моделювання, Lenet-5, шар субдискретизації, повнозв’язний шар, вихідний шар.