اگر در زمینه هوش مصنوعی فعالیت و مطالعه دارید یا علاقمند به اخبار فناوری باشید با فناوری تشخیص چهره با استفاده از هوش

مصنوعی آشنا هستید در این پست می پردازیم.

 

به فناوری تشخیص چهره و همینطور مشکلاتی که آن را چالش برانگیز می کند. با ما همراه باشید.

 

امروزه، پیری به یک مشکل چالش برانگیز برای سیستم های تشخیص چهره تبدیل شده است. این چالش به‌ویژه به دلیل تغییرات

بیولوژیکی مرتبط با سن است که می‌تواند. به

 

تغییرات قابل‌توجهی در ویژگی‌های چهره بین دو تصویر گرفته شده در سنین مختلف از یک فرد منجر شود. از آنجایی که صورت شدیدترین قسمتی است که تحت تأثیر پیری قرار

 

می‌گیرد. نیاز فزاینده‌ای به استخراج ویژگی‌های قوی صورت برای تشخیص چهره ثابت با سن وجود دارد. به‌ویژه در حضور تفاوت‌های سنی زیاد در تصاویر چهره یک فرد هدف این

 

پست بررسی اثربخشی روش‌های مبتنی بر یادگیری عمیق به عنوان ابزار استخراج ویژگی‌ها برای تشخیص چهره تغییرناپذیر سن است. در این مطالعه، ما پنج مدل شبکه عصبی

 

کانولوشن عمیق را ارزیابی می کنیم. که عبارتند از AlexNet، GoogleNet، Inception V3، ResNet50 و SqueezeNet، در یک پایگاه داده به طور گسترده ای استفاده می شود. که

 

پیری چهره، یعنی FG-NET، با استفاده از  K-نزدیکترین همسایه K-NN تجزیه و تحلیل متمایز، و ماشین های بردار پشتیبانی     SVMطبقه بندی. علاوه بر این، یک آزمون تجزیه و

 

تحلیل آماری برای تأیید معنی‌ آماری نتایج به‌دست‌آمده انجام می‌شود. نتایج تجربی در این پایگاه داده، نوید استفاده از شبکه‌های عصبی کانولوشنال (CNN) را برای تشخیص چهره

 

در طول پیشرفت سنی نشان می‌دهد. همچنین به نظر می‌رسد. مدل AlexNet برای تشخیص چهره تغییرناپذیر سن بسیار امیدوارکننده است، زیرا بالاترین میانگین میزان دقت

 

همیشه با استخراج ویژگی با استفاده از مدل AlexNet به دست می‌آید. این نتایج با توجه به آزمون فرضیه سطح اطمینان ۹۵ درصد معنادارتر هستند.

 

یک آزمون تحلیل آماری برای

 

تایید معناداری آماری نتایج به دست آمده انجام می شود. نتایج تجربی در این پایگاه داده، نوید استفاده از شبکه‌های عصبی کانولوشنال  CNN را برای تشخیص چهره در طول

 

پیشرفت سنی نشان می‌دهد. همچنین به نظر می‌رسد مدل AlexNet برای تشخیص چهره تغییرناپذیر سن بسیار امیدوارکننده است. زیرا بالاترین میانگین میزان دقت همیشه با

 

استخراج ویژگی با استفاده از مدل AlexNet به دست می‌آید. این نتایج با توجه به آزمون فرضیه سطح اطمینان ۹۵ درصد معنادارتر هستند. یک آزمون تحلیل آماری برای تایید

 

معناداری آماری نتایج به دست آمده انجام می شود. نتایج تجربی در این پایگاه داده، نوید استفاده از شبکه‌های عصبی کانولوشنال CNN را برای تشخیص چهره در طول پیشرفت

 

سنی نشان می‌دهد. همچنین به نظر می‌رسد مدل AlexNet برای تشخیص چهره تغییرناپذیر سن بسیار امیدوارکننده است.

 

بیومتریک

چهره یک ویژگی مهم برای سیستم های شناسایی و تأیید بیومتریک است، زیرا اطلاعات لازم را در مورد هویت افراد ارائه می دهد. با این حال، این مشخصه بیشتر تحت تأثیر فرآیند

 

پیری است که به طور قابل توجهی بر عملکرد الگوریتم های تشخیص چهره تأثیر می گذارد.

