دانلود ترجمه مقاله دیپ فیس کم کردن فاصله تا سطح عملکرد بشر در تشخیص چهره
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2012
تعداد صفحه ترجمه:20
تعداد صفحه فایل انگلیسی:8
موضوع انگلیسی :DeepFace: Closing the Gap to Human-Level Performance in Face Verification
موضوع فارسی:دانلود ترجمه مقاله دیپ فیس کم کردن فاصله تا سطح عملکرد بشر در تشخیص چهره
چکیده انگلیسی:In modern face recognition, the conventional pipeline
consists of four stages: detect)align)represent)classify.
We revisit both the alignment step and the representation
step by employing explicit 3D face modeling in order to
apply a piecewise affine transformation, and derive a face
representation from a nine-layer deep neural network. This
deep network involves more than 120 million parameters
using several locally connected layers without weight sharing,
rather than the standard convolutional layers. Thus
we trained it on the largest facial dataset to-date, an identity
labeled dataset of four million facial images belonging
to more than 4,000 identities. The learned representations
coupling the accurate model-based alignment with the
large facial database generalize remarkably well to faces in
unconstrained environments, even with a simple classifier.
Our method reaches an accuracy of 97.35% on the Labeled
Faces in the Wild (LFW) dataset, reducing the error of the
current state of the art by more than 27%, closely approaching
human-level performance
چکیده فارسی:
چکیده
در تشخیص چهره ی نوین، پایپ لاین (مترجم: مجموعه ای از عناصر (مراحل) پردازش داده که به صورت سری به هم متصلند و ورودی هر مرحله خروجی مرحله ی قبل است.) متعارف شامل چهار مرحله می شود: شناسایی ⇐ تطبیق ⇐ بازنمایی ⇐ طبقه بندی. ما هم گام تطابق و هم گام بازنمایی را، با به کار بردن مدل سازی صریح سه بعدی چهره بازبینی کردیم تا یک تبدیل نسبتی مقطع را اعمال نمائیم، و نمای چهره را از یک شبکه عصبی عمیق نه لایه، به حاصل نمائیم. این شبکه ی عمیق، بیش از 120 میلیون پارامتر را، به جای لایه های کانولوشن استاندارد، با استفاده از چندین لایه که بدون اشتراک وزن و به صورت محلی به هم متصلند، درگیر کرده است. بنابراین ما آن را در بزرگترین مجموعه ی داده ی چهره ی به روز، یک مجموعه ی داده با برچسب هویتی متعلق به چهار میلیون تصویر چهره که متعلق به بیش از 4,000 ،هویت می باشند، مرتب کرده ایم. جفت کردن بازنمایی های آموخته شده تطبیق صحیح مبتنی بر مدل، با پایگاه داده ی بزرگ چهره، حتی با یک طبقه بندی ساده، به خوبی چهره ها را، در محیط های نامحدود، تعمیم می دهد. روش ما در چهره ی نشاندار در مجموعه ی داده ی نامرتب (LFW)، به دقت 97.35% می رسد، و خطای وضعیت هنری فعلی را بیش از 27% کاهش می دهد، که نزدیک به سطح عملکرد انسان است.
