Ich werde eine Gesichtserkennungs-App entwickeln

Die Lücke zur Leistung auf menschlicher Ebene bei der Gesichtserkennung schließen

In modernen Systemen besteht die herkömmliche Pipeline aus vier Stufen:

1. erkennen
2. ausrichten
3. vertreten
4. klassifizieren

Ich überprüfe sowohl den Ausrichtungsschritt als auch den Darstellungsschritt, indem ich explizite 3D-Gesichtsmodellierung verwende.

DeepFace zeigt eine Leistung, die der menschlichen Ebene sehr nahe kommt. Menschen haben einen Wert von 97,53 %, während das DeepFace-Modell einen Wert von 97,35 % ± 0,25 % hat. Das bedeutet, dass das Modell manchmal eine höhere Punktzahl als der Mensch erreichen kann. Bei diesem Gig stelle ich das DeepFace-Modell in Keras für Python bereit.

Dieses System ist eine Kombination aus CNN , Auto-Encoder und Transfer-Learning .

Ich habe das Modell mit dem bislang größten Gesichtsdatensatz (SFC-Datensatz) trainiert. Der Datensatz umfasst 4,4 Millionen Fotos von 4030 Personen. Das ist genau die Anzahl der Knoten in der letzten Schicht F8

Ich habe das entwickelte Modell mit Variationen von Angelina Jolie und Jennifer Aniston getestet . Überraschenderweise kann das Modell alle von mir gefütterten Instanzen überprüfen. Sie können dieses Modell auch in Echtzeit verwenden

Die Änderungen werden gemäß Ihren Anforderungen durchgeführt!