Идентификация лиц в реальном времени с использованием свёрточной нейронной сети и хэширующего леса

Идентификация лиц в реальном времени с использованием свёрточной нейронной сети и хэширующего леса

Автор: Визильтер Юрий Валентинович, Горбацевич Владимир Сергеевич, Воротников Андрей Валерьевич, Костромов Никита Алексеевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений: Распознавание образов

Статья в выпуске: 2 т.41, 2017 года.

Бесплатный доступ

В работе предлагается новый подход к построению биометрического шаблона с использованием свёрточной нейронной сети и хэширующего леса. Метод состоит из двух этапов: на первом происходит обучение свёрточной нейронной сети, далее к полученным описаниям применяется хеширующее преобразование с использованием нового предложенного метода хэширующего леса. Такой способ формирования шаблона является обобщением метода Boosted SSC ( Similarity Sensitive Coding ) для решения задачи построения оптимального хеша, учитывающего специфику задач верификации и идентификации лиц. Обучение производилось на базе лиц CASIA-WebFace, а тестирование - на базе лиц LFW. Применительно к задачам бинарного хеширования с метрикой Хемминга описанный подход позволяет получать 200-битный (25 байт) биометрический шаблон с качеством верификации 96,3 % и 2000-битный шаблон с 98,14 % на базе изображений лиц LFW. При использовании хэширующего леса с 7-битными деревьями 2000´7 достигается уровень идентификации в 93 % относительно базовых показателей свёрточной нейронной сети в 89,9%. В результате достигается скорость формирования биометрических шаблонов (описаний лиц) с частотой более 40 изображений лиц в секунду на CPU Core i7 и более 120 изображений лиц в секунду с использованием GPU GeForce GTX 650.

Еще

Свёрточные нейронные сети, хэширование, бинарные деревья, метрика хэмминга, биометрия

Короткий адрес: https://sciup.org/14059558

IDR: 14059558   |   DOI: 10.18287/2412-6179-2017-41-2-254-265

Список литературы Идентификация лиц в реальном времени с использованием свёрточной нейронной сети и хэширующего леса