 

پیری به دلایل متعددی محدود کننده است: اولاً، اثرات پیری را نمی توان کنترل کرد زیرا حذف تغییرات پیری در طول ثبت تصویر از صورت امکان پذیر نیست. همچنین، پیری بر افراد

 

تأثیر متفاوتی می‌گذارد. این ممکن است به دلیل قومیت، سبک زندگی، محیط و غیره باشد. علاوه بر این، پیری تحت تأثیر عوامل بیولوژیکی مانند جنسیت، اصل و نسب، ژنتیک،

 

بیماری هایی است. که نشان داده شده است که در اثرات پیری صورت نقش دارند حتی برخی از عوامل خارجی مانند سیگار کشیدن، مصرف الکل، قرار گرفتن در معرض آب و هوای

 

شدید، استرس عاطفی و تغییرات چشمگیر وزن می توانند روند پیری را تسریع کند.

 

بنابراین، بسط سیستم‌های تشخیص چهره تغییرناپذیر سن ممکن است به شناسایی دقیق هر فرد حتی در صورت وجود تفاوت سنی کمک کند، و از به‌روزرسانی پایگاه‌های داده بزرگ

 

چهره با تصاویر جدیدتر اجتناب می‌کند. روش‌هایی که در رابطه با اثرات پیری بر تشخیص چهره ارائه شده‌اند را می‌توان در دو دسته اصلی دسته‌بندی کرد : روش‌های «تولیدکننده» و

 

«تبعیض‌کننده». روش‌های مولد مستقیماً مبتنی بر تخمین سن و تغییر سن هستند. تا تصویر پرس و جو را به سن مناسب تبدیل کنند، سپس می‌توان از هر الگوریتم تشخیص

 

استاندارد برای به دست آوردن هویت پرس و جو استفاده کرد. با این حال، روش‌های متمایز به ویژه بر انتخاب ویژگی‌های تبعیض‌آمیز و یادگیری متریک که در طول زمان تغییر

 

نمی‌کنند، تمرکز می‌کنند. اخیراً می توان دسته دیگری را اضافه کرد که شامل روش های مبتنی بر یادگیری عمیق است. یک نظرسنجی اخیر در مورد سیستم‌های تشخیص چهره

 

تغییرناپذیر سن، اثرات پیری بر عملکرد سیستم‌های تشخیص چهره و همچنین برخی پایگاه‌های داده صورت ممکن است در Sawant و Bhurchandi (2018) یافت شود.

 

 

در این پست ، ما به رویکردهای متمایز، به ویژه در مرحله استخراج ویژگی علاقه مند هستیم که گام بسیار مهمی در تشخیص چهره است. زیرا امکان استخراج نمایش های بصری

 

مفید از تصاویر چهره را فراهم می کند، که متمایز هستند و به طور کامل ویژگی های چهره سالخورده را توصیف می کنند .

 

 

استخراج ویژگی ها

 

از سوی دیگر، ثابت شده است. که قبل از مرحله استخراج ویژگی مبتنی بر سی ان ان با یک مرحله عادی سازی حالت و روشنایی، بسیار ضروری است، زیرا ممکن است عملکرد بهتری

 

در حضور داشته باشد. در مرحله نهایی، از سه طبقه‌بندی کننده پرکاربرد برای تشخیص چهره، که K- نزدیک‌ترین همسایه K-nn، تحلیل تفکیک‌کننده  LDA و ماشین‌های بردار

 

پشتیبان SVM برای تشخیص استفاده می‌شوند. این مطالعه شامل نرخ‌های دقت تشخیص و معنی‌داری آماری تفاوت‌های نرخ است.

 

چالشی که دانشمندان و مهندسین برنامه نویسی با آن درگیر هستند در زمینه تشخیص چهره تغییر چهره در طول زمان است که راهکارهایی را مورد آزمایش قرار می دهند و نتایج

 

خوبی را نیز بدست آورده اند.

 

                                 امیدوارم در این پست مطالب مورد قبولی را قرار داده باشیم و مورد رضایت علاقمندان قرار گیرد.

شرکت بومی سازان پردازش هوشمند قائم مفتخر است در راستای خدمات هوش مصنوعی در زمینه  تشخیص چهره پیشگام در ارائه نرم افزار بوده است.