ИДЕНТИФИКАЦИЯ ЛИЦ ДЛЯ СИСТЕМ БЕЗОПАСНОСТИ ADVIN НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ: реферат дипломной работы/Машко Т.В., БГУ, физический факультет, кафедра ядерной физики, руководитель Чернявская Э.А.

Abstract

Дипломная работа состоит из введения, трёх глав, заключения, списка использованных источников, 9 таблиц, 14 рисунков, 69 страниц, 20 источников, 3 приложения. Ключевые слова: нейросети, распознавание лиц, идентификация, детектирование, датасет. Актуальность: обусловлена развитием нейронных сетей, созданием новых нейросетей и расширение областей применения искусственного интеллекта. Разработки современных моделей ведутся при помощи обновлённых методов и структур, которые необходимо рассматривать для дальнейших исследований и практических использований нейросетевых технологий в таких сферах, как системы безопасности. Цель работы: разработка нейросетевых моделей на основе моделей NN1 и NN2, и сравнение полученных данных. В качестве основного языка программирования выбран Python, а средой программирования выступал PyCharm. Методы исследования: разработка и обучение нейронных сетей, анализ используемой базы данных, оценка обучения моделей. В результате работы были рассмотрены и проанализированы современные нейронные сети, которые применяются для детектирования и идентификации лиц, а также рассматривалась возможность применения синтетических данных для таких задач компьютерного зрения. Были разработаны две нейросетевых модели NN1 и NN2 для распознавания лиц. Модели имеют как схожие элементы в своей архитектурной структуре, так и принципиальные отличия. На основе предприятия ADVIN, которое имеет мощные вычислительные устройства, разработанные модели были обучены. Обучение проходило на наборе данных CelebaTripletLoss. Оценка результатов такова, что значение тренировочной функции потерь падает с увеличением эпох, при этом валидационная функция потерь уменьшается и стабилизируется с увеличением времени для обоих моделей. Это говорит об успешном обучении разработанных моделей NN1 и NN2. Из-за особенности своей архитектуры, в частности применения блоков Inception, модель NN2 достигла лучших результатов в распознавании лиц после обучения, в отличие от модели NN1. Показателем этого является значение тренировочной функции потерь. Для модели NN2 показатель достигает значений 0.312, когда для модели NN1 данный показатель равен 0.4355. Модели могут быть применены в системах безопасности, по типу системах видеонаблюдения, пропускных системах. Также для обнаружения лиц в социальных сетях.