МЕТОДИ ГЛИБИННОГО НАВЧАННЯ ДЛЯ РОЗПІЗНАВАННЯ ОБЛИЧ, ВІЗУАЛІЗОВАНИХ В УМОВАХ НЕДОСТАТНЬОГО ОСВІТЛЕННЯ НА ОСНОВІ МОДЕЛІ MOBILENETV2
DOI:
https://doi.org/10.31891/307-5732-2025-355-48Ключові слова:
згорткова нейронна мережка, MobileNetV2, глибинне навчання, розпізнавання зображень, зображення низької якості, розпізнавання обличАнотація
В статті розглядається проблема зниження точності розпізнавання в сучасних методах розпізнавання облич для зображень низької якості, які візуалізовані в умовах недостатнього освітлення. Розглянуті методи розпізнавання ґрунтуються на методах глибинного навчання для виділення об’єкта інтересу (обличчя), цифрового перетворення зображення та різних моделях згорткових нейронних мереж (VGG-Face, ArcFace, FaceNet, DeepFace, SphereFace, CosFace, OpenFace) для вилучення ознак зображень та класифікації. Запропоновано два методи розпізнавання облич, що ґрунтуються на моделі глибинного навчання архітектури MobileNetV2 з інтеграцією додаткових блоків для покращення вилучення ознак. Один із запропонованих методів включає попередню класифікацію зображень відповідно до умов візуалізації зображень з використанням моделі CNN з точністю 99,33%, після чого застосовуються відповідні навчені моделі архітектури MobileNetV2. Запропоновані методи протестовано на наборі даних UTKFace та згенерованих наборах даних DistortionFace та NaturalFace для розпізнавання зображень облич за такими ознаками, як вік, стать та етнічна приналежність. Запропонований метод розпізнавання облич на основі моделі MobileNetV2 показав середню абсолютну похибку віку 6,38, точність статі – 88,09%, точність етнічної приналежності – 72,93%. Запропонований метод розпізнавання облич на основі CNN моделі та моделі MobileNetV2 показав середню абсолютну похибку віку 6,74, точність статі – 87,14%, точність етнічної приналежності – 70,53%. Запропоновані методи демонструють стійкість при розпізнаванні зображень низької якості, які візуалізовані в умовах недостатнього освітлення та потенціал для подальшого вдосконалення.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 ДМИТРО МАКСИМЕНКО, ОКСАНА ШКУРАТ, АНДРІЙ ДИЧКА (Автор)

Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.