Desarrollaré una aplicación de reconocimiento facial.

Cerrando la brecha con el rendimiento a nivel humano en el reconocimiento facial

En los sistemas modernos, la tubería convencional consta de cuatro etapas:

1. detectar
2. alinear
3. representar
4. clasificar

Vuelvo a revisar tanto el paso de alineación como el paso de representación empleando un modelado facial 3D explícito.

DeepFace muestra un rendimiento muy cercano al nivel humano. Los humanos tienen una puntuación del 97,53 %, mientras que el modelo DeepFace tiene un 97,35 % ± 0,25 % . Esto significa que, en ocasiones, el modelo puede obtener una puntuación más alta que los seres humanos. Estoy proporcionando el modelo DeepFace dentro de Keras para Python en este servicio.

Este sistema es una combinación de CNN , codificador automático y aprendizaje por transferencia .

Entrené al modelo en el conjunto de datos faciales más grande hasta la fecha (Conjunto de datos SFC). El conjunto de datos tiene 4,4 millones de fotos de 4030 personas. Ese es exactamente el número de nodos en la capa final F8

Probé el modelo desarrollado con variaciones de Angelina Jolie y Jennifer Aniston. Sorprendentemente, el modelo puede verificar todas las instancias que alimenté. También puedes usar este modelo en tiempo real

¡Los cambios se realizarán según sus requisitos!