loading

ការអភិវឌ្ឍន៍បច្ចេកវិទ្យាសម្គាល់មុខ_ Taigewang

ដំណើរការបុរាណនៃការសម្គាល់មុខដោយស្វ័យប្រវត្តិត្រូវបានបែងចែកទៅជាបីជំហាន៖ ការរកឃើញមុខ ទីតាំងចំណុចនៃមុខ (ត្រូវបានគេស្គាល់ផងដែរថាជាការតម្រឹមមុខ) ការទាញយកមុខងារ និងការរចនាប្រភេទចាត់ថ្នាក់។ និយាយជាទូទៅ ការទទួលស្គាល់មុខក្នុងន័យតូចចង្អៀតសំដៅទៅលើ & quot; អ្នកចាត់ថ្នាក់ការទាញយកលក្ខណៈ & quot; ផ្នែកពីរនៃការស្រាវជ្រាវក្បួនដោះស្រាយ។ មុនពេលការលេចឡើងនៃការរៀនស៊ីជម្រៅ វិធីសាស្ត្រសម្គាល់មុខជាទូទៅត្រូវបានបែងចែកទៅជាពីរជំហាន៖ ការទាញយកលក្ខណៈសិប្បនិម្មិតដែលមានវិមាត្រខ្ពស់ (ដូចជា LBP, Gabor ជាដើម) និងការកាត់បន្ថយវិមាត្រ។ វិធីសាស្រ្តកាត់បន្ថយវិមាត្រតំណាងរួមមានវិធីសាស្រ្តសិក្សា subspace ដូចជា PCA និង LDA និងវិធីសាស្រ្តសិក្សាពេញនិយមដូចជា LPP ។ បន្ទាប់ពីប្រជាប្រិយភាពនៃវិធីសាស្រ្តសិក្សាស៊ីជម្រៅ វិធីសាស្ត្រតំណាងគឺដើម្បីសិក្សាដោយផ្ទាល់នូវការបង្ហាញមុខដែលរើសអើងពីទំហំរូបភាពដើម។ និយាយជាទូទៅ ប្រវត្តិស្រាវជ្រាវនៃការសម្គាល់មុខអាចបែងចែកជាបីដំណាក់កាល។ នៅដំណាក់កាលដំបូង (1950s-1980s) ការទទួលស្គាល់មុខត្រូវបានចាត់ទុកថាជាបញ្ហាទូទៅនៃការទទួលស្គាល់គំរូ។ បច្ចេកវិទ្យាចម្បងគឺផ្អែកលើរចនាសម្ព័ន្ធធរណីមាត្រនៃមុខ។ នៅដំណាក់កាលទីពីរ (ឆ្នាំ 1990) ការសម្គាល់មុខបានអភិវឌ្ឍយ៉ាងឆាប់រហ័ស ហើយវិធីសាស្ត្របុរាណជាច្រើនបានលេចឡើង ដូចជា eigenface មុខ Fisher និងការផ្គូផ្គងក្រាហ្វយឺត។ នៅ​ពេល​នេះ ផ្លូវ​បច្ចេកទេស​ចម្បង​គឺ​ត្រូវ​ប្រឈម​មុខ​នឹង​ការ​បង្ហាញ​គំរូ។ នៅដំណាក់កាលទីបី (ពីចុងទសវត្សរ៍ឆ្នាំ 1990 ដល់បច្ចុប្បន្ន) ការស្រាវជ្រាវលើការសម្គាល់មុខបាននិងកំពុងកាន់តែស៊ីជម្រៅ។ អ្នកស្រាវជ្រាវបានចាប់ផ្តើមយកចិត្តទុកដាក់លើការទទួលស្គាល់មុខដែលប្រឈមមុខនឹងស្ថានភាពជាក់ស្តែង ភាគច្រើនរួមមានទិដ្ឋភាពបួនខាងក្រោម៖ 