Je vais développer une application de reconnaissance faciale

Combler l'écart avec les performances humaines dans la reconnaissance faciale

Dans les systèmes modernes, le pipeline conventionnel se compose de quatre étapes :

1. détecter
2. aligner
3. représenter
4. classer

Je revisite à la fois l'étape d'alignement et l'étape de représentation en utilisant une modélisation explicite du visage en 3D.

DeepFace affiche une performance très proche du niveau humain. Les humains ont un score de 97,53 % alors que le modèle DeepFace a un score de 97,35 % ± 0,25 % . Cela signifie que le modèle peut parfois obtenir un score plus élevé que les êtres humains. Je fournis le modèle DeepFace dans Keras pour Python dans ce service.

Ce système est une combinaison de CNN , d'auto-encodeur et d'apprentissage par transfert .

J'ai formé le modèle sur le plus grand ensemble de données faciales à ce jour (SFC Dataset). L'ensemble de données contient 4,4 millions de photos de 4030 personnes. C'est exactement le nombre de nœuds dans la couche finale F8

J'ai testé le modèle développé avec des variations d'Angelina Jolie et de Jennifer Aniston. Étonnamment, le modèle peut vérifier toutes les instances que j'ai alimentées. Vous pouvez également utiliser ce modèle en temps réel

Les changements seront effectués selon vos besoins!