Идентификация лиц с использованием нейронных сетей в условиях маскировки и камуфляжа

Данная курсовая работа посвящена исследованию методов идентификации лиц с использованием нейронных сетей, акцентируя внимание на сложности, возникающих при наличии средств маскировки и камуфляжа. Рассматриваются алгоритмы, такие как CNN и FaceNet, которые позволяют преобразовывать изображения в систему координат, где расстояние между точками свидетельствует о сходстве. Особое внимание уделено подготовке датасетов, состоящих из обучающих и тестовых примеров, и использованию триплетной функции потерь для оптимизации процесса обучения. Работа включает в себя практическую часть, в которой будет разработана и протестирована модель, способная справляться с различными условиями маскировки.

Продукт

Разработка модели на основе нейронные сети, способной идентифицировать лица, прикрытые маскировкой, с использованием архитектур CNN и методов FaceNet.

Актуальность

Актуальность исследования обуславливается растущими потребностями в области безопасности и идентификации лиц, особенно в контексте преступности и террористических угроз, где маскировка может быть использована для уклонения от обнаружения.

Цель

Создание работоспособной модели, способной эффективно идентифицировать лица при наличии средств маскировки и камуфляжа.

Задачи

1. Исследовать и выбрать подходящие алгоритмы нейронных сетей для идентификации лиц. 2. Подготовить датасеты для обучения модели. 3. Разработать и обучить модель с использованием триплетной функции потерь. 4. Провести тестирование полученной модели.

Предпросмотр документа

Наименование образовательного учреждения

Выполнил:ФИО

Руководитель:ФИО

Содержание

Введение

Глава 1. Введение в нейронные сети для идентификации лиц

1.1. Введение в нейронные сети для идентификации лиц

1.2. Архитектуры нейронных сетей: CNN и FaceNet

Глава 2. Сложности идентификации лиц в условиях маскировки

2.1. Сложности идентификации лиц в условиях маскировки

2.2. Сравнительный анализ существующих методов

Глава 3. Подготовка и оценка моделей идентификации

3.1. Подготовка датасетов для обучения моделей

3.2. Оптимизация посредством триплетной функции потерь

3.3. Процесс обучения и тестирования модели

3.4. Оценка эффективности модели

3.5. Перспективы дальнейших исследований

Заключение

Список литературы