| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 21.47 MB | Adobe PDF |
Authors
Abstract(s)
Câmeras de monitoramento são largamente utilizadas para supervisionar estabelecimentos,
de forma a coibir atos de violência. Um dos modos de melhorar esse sistema é pelo
reconhecimento das pessoas que circulam nesse espaço, preferencialmente pelo rosto dos
indivíduos. Um desafio existente é reconhecer os rostos quando as condições de imagem
são adversas, seja pela utilização de equipamentos de baixa qualidade ou pela distância
entre o sujeito e a câmera, impactando assim nas taxas de acerto dos sistemas de reconhecimento.
Para tal, técnicas de aumento de resolução e melhoria na qualidade das
imagens podem ser aplicadas antes de realizar o reconhecimento da face, de forma a melhorar
a acurácia da última. Dentre essas técnicas de Super-Resolução, o atual estado
da arte dá-se pelo uso de Redes Adversárias Generativas (GAN). No uso conjunto de
Super-Resolução com reconhecimento de faces, uma opção que se mostrou promissora é
o treinamento das redes de Super-Resolução e Reconhecimento Facial de forma conjunta,
de modo a direcionar a rede no aprendizado de características de aumento de qualidade
de imagem que conduzam a uma melhor acurácia em reconhecer os indivíduos. Neste
trabalho, realizamos o treinamento conjunto de Super-Resolução e Reconhecimento de
Faces, sendo a primeira uma rede Generativa e a última uma ResNet50, treinados com o
auxílio de uma rede Discriminativa, nos moldes do treinamento de redes GAN, de forma
a testar a eficácia desse sistema no reconhecimento dos indivíduos em imagens de baixa
qualidade. As imagens de resolução aumentada geradas pela rede foram satisfatórias,
mas não conseguimos realizar a convergência do reconhecimento das faces em tempo hábil.
Com o presente trabalho, desejamos que os achados em nossos experimentos sirvam
de insumo para mais pesquisas nesse tópico. Os códigos estão disponíveis publicamente em https://github.com/OliRafa/SRFR-GAN
Surveillance cameras are broadly used in supervising private places to restrain violent acts. One of the ways of improving this system is recognizing people in this space, preferably by using an individual’s face biometrics. An existing challenge is to recognize faces when imaging conditions are adverse, either by low-quality cameras or the distance between the subject and the camera, thus impacting the accuracy of these recognizing systems. Super-Resolution (SR) techniques can be used to improve both image resolution and quality before recognizing the face, to improve the accuracy of the recognition task. Among these techniques, the actual State of the Art uses Generative Adversarial Networks (GAN). When used together, one promising option is to train Super-Resolution and Face Recognition as one single network, conducting the network to learn SR features that will improve its capability when recognizing faces. In the present work, we trained a Super-Resolution Face Recognition model using this joint-learn approach, combining a Generative network for SR, and a ResNet50 for Face Recognition. The model was trained with a Discriminator network, following the GAN training framework. The images generated by the network were convincing, but we couldn’t converge the FR model in a timely manner. We hope that our contributions could help future works on this topic. Code is publicly available at https://github.com/OliRafa/SRFR-GAN.
Surveillance cameras are broadly used in supervising private places to restrain violent acts. One of the ways of improving this system is recognizing people in this space, preferably by using an individual’s face biometrics. An existing challenge is to recognize faces when imaging conditions are adverse, either by low-quality cameras or the distance between the subject and the camera, thus impacting the accuracy of these recognizing systems. Super-Resolution (SR) techniques can be used to improve both image resolution and quality before recognizing the face, to improve the accuracy of the recognition task. Among these techniques, the actual State of the Art uses Generative Adversarial Networks (GAN). When used together, one promising option is to train Super-Resolution and Face Recognition as one single network, conducting the network to learn SR features that will improve its capability when recognizing faces. In the present work, we trained a Super-Resolution Face Recognition model using this joint-learn approach, combining a Generative network for SR, and a ResNet50 for Face Recognition. The model was trained with a Discriminator network, following the GAN training framework. The images generated by the network were convincing, but we couldn’t converge the FR model in a timely manner. We hope that our contributions could help future works on this topic. Code is publicly available at https://github.com/OliRafa/SRFR-GAN.
Description
Mestrado de dupla diplomação com a UTFPR - Universidade Tecnológica Federal do Paraná
Keywords
Super-resolução Reconhecimento de faces Redes adversárias generativas Aprendizado de máquina