В статье рассматривается применение сверточных нейронных сетей (CNN) для решения задач детекции и идентификации лиц. Проводится анализ эффективности различных архитектур при работе в условиях вариативности освещения и ракурса.

Работа посвящена исследованию сиамских сетей (Siamese Networks) в задачах верификации личности (one-shot learning). Описывается принцип обучения с использованием Contrastive Loss и Triplet Loss для построения эффективного метрического пространства признаков.

В работе описывается проектирование и программная реализация системы контроля и управления доступом (СКУД) на базе алгоритмов компьютерного зрения. Рассмотрены вопросы интеграции программного модуля с базой данных сотрудников.

В работе рассматривается оценка скорости движения объектов на видеокамере. Показана и проанализирована структура нейросетевой модели YOLO и алгоритма трекинга BotSort. Создана программа для демонстрации работы модели YOLO и алгоритма BotSort. Было проведено тестирование программы на различных видеоматериалах с разными условиями. Выделены и проанализированы достоинства и недостатки новейшей версии модели YOLO.

В данной статье проведён комплексный анализ современных библиотек машинного обучения с целью выявления и систематизации функциональных возможностей, предназначенных для построения свёрточных нейронных сетей (СНС). Уделено особое внимание изучению взаимосвязей между параметрами сети (гиперпараметрами) и их влиянию на архитектуру модели. Результаты настоящего исследования формируют теоретическую базу для последующей разработки имитационной модели СНС. Предложенное параметрическое описание позволяет структурировать процесс проектирования свёрточных нейронных сетей и может быть использовано как основа для создания средств обучения в области искусственных нейронных сетей.

Рассматривается задача автоматизации видеорегистрации присутствия студентов на учебном занятии. Выполнена постановка задачи компьютерного распознавания и разработана функциональная схема системы. Описана архитектура нейронной сети VGGFace и её использование для распознавания лиц из видеопотока. Проведена экспериментальная оценка качества распознавания лиц в зависимости от различного вида помех, и от объёма видеоданных, определяемого количество студентов.

В данной статье описана архитектура свёрточной нейронной сети VGGFace, на основе которой разработана схема компьютерного распознавания человека по его лицу. Выполнена программная реализация системы, которая осуществляет автоматическое ведение электронного журнала группы. Проведены эксперименты по видеорегистрации студентов при входе в аудиторию с помощью компьютерного зрения.

В работе рассматриваются основные методы и способы обнаружения и классификации объектов на изображении. Анализ показал достоинства и недостатки разных версий модели при обработке статичных изображений и обработке изображений в режиме реального времени. В качестве сравнения были выбраны модель YOLOv3 и YOLOv8.

В статье рассмотрена модель одношагового прогнозирования временного ряда в виде многослойной нейронной сети прямого распространения. Исследован процесс прогнозирования временного ряда периодической функции и временного ряда котировок акций компании Tesla. Экспериментально вычислены параметры модели, при которых точность прогноза максимальна.

Предложена схема видеорегистрации студентов при входе в аудиторию с помощью компьютерного зрения. Признаки лица человека формируются предобученной свёрточной нейронной сетью VGGFace. Выполнена оценка качества распознавания людей нейросетью VGGFace путём проведения ряда экспериментов по распознаванию лиц в условиях разного вида помех.

В статье рассматриваются методы машинного обучения для задач распознавания лиц, а также современные подходы к сбору и обработке данных.

Проведен сравнительный анализ существующих алгоритмов сегментации, применяемых на этапе предобработки в системах распознавания.

Описываются подходы к детектированию лиц в видеопотоке, анализируются проблемы работы в реальном времени.

Исследуется сложная задача различения монозиготных близнецов с помощью современных алгоритмов компьютерного зрения.

Работа посвящена совместному использованию классического метода Виолы-Джонса и нейросетевых подходов.

Шумовые помехи и нестабильное качество изображений создают растущие проблемы для систем распознавания лиц, особенно в условиях городского видеонаблюдения. В то время как традиционные методы шумоподавления, такие как вейвлет-преобразования и другие классические методы, хорошо сохраняют текстуру, они не очень эффективны при работе со сложными паттернами шума и высокими требованиями к вычислениям. В результате для маломощных или встраиваемых приложений успешными оказались облегченные улучшения, такие как локальные бинарные шаблоны (LBP). Тем не менее, их ограниченная способность интерпретировать изображения высокого разрешения и цветные изображения ограничивает их более широкое использование. В данной статье критически рассматриваются преимущества и недостатки этих традиционных и современных методов с акцентом на модели глубокого обучения, такие как стековые шумоподавляющие автоэнкодеры (SDAE). Хотя эти модели склонны к переобучению и требуют тщательной настройки параметров, они продемонстрировали впечатляющую эффективность в обучении устойчивым к шуму представлениям. Исследование также изучает возможность объединения стековых автоэнкодеров и гистограммы направленных градиентов (HoG) в качестве гибридного подхода для преодоления текущих узких мест. Основываясь на этом исследовании, надежная структура шумоподавления может быть достигнута путем объединения возможностей шумоподавления SDAE с возможностями сохранения краев HoG для улучшенного извлечения признаков в условиях структурированного и смешанного шума. Эта интеграция позиционируется как готовое к будущему решение для создания масштабируемых конвейеров распознавания лиц в реальном времени, устойчивых к шуму.

