Attendance System Using Facial Recognition
Šis magistro darbas ištiria veido atpažinimo sistemos giluminį neuroininį tinklą ir išsamų studentųdalyvavimą veido atpažinimo sistemoje. Iš kiekvieno kandidato buvo pateiktas tik vienas priekinis veidovaizdas ir neuroniniai tinklai buvo treniruojami naudojanti ribotą duomenų rinkinį. Aš ištyriau koksneuroninas tinklas yra gerensis, kai naudojame ribotą duomenų bazę. Atlikus įvairius testus, keičiantmokymų parametrus, mokymų duomenų rinkinius ir testuojant duomenų rinkinius; buvo ištirta joggalima pagerinti tinkslumą generuodami daugiau duomenų, naudodami įvairius neuroninių tinklų tipusbei keičiant mokymo ir bandymo duomenų rinkinius. Dažniausiai „AlexNet” ir „ResNet” naudojamimokymo klasifikatoriams ir palyginami rezultatai siekiant išsiaiškinti, kuris neuroninis tinklas duodageresnį rezultatą.
This master thesis, investigate on deep neural network for face recognition system and complete student attendance with facial recognition. Only 1 frontal face image is provided from each candidate. The original dataset has 30 frontal face images for 30 different people. Using these 30 images, new data is generated using image process methods and neural networks are trained on a limited dataset. I investigate what kind of neural network is better when we are using a limited dataset. I made different tests with changing training parameters, training datasets, and testing datasets. I investigate how can we improve accuracy by generating more data, using different types of neural networks, or changing training and testing datasets. Mainly AlexNet and ResNet are used for training classifiers and they are compared for find out which neural network is giving a better result. Both classifiers are tested on videos and different images for compare the efficiency.