Svilupperò un'app per il riconoscimento facciale

Colmare il divario rispetto alle prestazioni a livello umano nel riconoscimento facciale

Nei sistemi moderni, la pipeline convenzionale è composta da quattro fasi:

1. rilevare
2. allineare
3. rappresentare
4. classificare

Rivisito sia la fase di allineamento che la fase di rappresentazione impiegando la modellazione facciale 3D esplicita.

DeepFace mostra una performance molto vicina al livello umano. Gli esseri umani hanno un punteggio del 97,53%, mentre il modello DeepFace ha un punteggio del 97,35% ± 0,25% . Ciò significa che a volte il modello può ottenere un punteggio più alto rispetto agli esseri umani. Sto fornendo il modello DeepFace all'interno di Keras per Python in questo servizio.

Questo sistema è una combinazione di CNN , auto-encoder e transfer learning .

Ho addestrato il modello sul più grande set di dati facciali fino ad oggi (SFC Dataset). Il set di dati contiene 4,4 milioni di foto di 4030 persone. Questo è esattamente il numero di nodi nel livello finale F8

Ho testato il modello sviluppato con variazioni di Angelina Jolie e Jennifer Aniston. Sorprendentemente, il modello può verificare tutte le istanze che ho fornito. Puoi utilizzare questo modello anche in tempo reale

Le modifiche verranno apportate secondo le vostre esigenze!