1) ស្នើគំរូលំហផ្ទៃមុខផ្សេងៗគ្នា រួមទាំងវិធីសាស្ត្រគំរូលីនេអ៊ែរដែលតំណាងដោយការវិភាគការរើសអើងលីនេអ៊ែរ វិធីសាស្ត្រគំរូមិនលីនេអ៊ែរដែលតំណាងដោយវិធីសាស្ត្រខឺណែល និងវិធីសាស្ត្រសម្គាល់មុខ 3D ផ្អែកលើ នៅលើព័ត៌មាន 3D ។ 2) វិភាគ និងសិក្សាឱ្យបានស៊ីជម្រៅអំពីកត្តាដែលប៉ះពាល់ដល់ការសម្គាល់មុខ រួមទាំងការទទួលស្គាល់មុខដែលមិនប្រែប្រួល ការបំភ្លឺ ការទទួលស្គាល់មុខដែលមិនប្រែប្រួល និងការទទួលស្គាល់មុខដែលមិនប្រែប្រួល។ 3) ការតំណាងលក្ខណៈថ្មីត្រូវបានប្រើប្រាស់ រួមទាំងអ្នកពណ៌នាក្នុងស្រុក (មុខ Gabor មុខ LBP ។ល។) និងវិធីសាស្រ្តសិក្សាស៊ីជម្រៅ។ 4) ការប្រើប្រាស់ប្រភពទិន្នន័យថ្មី ដូចជាការសម្គាល់មុខដោយផ្អែកលើវីដេអូ និងការស្គាល់មុខដោយផ្អែកលើគំនូរព្រាង និងរូបភាពជិតអ៊ីនហ្វ្រារ៉េដ។ ចាប់តាំងពីឆ្នាំ 2007 មក មូលដ្ឋានទិន្នន័យ LFW បានក្លាយជាស្តង់ដារសាកល្បងសម្រាប់ការទទួលស្គាល់មុខក្រោមលក្ខខណ្ឌជាក់ស្តែង។ សំណុំទិន្នន័យ LFW រួមមានរូបភាពមុខ 13233 នៃមនុស្ស 5749 នាក់ពីអ៊ីនធឺណិត ដែលក្នុងនោះមនុស្ស 1680 មានរូបភាពពីរ ឬច្រើន។ ពិធីការសាកល្បងស្តង់ដារនៃ LFW រួមបញ្ចូលទាំងកិច្ចការបញ្ជាក់ដប់ដងនៃមុខ 6000 គូ។ ផ្នត់នីមួយៗរួមមាន 300 គូនៃឧទាហរណ៍វិជ្ជមាន និង 300 គូនៃឧទាហរណ៍អវិជ្ជមាន។ ភាពត្រឹមត្រូវជាមធ្យមដប់ដងត្រូវបានប្រើជាសន្ទស្សន៍វាយតម្លៃការអនុវត្ត។ ចាប់តាំងពីការចេញផ្សាយ LFW ការសម្តែងត្រូវបានធ្វើឱ្យស្រស់ជានិច្ច។ មុនឆ្នាំ 2013 ផ្លូវបច្ចេកទេសសំខាន់គឺការរៀនសិប្បនិម្មិត ឬការរៀនវាស់វែងការពិពណ៌នាតាមមូលដ្ឋាន។ បន្ទាប់ពីឆ្នាំ 2014 ផ្លូវបច្ចេកទេសសំខាន់គឺការសិក្សាស៊ីជម្រៅ។ ចាប់តាំងពីឆ្នាំ 2014 មក ទិន្នន័យធំដែលសិក្សាស៊ីជម្រៅ (ទិន្នន័យមុខដែលមានស្លាកសញ្ញាដ៏ធំ) បានក្លាយជាផ្លូវបច្ចេកទេសដ៏សំខាន់នៅក្នុងវិស័យសម្គាល់មុខ។ និន្នាការសំខាន់ពីរគឺ 1) បណ្តាញកាន់តែធំ និងកាន់តែស៊ីជម្រៅ (ស្រទាប់ vggface16 ស្រទាប់ facenet22)។ 2) ជាមួយនឹងការកើនឡើងនៃទិន្នន័យ (deepface 4 លាន, facenet 200 លាន) ទិន្នន័យធំបានក្លាយជាគន្លឹះក្នុងការធ្វើឱ្យប្រសើរឡើងនូវការអនុវត្តនៃការទទួលស្គាល់មុខ។ នៅក្នុងយុគសម័យមុន DL ដោយយកជំនាន់ទី 3 និងពាក់កណ្តាល SDK នៃមន្ទីរពិសោធន៍ vipl ជាឧទាហរណ៍ ចំនុចបច្ចេកទេសសំខាន់ៗរួមមាន 1) block face feature fusion: Gabor feature LPQ feature។ 2) ការរៀន Subspace សម្រាប់ការកាត់បន្ថយលក្ខណៈពិសេស (PCA LDA) ។ 3) ការបញ្ចូលគ្នានៃទម្រង់ទម្រង់មុខពហុមាត្រដ្ឋាន។ បច្ចេកវិទ្យាដែលពាក់ព័ន្ធនៃ sdk3.5 សម្រេចបានអត្រាបញ្ជាក់ 96% ក្រោមលក្ខខណ្ឌនៃអត្រាទទួលយកកំហុស 0.1% នៅក្នុង FRGC Experiment 4 ដែលនៅតែជាលទ្ធផលល្អបំផុតនៅក្នុងសំណុំទិន្នន័យ FRGC ។ វាគួរតែត្រូវបានកត់សម្គាល់ថា ទោះបីជាការរៀនស៊ីជម្រៅសង្កត់ធ្ងន់ទៅលើការរៀនលក្ខណៈក៏ដោយ លក្ខណៈនៃការរៀនមិនមែនជាប៉ាតង់របស់ DL ទេ។ នៅក្នុងយុគសម័យមុន DL ការងារនៃការតំណាងឱ្យការរៀនដោយផ្ទាល់ពីរូបភាពដោយប្រើគំរូរាក់ និងការរៀនតំណាងន័យន័យធៀបដោយផ្អែកលើការពិពណ៌នាសិប្បនិម្មិត (ដូចជាគុណលក្ខណៈ និងឧបករណ៍ចាត់ថ្នាក់ simile សម្រាប់ការរៀនតំណាងគុណលក្ខណៈកម្រិតមធ្យម និង Tom vs Pete សម្រាប់ការរៀនតំណាងន័យន័យកម្រិតខ្ពស់ ) ត្រូវបានគេមើលឃើញនៅក្នុងអក្សរសិល្ប៍ពាក់ព័ន្ធ។ ក្នុងឆ្នាំ 2014 Facebook បានចេញផ្សាយការងាររបស់ខ្លួននៅលើ cvpr14 ។ Deepface រួមបញ្ចូលគ្នានូវទិន្នន័យធំ (ទិន្នន័យមុខ 4 លាន) ជាមួយនឹងបណ្តាញបំរែបំរួលយ៉ាងជ្រៅ ដែលបានឈានដល់ភាពត្រឹមត្រូវនៃការទទួលស្គាល់របស់មនុស្សនៅលើសំណុំទិន្នន័យ LFW ។ Deepface ក៏ណែនាំផងដែរនូវរចនាសម្ព័ន្ធ convolution ដែលបានតភ្ជាប់ក្នុងតំបន់ ដើម្បីរៀនខឺណែល convolution ដាច់ដោយឡែកនៅទីតាំង spatial នីមួយៗ។ គុណវិបត្តិគឺថាវានឹងនាំឱ្យមានការពង្រីកប៉ារ៉ាម៉ែត្រ។ រចនាសម្ព័ន្ធនេះមិនមានប្រជាប្រិយភាពនៅពេលក្រោយទេ។ គ្រួសារ Deepid អាច​ត្រូវ​បាន​ចាត់​ទុក​ថា​ជា​ក្រុម​នៃ​ការងារ​តំណាង​ក្នុង​វិស័យ​ទទួល​ស្គាល់​មុខ​ក្នុង​សម័យ DL ។ បណ្តាញជ្រៅដំបូងបំផុតរួមមានស្រទាប់ convolution 4 និងបានទទួលយកមុខងារការបាត់បង់ softmax ។ Deepid2 ពិចារណាទាំងការបាត់បង់អត្តសញ្ញាណ និងការបាត់បង់ការផ្ទៀងផ្ទាត់ដោយផ្អែកលើបណ្តាញ deepid2 ។ ការខាតបង់ទាំងពីរនេះអាចដឹងបានដោយប្រើស្រទាប់ softmaxwithlos និងស្រទាប់ការបាត់បង់កម្រិតពណ៌រៀងគ្នានៅក្នុង Caffe deep learning framework។ បណ្តាញ Deepid2 បន្ថែមមុខងារបាត់បង់ជំនួយនៃស្រទាប់នីមួយៗដោយផ្អែកលើ deepid2 (ស្រដៀងទៅនឹងបណ្តាញត្រួតពិនិត្យយ៉ាងជ្រៅ)។ Google បានបោះពុម្ពផ្សាយការងាររបស់ខ្លួននៅក្នុង cvpr2015 ។ Facenet ប្រើប្រាស់ 22 layers of deep convolution network and massive face data (200 million images of 8 million people) និងមុខងារ triple loss ដែលប្រើជាទូទៅក្នុងកិច្ចការទាញយករូបភាព។ វាគឺមានតំលៃនិយាយថាចាប់តាំងពីចំនួននៃប្រភេទមុខឡើងដល់ 8 លានប្រសិនបើការបាត់បង់ softmax ត្រូវបានប្រើប្រាស់ចំនួនថ្នាំងស្រទាប់លទ្ធផលនឹងឡើងដល់ 8 លានហើយយ៉ាងហោចណាស់ត្រូវការអង្គចងចាំវីដេអូ 32GB (សន្មត់ថាថ្នាំងស្រទាប់លាក់ចុងក្រោយមាន 1024 ដោយប្រើលេខចំនុចអណ្តែតទឹកជាក់លាក់តែមួយ) ទោះជាយ៉ាងណាក៏ដោយ ការបាត់បង់បីដងមិនចាំបាច់កាន់កាប់អង្គចងចាំវីដេអូបន្ថែមទេ។ ភាពត្រឹមត្រូវជាមធ្យមរបស់ Facenet នៃការបញ្ចុះតម្លៃ 10% លើសំណុំទិន្នន័យ LFW ឈានដល់ 99.63% ដែលជាលទ្ធផលល្អបំផុតនៅក្នុងឯកសារដែលបានចេញផ្សាយជាផ្លូវការរហូតមកដល់ពេលនេះ ដែលស្ទើរតែប្រកាសពីការបញ្ចប់នៃការប្រកួតប្រជែងការអនុវត្តរយៈពេលប្រាំបីឆ្នាំលើ LFW ពីឆ្នាំ 2008 ដល់ឆ្នាំ 2015 ។