  • Belkin, M. Laplacian eigenmaps and spectral techniques for embedding and clustering/M. Belkin, P. Niyogi//Proceedings of the 14th International Conference on Neural Information Processing Systems: Natural and Synthetic. -2001. -P. 585-591.
  • Gionis, A. Similarity search in high dimensions via hashing/A. Gionis, P. Indyk, R. Motwani//Proceedings of the 25th International Conference on Very Large Data Bases. -1999. -P. 518-529.
  • Gong, Y. Iterative quantization: A procrustean approach to learning binary codes for large-scale image retrieval/Y. Gong, S. Lazebnik, A. Gordo, F. Perronnin//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2012. -Vol. 35, Issue 12. -P 2916-2929. - DOI: 10.1109/TPAMI.2012.193
  • Grauman, K. Learning binary hash codes for large-scale image search/K. Grauman, R. Fergus. -In Book: Machine Learning for Computer Vision/ed. by R. Cipolla, S. Battiato, G.M. Farinella. -Berlin, Heidelberg: Springer, 2013. -P. 49-87. -ISBN: 978-3-642-28660-5. - DOI: 10.1007/978-3-642-28661-2_3
  • He, K. K-means Hashing: An affinity-preserving quantization method for learning binary compact codes/K. He, F. Wen, J. Sun//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). -2013. -P. 2938-2945. - DOI: 10.1109/CVPR.2013.378
  • Irie, G. Locally linear hashing for extracting non-linear manifolds/G. Irie, L. Zhenguo, W. Xiao-Ming, C. Shih-Fu//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). -2014. -P. 2115-2122. - DOI: 10.1109/CVPR.2014.272
  • Liu, W. Supervised hashing with kernels/W. Liu, J. Wang, R. Ji, Y.-G. Jiang, S.-F. Chang//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). -2012. -P. 2074-2081. - DOI: 10.1109/CVPR.2012.6247912
  • Salakhutdinov, R. Semantic hashing/R. Salakhutdinov, G. Hinton//International Journal of Approximate Reasoning. -2009. -Vol. 50, Issue 7. -P. 969-978. - DOI: 10.1016/j.ijar.2008.11.006
  • Shakhnarovich, G. Learning task-specific similarity: PhD thesis/G. Shakhnarovich. -Cambridge, MA: Massachusetts Institute of Technology, 2005.
  • Shakhnarovich, G. Fast pose estimation with parameter sensitive hashing/G. Shakhnarovich, P. Viola, T. Darrell//Proceedings of the Ninth IEEE International Conference on Computer Vision. -2003. -Vol. 2. -P. 750-757. - DOI: 10.1109/ICCV.2003.1238424
  • Weiss, Y. Spectral Hashing/Y. Weiss, A. Torralba, R. Fergus. -In Book: Advances in Neural Information Processing Systems 21 -Proceedings of the 2008 Conference. -2008. -P. 1753-1760.
  • Zhang, L. Topology preserving hashing for similarity search/L. Zhang, Y. Zhang, X. Gu, J. Tang, Q. Tian//Proceedings of the 21st ACM international conference on Multimedia. -2013. -P. 123-132. - DOI: 10.1145/2502081.2502091
  • Cao, Z. Face Recognition with Learning-based Descriptor/Z. Cao, Q. Yin, X. Tang, J. Sun//IEEE Conference on Computer Vision and Pattern Recognition (CVPR). -2010. -P. 2707-2714. - DOI: 10.1109/CVPR.2010.5539992
  • Fan, H. Learning deep face representation/H. Fan, Z. Cao, Y. Jiang, Q. Yin, C. Doudou//arXiv preprint arXiv:1403.2802. -2014.
  • Sun, Y. Deep learning face representation by joint identification-verification/Y. Sun, X. Wang, X. Tang//Proceedings of the 27th International Conference on Neural Information Processing Systems. -2014. -P. 1988-1996.
  • Sun, Y. DeepID3: Face recognition with very deep neural networks/Y. Sun, X. Wang, X. Tang//arXiv preprint arXiv:1502.00873. -2015.
  • Sun, Y. Deep learning face representation from predicting 10,000 classes/Y. Sun, X. Wang, X. Tang//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. -2014. -P. 1891-1898. - DOI: 10.1109/CVPR.2014.244
  • Taigman, Y. DeepFace: closing the gap to human-level performance in face verification/Y. Taigman, M. Yang, M. Ranzato, L. Wolf//Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. -2014. -P. 1701-1708. - DOI: 10.1109/CVPR.2014.220
  • Wang, W. Face recognition based on deep learning/W. Wang, J. Yang, J. Xiao, S. Li, D. Zhou. -In Book: Human Centered Computing/ed. by Q. Zu, B. Hu, N. Gu, S. Seng. -Vol. 8944. -Springer, 2015. -P. 812-820. -ISBN: 978-3-319-15553-1. - DOI: 10.1007/978-3-319-15554-8_73
  • Wu, X. Learning robust deep face representation/X. Wu//arXiv preprint arXiv:1507.04844. -2015.
  • Zhou, E. Naive-deep face recognition: Touching the limit of LFW benchmark or not?/E. Zhou, Z. Cao, Q. Yin//arXiv preprint arXiv:1501.04690. -2015.
  • Fan, H. Learning compact face representation: Packing a face into an int32/H. Fan, M. Yang, Z. Cao, Y. Jiang, Q. Yin//Proceedings of the 22nd ACM international conference on Multimedia. -2014. -P. 933-936. - DOI: 10.1145/2647868.2654960
  • Chen, D. Blessing of dimensionality: High-dimensional feature and its efficient compression for face verification/D. Chen, X. Cao, F. Wen, J. Sun//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. -2013. -P. 3025-3032. - DOI: 10.1109/CVPR.2013.389
  • Nguyen, H.-V. Cosine similarity metric learning for face verification/H.-V. Nguyen, L. Bai//Proceedings of 10th Asian Conference on Computer Vision. -2010. -P. 709-720. - DOI: 10.1007/978-3-642-19309-5_55
  • Taigman, Y. Multiple one-shots for utilizing class label information/Y. Taigman, L. Wolf, T. Hassner//Proceedings of British Machine Vision Conference. -2009. - DOI: 10.5244/C.23.77
  • Liu, J. Targeting ultimate accuracy: face recognition via deep embedding/J. Liu, Y. Deng, T. Bai, Z. Wei, C. Huang//arXiv preprint arXiv:1506.07310. -2015.
  • Qiu, Q. Random forests can hash/Q. Qiu, G. Sapiro, A. Bronstein//arXiv preprint arXiv:1412.5083. -2014.
  • Vens, C. Random forest based feature induction/C. Vens, F. Costa//Proceedings of IEEE 11th International Conference on Data Mining (ICDM). -2011. -P. 744-753. - DOI: 10.1109/ICDM.2011.121
  • Yu, G. Scalable forest hashing for fast similarity search/G. Yu, J. Yuan//Proceedings of IEEE International Conference on Multimedia and Expo (ICME). -2014. -P. 1-6. - DOI: 10.1109/ICME.2014.6890219
  • Springer, J. Forest hashing: Expediting large scale image retrieval/J. Springer, X. Xin, Z. Li, J. Watt, A. Katsaggelos//Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). -2013. -P. 1681-1684. - DOI: 10.1109/ICASSP.2013.6637938
  • Mishina, Y. Boosted random forest/Y. Mishina, R. Murata, M. Tsuchiya, H. Fujiyoshi//IEICE Transactions on Information and Systems. -2015. -Vol. E98-D, Issue 9. -P. 1630-1636. - DOI: 10.1587/transinf.2014OPP0004
  • Best-Rowden, L. Unconstrained face recognition: Identifying a person of interest from a media collection/L. Best-Rowden, H. Han, C. Otto, B. Klare, A.K. Jain//IEEE Transactions on Information Forensics and Security. -2014. -Vol. 9, Issue 12. -P. 2144-2157. - DOI: 10.1109/TIFS.2014.2359577
  • Huang, G.-B. Learning to align from scratch/G.-B. Huang, M. Mattar, H. Lee, E. Learned-Miller//Proceedings of the 25th International Conference on Neural Information Processing Systems. -2012. -P. 764-772.
  • Schroff, F. FaceNet: A unified embedding for face recognition and clustering/F. Schroff, D. Kalenichenko, J. Philbin//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR). -2015. -P. 815-823. - DOI: 10.1109/CVPR.2015.7298682
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp