人臉辨識系統特徵擷取之研究

Feature Extraction for Face Recognition Systems

彭涵芸(Peng Han-Yun)

指導教授 ： 黃文吉

國立臺灣師範大學/理學院/資訊工程學系/碩士(2021年)

https://doi.org/10.6345/NTNU202101298

摘要

近年來人工智慧蓬勃發展，應用在眾多領域當中，因此使用生物特徵進行驗證也越來越普遍，通常會利用生物特徵的唯一性來區分生物個體，而人臉辨識是其中的一種方式。人臉辨識有三個步驟，人臉偵測、特徵擷取、人臉識別。在人臉辨識系統中，特徵擷取為重要的一環，有較佳的特徵，可以幫助系統後續的學習與歸納。特徵學習可分為兩類，監督式特徵學習和無監督式特徵學習，兩種方式各有優缺點。
特徵擷取後很難評判選取的好壞，所以希望使用一些視覺化與數據分析的方式，來輔助我們判斷特徵的優劣。人臉辨識系統需要使用當地的資料集，所以在網路上收集亞洲人臉，用來豐富系統的資料集。在視覺化的部分使用Gradient-weighted Class Activation Mapping來觀察類神經網路關注的地方，進而了解擷取的特徵是否為人臉五官。在數據分析的部分使用影像相似度的方法，來觀察與分析特徵擷取結果的好壞。本論文找尋一種驗證機制，來確定無監督式特徵學習中的Autoencoder是否擷取到人臉的重要特徵，在利用上述的驗證機制，來驗證使用Autoencoder作為特徵擷取網路，應用於人臉辨識系統中可否有效提升準確度。

關鍵字

類神經網路 ； 人臉辨識 ； Autoencoder

並列摘要

none

並列關鍵字

none

參考文獻

[1] Mei Wang, Weihong Deng. (2020). Deep Face Recognition: A Survey. Computer Vision and Pattern Recognition. arXiv preprint arXiv:1804.06655.

[2] Ramprasaath R. Selvaraju, Abhishek Das, Ramakrishna Vedantam, Michael Cogswell, Devi Parikh, Dhruv Batra. (2016). Grad-CAM: Why did you say that?Visual Explanations from Deep Networks via Gradient-based Localization. Computer Vision and Pattern Recognition.

[3] Ramprasaath R. Selvaraju, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, Dhruv Batra. (2016). Grad-CAM:Visual Explanations from Deep Networks via Gradient-based Localization. Computer Vision and Pattern Recognition

[4] Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, Antonio Torralba. (2016).Learning Deep Features for Discriminative Localization. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

[5] Zhou Wang, Alan Conrad Bovik, Hamid Rahim Sheikh, Eero P. Simoncelli. (2004). Image Quality Assessment: From Error Visibility to Structural Similarity.