딥러닝프로젝트/face_identification (6) 썸네일형 리스트형 Mnist를 이용한 face_verification 기존의목표 이미지 데이터를 배치 데이터로 semi triplet hard 방식으로 학습을 시키는 것이 목표엿습니다. 그러기 위해선, 사람의 얼굴을 개인별로 라벨링을 해줘야할 필요가 있습니다. 하지만, 최소 3~4천장의 얼굴을 라벨링하고 사람마다 20장 정도를 구성해야 필요가 있습니다. 시간적 , 비용적 한계에 부딪혓습니다. 따라서, 이미지 데이터 특성상 Fine_Tuning의 효과가 크므로 , Pre_trained 모델을 찾아보고자 했습니다. 결국 , 사용할 수 있는 모델을 찾지 못했습니다. 여기서, 한가지 떠올렸습니다. 우리가 하고자 하는것은 유사도 함수를 통하여 Clustering을 하는것. 어떤 이미지 데이터를 써도 상관 없을것. Mnist 데이터를 input으로 줘서 유사도 함수를 학습하면 어떨까.. Tensorflow Object Detection api 코드분석 분석날짜:20년 4월6일~10일 face_detection + face_verfication이 최종목적입니다. face_detection이 완료되었습니다. 이제 face_verification을 할 차례입니다. face_vericfication을 하기 위해서는 detection에서 얻은 bouding_box의 좌표정보및 , 크기정보가 필요합니다. 그래서 , 코드 분석의 필요성을 느꼇습니다. 기존에 올렸던 Colab의 ObjectionDetection.py 파일을 보면export_inference_graph라는 파이썬 파일을 통해서 bounding box를 출력하였습니다. 그래서 , 저는 이 export_infereence_graph.py파일을 분석하였습니다. https://github.com/tensor.. Colab에서 tensorflow ObjectDetection API를 이용해서 Object Detection을 trasnfer learning 해보자. ※제가 소모임에서 했엇던 활동을 제 개인 블로그에 다시업로드 한 것입니다. 원래 작성날짜:20년3월21일 저희 조는 전이학습(transfer learning)개념을 이용하여 학습시간을 줄여보고자 했습니다. 전이학습이란(transfer learning)? 딥러닝 모델이 있는데 , 이러한 모델의 특징은 첫번째 층(layer)에서 "일반적인 특징"을 추출하고 , 두번쨰 층(layer)에서 "특정 문제에 적합한 특징"을 추출합니다. Yosinski et al. (2014) 논문에서는 이러한 딥러닝의 특성에 대해, '만약 첫 번째 계층에서 추출된 특징이 일반적인 특징이고 마지막 층에서 추출된 특징이 구체적인 특징이라면, 네트워크 내의 어딘가에 일반적인 수준에서 구체적인 수준으로 넘어가는 전환점이 분명 존재할 것이.. DeepFace 논문 간단 리뷰:Closing the Gap to Human-Level Performance in Face Verificat What? ·주어진 이미지로부터 사람을 식별할 수 있는 CNN 구조를 묘사하는 논문이다. How? 인풋은 사람의 얼굴이다.(이미지에서 얼굴을 추출하는것이 아니다. 이미 다른 방법에 의해 얼굴은 추출되어 있는것 ) 우선 CNN 구조에 사진을 넣기 전에 2D alignment 와 3D alignment를 거쳐서 사진이 정면을 바라 보도록 해주고 (h)와 같이 새로운 측면에서의 데이터를 얻게 해준다. Alignment pipeline. (a) The detected face, with 6 initial fiducial points. (b) The induced 2D-aligned crop. (c) 67 fiducial points on the 2D-aligned crop with their correspond.. 샴네트워크 , 삼중항 손실 발표 준비를 하면서 샴 네트워크와 삼중항 손실에 대해서 다 같이 학습하면 좋을것 같아서 중요한 개념만 정리해보았고 라이브러리를 통해서 실습도 진행하였습니다. 샴 네트워크(Siamese Network) 샴 네트워크 구조 샴 네트워크는 무엇일까? 두 개의 입력에 대해 독립적으로 두 개의 합성곱 신경망을 실행한 뒤 비교하는 아이디어이다. 샴 네트워크 구조를 간단히 설명하자면 기존의 컨볼루션 네트워크를 통해서 피처맵을 뽑아낸다. 두개의 이미지에서 피처맵을 뽑아낸 이후에 거리를 계산해 본다. 거리가 작다면 두사람이 비슷하다는것이고 거리가 크다면 두 사람이 다른 사람이라는것이다. 거리는 두 벡터 사이의 노름으로 정의함 두 네트워크에 두 사진을 입력으로 넣고 합성곱 신경망으로 인코딩을 시킨다. 만약에 두 사람이 비슷.. 출석체크 프로젝트 스터디 진행 2020년 3월 4일 DMC 탐탐 출석관리팀:김정민,박승재,최웅준,최영환,한준희 ※한국항공대학교 KAU_DEEPERENT에서 활동한 내용을 개인블로그에 올린 게시물입니다. 프로젝트 구체적인 주제 구성도 휴대폰 카메라를 통해서 인식한 사진을 기존에 저장되어 있던 DB와 비교하여 출석을 확인한다. 출석결과는 출석부로 보내진다. 결과는 웹(사이트)를 통해서 보내진다. 새로운 인물이 동아리에 참석하거나 인식이 올바르지 않을 때는 데이터를 보충하고 학습을 다시 시켜서 시스템을 유지 보수 가능한 모델을 구현하는 것이 목표이다. 위쪽에 보이는 사진은 개략적인 구성도이다. 카메라, 웹서버, 데이터 서버로 나뉘어져 있다. 시스템 동작을 보여주는 다이어그램 Face database에서는 입력이 제공만 된다. .. 이전 1 다음
