ท่ามกลางการประกาศเกี่ยวกับระบบการจดจำใบหน้าไบโอเมตริกซ์ที่ได้รับการอัพเกรดเพื่อตรวจสอบว่ามีคนสวมใส่หน้ากาก-truefaceได้ก้าวไปสู่ขั้นตอนของการอธิบายไม่เพียง แต่เทคโนโลยีของมันได้เพิ่มขีดความสามารถนี้ แต่เป็นอย่างไร
อันโพสต์กลางชื่อเรื่อง“ TRUEFACE TUTORIALS: วิธีฝึกเครื่องตรวจจับหน้ากากใบหน้าที่มีภาพการฝึกอบรมน้อยกว่า 1K” อธิบายว่า บริษัท สามารถฝึกอบรมแบบจำลองน้ำหนักเบาเพื่อทำการตรวจจับหน้ากากในเวิร์กโฟลว์เดียวกันกับการจดจำใบหน้าโดยการฝึกอบรมตัวจําแนกขนาดเล็กบน
นี่เป็นวิธีการที่แตกต่างจากสองวิธีทั่วไปซึ่งเป็นทั้งการฝึกอบรมแบบจำลองลึกตั้งแต่เริ่มต้นหรือปรับแต่งด้วยข้อมูลใหม่จำนวนมาก วิธีการที่ TrueFace ใช้ตามโพสต์มีข้อได้เปรียบในการกำหนดเพียงชุดข้อมูลขนาดเล็กเท่านั้นและส่งผลให้โมเดลที่ทำงานหลายงานโดยมีภาระการคำนวณเพิ่มขึ้นเพียงเล็กน้อยเมื่อเทียบกับต้นฉบับ
รูปแบบการจดจำใบหน้าที่ใช้ resnet ของ TrueFace ตรวจจับมาสก์ใบหน้าด้วยการเพิ่มเลเยอร์เดียว
“ โมเดลเดียวลดรอยเท้าหน่วยความจำดังนั้นไคลเอนการอัปเดตไบโอเมตริกซ์ในอีเมล
วิธีการแบบจำลองเดียวไม่เพียง แต่สนับสนุนการปรับใช้ในสภาพแวดล้อมที่หลากหลายเท่านั้น แต่ยังทำให้การใช้งานง่ายขึ้น
“ โมเดลเสริมเป็นแพ็คเกจซอฟต์แวร์ขนาดเล็กมากซึ่งทำให้การจัดส่งติดตั้งและการติดตั้งร้อนขึ้นเร็วขึ้น/ง่ายขึ้นสำหรับลูกค้า” Ebrahimi กล่าว
TrueFace ใช้ภาพ 400 ภาพจากชุดข้อมูล LFW และวางหน้ากากซ้อนทับไว้เหนือบริเวณจมูกและปากของแต่ละคนด้วยเครื่องตรวจจับใบหน้าที่ใช้เรตินัฟ สิ่งนี้ส่งผลให้มีภาพ 400 ภาพที่เหมือนกัน แต่ด้วยหน้ากากสำหรับทั้งหมด 800 ภาพชุดย่อยของภาพ LFW ถูกจัดขึ้นเพื่อทดสอบประสิทธิภาพของระบบและหลังจาก 50 Epochs โมเดลได้รับความแม่นยำที่ Ebrahimi เป็นลักษณะที่น่าประทับใจ ชุดข้อมูลของใบหน้าสังเคราะห์ที่แสดงผลจากการสังเคราะห์ถูกนำมาใช้เพื่อประเมินการวางนัยทั่วไปของแบบจำลองเพิ่มเติม
“ แบบจำลองการเรียนรู้ที่ลึกซึ้งแบบหลายงานเป็นที่ต้องการสำหรับแอปพลิเคชันแบบเรียลไทม์เนื่องจากพวกเขาเร็วกว่าสองรุ่นแยกกันในเวลาอนุมาน” Ebrahimi กล่าวสรุปในโพสต์ “ การปรับเปลี่ยนรูปแบบพื้นฐานเพื่อเพิ่มสาขาใหม่สำหรับงานที่เกี่ยวข้องมักจะต้องใช้ชุดข้อมูลการฝึกอบรมที่ค่อนข้างเล็ก”
หัวข้อบทความ
ไบโอเมตริกซ์-การวิจัยทางชีวภาพ-ชุดข้อมูล-การจดจำใบหน้า-การตรวจจับหน้ากาก-การฝึกอบรม-trueface
