Résumé:
Dans cette étude, nous avons présenté les dernières approches utilisées pour la détection et la reconnaissance faciales basées sur l'apprentissage en profondeur et en particulier les réseaux de neurones convolutifs.
Dans notre projet, nous avons utiliser un réseau de neurones à convolution profonde (CNN) pour extraire les caractéristiques des images d'entrée et pour reconnaître les visages dans un environnement complexe basé sur l'une des architectures les plus précises (VGG). pour utiliser les modèles existants qui ont déjà été formés sur des ensembles de données massifs, tels que VGG16 pour la reconnaissance faciale qui est formé sur l'ensemble de données ImageNet bien connu. Nous avons utilisé le détecteur de visage Dlib qui utilise également la technologie d'apprentissage en profondeur pour extraire les coordonnées du visage. Nous avons créé notre propre ensemble de données qui est une collection d'images du Web, et nous nous sommes concentrés sur l'enrichissement de l'ensemble de données en appliquant une technologie d'augmentation des données (rotation, décalage ...) qui a aidé à créer un nouvel ensemble d'images à partir des images existantes. Les performances de notre système de reconnaissance faciale ont été évaluées sur notre propre jeu de données personnalisé ainsi que sur des images aléatoires inconnues du Web et on a obtenu des résultats impressionnants.
