Veido savybių nustatymas veidų šablonuose taikant dirbtinio intelekto metodus
Recenzentas / Rewiewer | |
Recenzentas / Rewiewer | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šiame magistro darbe nagrinėjamas veido savybių nustatymas iš veidų šablonų taikant dirbtinio intelekto metodus. Pirmoje darbo dalyje atlikta veidų atpažinimo technologijų bei veidų šablonų generavimo metodų apžvalga, ypatingą dėmesį skiriant veido savybių vektoriaus formavimui. Antrojoje darbo dalyje pasiūlyti keli metodai, leidžiantys klasifikuoti pradinio vaizdo savybes remiantis tik veidų šablonais. Eksperimentams atlikti buvo panaudoti tiek gilieji neuroniniai tinklai, tiek klasikiniai prižiūrimojo mokymo algoritmai. Eksperimentų metu nustatyta, kad lyties atributas yra prognozuojamas tiksliausiai ir geriausias modelis pasiekė 93 % tikslumą. Etninės grupės ir amžiaus klasifikavimas iš veidų šablonų yra sudėtingesnis uždavinys, tikėtina dėl to, kad veidų šablonų generavimo modelių architektūros yra kuriamos taip, kad būtų pašalinama visa informacija, nesusijusi su asmens tapatybe. Palyginus skirtingus mašininio mokymo metodus, nustatyta, kad gilieji neuroniniai tinklai yra labiau tinkami šiam uždaviniui spręsti, lyginant juos su klasikiniais klasifikavimo algoritmais.
This master's thesis explores the identification of facial features from face templates using artificial intelligence methods. The first part of the thesis provides an overview of facial recognition technologies and face template generation methods, with particular emphasis on the construction of facial feature vectors. In the second part, several methods are proposed for classifying original image attributes based solely on face templates. Both deep neural networks and classical supervised learning algorithms were used for experimentation. The experiments revealed that gender is the most accurately predictable attribute, with the best model achieving 93 % accuracy. Classification of ethnicity and age from face templates provide to be more challenging, likely due to the design of face template generation models, which aim to eliminate information unrelated to identity. A comparison of difference machine learning methods showed that deep neural networks are more suitable for this task than classical classification algorithms.