Kasvontunnistus neuroverkolla
Holopainen, Juho (2022)
2022
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2022120827170
https://urn.fi/URN:NBN:fi:amk-2022120827170
Tiivistelmä
Opinnäytetyön tarkoituksena oli suunnitella ja toteuttaa konvoluutio-neuroverkkoon pohjautuva kasvontunnistussovellus. Sovelluksessa käytettävä neuroverkko tuli kouluttaa erottamaan henkilöllisyyksiä toisistaan kasvokuvien avulla.
Työssä valittiin valmis neuroverkkoarkkitehtuuri ja sen koulutuksessa hyödynnettiin siirto-oppimista. Tunnistustehtävän ratkaisemiseksi esiteltiin kirjoittajan suunnittelema häviöfunktio, jota käyttämällä saavutettiin demosovellukseen riittävä tunnistustarkkuus. Sovelluksen koodi kirjoitettiin Python-ohjelmointikielellä.
Neuroverkon oppimisprosessi oli stabiili ja saavutettu tarkkuus kohtalaisen hyvä. Koulutuksessa ei havaittu tapahtuneen ylisovittumista. Lopputuloksena saatiin aikaan yksinkertainen, mutta toimiva sovellus, jota käyttämällä saatiin aikaan verrattain onnistuneita tunnistuksia ottaen huomioon lyhyen koulutusajan, mallin pienen koon ja aineiston suppeuden. The objective of this thesis was to design and implement a face recognition application based on a convolutional neural network. The neural network used by the application was required to distinguish persons apart based on the images of their faces.
A readily available neural network architecture was chosen, and transfer learning was used in the training process. To achieve the learning goal, a new loss function was introduced by the author. The use of the new loss function enabled a sufficient accuracy of the demo application. The code of the application was written in Python.
The learning process of the model was stable, and a moderate accuracy was reached. Signs of overfitting during training were not detected. The resulting application was simple, but it provided relatively accurate predictions considering the short training time, small size of the model and the constricted source data.
Työssä valittiin valmis neuroverkkoarkkitehtuuri ja sen koulutuksessa hyödynnettiin siirto-oppimista. Tunnistustehtävän ratkaisemiseksi esiteltiin kirjoittajan suunnittelema häviöfunktio, jota käyttämällä saavutettiin demosovellukseen riittävä tunnistustarkkuus. Sovelluksen koodi kirjoitettiin Python-ohjelmointikielellä.
Neuroverkon oppimisprosessi oli stabiili ja saavutettu tarkkuus kohtalaisen hyvä. Koulutuksessa ei havaittu tapahtuneen ylisovittumista. Lopputuloksena saatiin aikaan yksinkertainen, mutta toimiva sovellus, jota käyttämällä saatiin aikaan verrattain onnistuneita tunnistuksia ottaen huomioon lyhyen koulutusajan, mallin pienen koon ja aineiston suppeuden.
A readily available neural network architecture was chosen, and transfer learning was used in the training process. To achieve the learning goal, a new loss function was introduced by the author. The use of the new loss function enabled a sufficient accuracy of the demo application. The code of the application was written in Python.
The learning process of the model was stable, and a moderate accuracy was reached. Signs of overfitting during training were not detected. The resulting application was simple, but it provided relatively accurate predictions considering the short training time, small size of the model and the constricted source data.