ការអភិវឌ្ឍន៍បច្ចេកវិទ្យាសម្គាល់មុខ_ Taigewang 1

ទាក់ទងជាមួយពួកយើង
អត្ថបទដែលបានណែនាំ
អក្សរ
ការណែនាំអំពីដំណោះស្រាយចំណត lpr យើងនឹងត្រូវពិនិត្យមើលបញ្ហាស្មុគស្មាញមួយចំនួននៅពេលយើងមកសរសេររឿងជាច្រើនដែលមនុស្សត្រូវយល់។
ការណែនាំអំពីដំណោះស្រាយចំណត Lpr ប្រព័ន្ធចតរថយន្តLpr ឥឡូវនេះត្រូវបានដំឡើងនៅក្នុងរថយន្តគ្រប់ប្រភេទ និងរថយន្តដឹកទំនិញធុនស្រាល។ ពួកគេត្រូវបានដំឡើងនៅក្នុងឧស្សាហកម្មផ្សេងៗគ្នា
ការណែនាំអំពីដំណោះស្រាយចំណត lpr កថាខណ្ឌសម្រាប់ប្លុកមួយដែលមានចំណងជើងថា 'ការណែនាំអំពីដំណោះស្រាយចំណត lpr' ដែលផ្នែកផ្តោតលើ 'ការណែនាំអំពី
តើកត្តាសំខាន់ៗអ្វីខ្លះដែលត្រូវពិចារណាមុនពេលទិញដំណោះស្រាយចំណតរបស់ Lpr? ខ្ញុំបានទិញឧបករណ៍ចតរថយន្តសម្រាប់ការិយាល័យរបស់ខ្ញុំមួយរយៈឥឡូវនេះ។ តែ ប៉ុណ្ណោះ
ការណែនាំអំពីដំណោះស្រាយចំណតរបស់ lpr ភាគច្រើននៅពេលដែលនរណាម្នាក់ត្រូវការប្រើប៊ូតុងច្រើនជាងមួយនៅលើឧបករណ៍ ពួកគេនឹងជ្រើសរើសប្រើជាទូទៅបំផុត
តើដំណោះស្រាយចំណតរបស់ lpr គឺជាអ្វី? មនុស្សភាគច្រើនមិនដឹងថាពួកគេកំពុងស្វែងរកអ្វីនៅក្នុងប្រព័ន្ធចតរថយន្តនោះទេ។ ច្រើនដង គេគ្រាន់តែចតនៅកន្លែងតែមួយ ហើយ h
ការណែនាំអំពីដំណោះស្រាយចំណតរបស់ Lpr ចំណតរថយន្ត និងម៉ាស៊ីនចំណត គឺជាមធ្យោបាយតែមួយគត់ក្នុងការយកភាពកខ្វក់ និងស្លឹកឈើចេញពីឡាន។ ដោយ​ការ​ដំឡើង bollard ឬ smart
ការណែនាំអំពីដំណោះស្រាយចំណតរថយន្ត lpr ការបង្កើតពិភពទំនើបគឺចាស់ណាស់។ ប្រវត្តិនៃបច្ចេកវិទ្យា និងវឌ្ឍនភាពមានរយៈពេលយូរ និងផ្លាស់ប្តូរ។ វា បាន ឃើញ អាដវា
ការណែនាំអំពីដំណោះស្រាយចំណតរថយន្ត Lpr ប្រព័ន្ធចំណត Lpr ត្រូវបានរចនាឡើងដើម្បីបង្កើនគុណភាពជីវិតសម្រាប់អ្នកដែលប្រើប្រាស់មធ្យោបាយធ្វើដំណើរសាធារណៈ។ បញ្ហា តែ ប៉ុណ្ណោះ
ការណែនាំអំពីដំណោះស្រាយចំណត Lpr នេះគឺជាវិធីសាស្រ្តដ៏ល្បីមួយសម្រាប់ការទទួលបានលទ្ធផលគុណភាពខ្ពស់ក្នុងវិស័យជាច្រើន។ វាត្រូវបានគេស្គាល់ផងដែរថាជាវិធីសាស្រ្តព្យាករណ៍សម្រាប់ makin
គ្មាន​ទិន្នន័យ
Shenzhen Tiger Wong Technology Co., Ltd គឺជាក្រុមហ៊ុនផ្តល់ដំណោះស្រាយគ្រប់គ្រងការចូលដំណើរការឈានមុខគេសម្រាប់ប្រព័ន្ធចតរថយន្តឆ្លាតវៃ ប្រព័ន្ធសម្គាល់ស្លាកលេខ ប្រព័ន្ធត្រួតពិនិត្យការចូលប្រើសម្រាប់អ្នកថ្មើរជើង ស្ថានីយសម្គាល់មុខ និង ដំណោះស្រាយ កញ្ចប់ LPR .
គ្មាន​ទិន្នន័យ
CONTACT US

Shenzhen TigerWong Technology Co., Ltd

ទូរស័ព្ទ ៖86 13717037584

អ៊ីមែល៖ Info@sztigerwong.comGenericName

បន្ថែម៖ ជាន់ទី 1 អគារ A2 សួនឧស្សាហកម្មឌីជីថល Silicon Valley Power លេខ។ 22 ផ្លូវ Dafu, ផ្លូវ Guanlan, ស្រុក Longhua,

ទីក្រុង Shenzhen ខេត្ត GuangDong ប្រទេសចិន  

                    

រក្សា សិទ្ធិ©2021 Shenzhen TigerWong Technology Co., Ltd  | បណ្ដាញ
Contact us
skype
whatsapp
messenger
contact customer service
Contact us
skype
whatsapp
messenger
លប់ចោល
Customer service
detect