Deep Learning pour Reconnaissance du Visage

Abstract

Les méthodes d'apprentissage en profondeur, en particulier les réseaux de neurones convolutifs, ont obtenu des succès significatifs dans le domaine de la vision par ordinateur. La formation de modèles profonds montre des performances exceptionnelles avec de grands ensembles de données, mais ils ne conviennent pas pour apprendre à partir de quelques échantillons limités. Ce travail de projet de fin d’étude propose un réseau de neurones à apprentissage profond pour apprendre sur un ensemble de données de taille réduite et en milieux incontrôlés. Pour cela, un ensemble de données d'image a été généré à partir du web, et il a soixante classes de personnes. Le réseau proposé est composé d'un ensemble de CNN élaborés, de RELU et de couches entièrement connectées. L'ensemble de données d'apprentissage est ensuite augmenté d'échantillons en le validant sur une BDD universelle en milieu contrôlé. Le réseau est donc formé à l'aide de la base de données standard BDD CASIA 2DV4. Nous démontrons expérimentalement que le jeu de données d'apprentissage augmenté améliore réellement la puissance de généralisation des CNN. A partir des expériences réalisées, nous avons vu que l'utilisation de cette technique était faisable, et des modifications dans l'architecture peuvent être faites comme une proposition pour améliorer la précision du modèle. En utilisant l'approche proposée pour des données d'entraînement limitées, une amélioration substantielle du taux de reconnaissance est obtenue