Быстрое развитие систем биометрической аутентификации привело к широкому внедрению технологий распознавания лиц. В данном исследовании рассматривается применение нейронной сети на базе MobileNetV2 для распознавания человеческого лица в системах аутентификации. Преимущества MobileNetV2, такие как легкая архитектура и высокая вычислительная эффективность, делают её подходящим выбором для аутентификации в реальном времени на периферийных устройствах. Предлагаемый метод повышает точность распознавания при сохранении высокой скорости обработки, обеспечивая баланс между безопасностью и производительностью. Экспериментальные результаты демонстрируют эффективность подхода при различных условиях освещения и разных углах ориентации лица. В исследовании также обсуждаются потенциальные проблемы, включая атаки спуфинга и ограничения наборов данных, и предлагаются решения для повышения надежности. Полученные результаты способствуют развитию безопасных и эффективных систем биометрической аутентификации.

В статье предлагается метод распознавания лиц в мобильных устройствах, основанный на ансамблевом подходе к решению задачи распознавания образов, обеспечивающий высокую точность результатов. Согласно этому подходу, базовый алгоритм декомпозируется на два оператора: оператор распознавания и решающее правило. Оператор распознавания вычисляет оценки близости проверяемого объекта к заданным классам. Решающее правило на основе этих оценок определяет принадлежность проверяемого объекта к одному из заданных классов. Ансамбль распознающих операторов формируется в виде линейного полинома. Значения параметров полинома рассчитываются на основе решения задачи многопараметрической оптимизации. Экспериментальные исследования проводились с использованием открытых баз данных изображений лиц. При проведении экспериментов предполагалось, что будут реализованы два варианта использования базовых алгоритмов: раздельный и ансамблевый. Точность распознавания объектов в контрольной выборке с использованием ансамбля операторов распознавания оказалась выше по сравнению с точностью лучшего базового алгоритма распознавания. Предлагаемый метод распознавания лиц может быть использован в мобильных устройствах, в частности, для верификации пользователей при удаленном доступе к информационным ресурсам с ограниченным статусом доступа.

В данной статье представлен глубокий анализ многозадачных каскадных сверточных сетей (MTCNN) для распознавания лиц, с акцентом на обнаружение и классификацию как фронтальных лиц, так и лиц в профиль. MTCNN, известная своей способностью одновременно выполнять обнаружение лиц, локализацию ориентиров и выравнивание лица, оценивается с помощью серии экспериментов. Мы оцениваем её производительность по ключевым параметрам, включая косинусное сходство, уверенность обнаружения, время обработки и метрики точности, такие как истинно положительные и ложно положительные результаты. Результаты показывают, что MTCNN превосходно справляется с распознаванием фронтальных лиц с высокой точностью и быстрым временем обработки, достигая отличной уверенности обнаружения и низкого уровня ложных срабатываний. Хотя система также хорошо работает при распознавании бокового профиля, в более сложных случаях наблюдаются некоторые проблемы с ложными срабатываниями. Это оценивается с использованием декартовой системы координат вместе с углами между левым глазом, правым глазом и носом в 2D евклидовом пространстве. Оценка проводилась на нашем собственном наборе данных, так как мы не смогли найти подходящего для этого подхода, с точностью 84,7%. Мы также использовали классификатор для этого подхода, называемый классификатором «Случайный лес» (Random Forest Classifier). Предлагаемый подход включает интеграцию нашего набора данных в модель MTCNN, которая эффективно извлекает ключевые признаки и распознает ориентиры лица. Извлеченные атрибуты организованы в структурированный кадр данных с соответствующими метками классов, которые служат входными данными для классификатора Random Forest. Этот классификатор эффективно обучается классифицировать и обнаруживать лица, используя извлеченные черты лица для выявления связей и закономерностей в данных. Применение передовых методов глубокого обучения для извлечения признаков, наряду с интерпретируемостью и эффективностью классификатора Random Forest, являются важными аспектами этой стратегии. Сочетание этих методов обеспечивает надежный и расширяемый подход к проблемам распознавания лиц, подходящий для различных практических применений, таких как идентификация биометрической информации, безопасность и наблюдение.

Обнаружение лиц в условиях окклюзии (перекрытия) остается серьезной проблемой в реальных приложениях компьютерного зрения. В данной статье предлагается гибридная двухэтапная структура обнаружения, которая объединяет эффективность алгоритма Виолы-Джонса в реальном времени с точностью легковесной модифицированной сверточной нейронной сети (CNN) на базе AlexNet. Система сначала использует метод Виолы-Джонса для предложения кандидатов областей лица, которые затем верифицируются CNN, обученной на более чем 70 000 изображений лиц и не-лиц, половина из которых включает частичные окклюзии, такие как маски, солнцезащитные очки или руки. CNN включает в себя dropout (исключение нейронов) и пакетную нормализацию (batch normalisation) для обеспечения надежного обобщения. Экспериментальные результаты показывают, что предложенная гибридная модель достигает точности обнаружения 93%, прецизионности (precision) 95% и уровня ложноположительных срабатываний всего 3%, превосходя современные модели, такие как MTCNN, SSD, YOLOv3 и RetinaFace в сценариях с окклюзией. Со скоростью обработки около 12 кадров в секунду на стандартном оборудовании ЦП (CPU) и объемом памяти всего 60 МБ, модель хорошо подходит для приложений реального времени, таких как наблюдение и контроль доступа в средах, подверженных окклюзии.