SAMODEJNO RAZPOZNAVANJE OBRAZOV IZ SLIK NIZKE LOČLJIVOSTIGrm, Klemen (Avtor) Štruc, Vitomir (Mentor) Globoko učenjerazpoznavanje obrazovsuperresolucijaV pričujoči doktorski disertaciji se ukvarjamo s problemom samodejnega razpoznavanja obrazov iz slik nizke ločljivosti z uporabo metod globokega učenja. Metode globokega učenja so v zadnjem času dosegle močan preboj v učinkovitosti delovanja postopkov razpoznavanja obrazov. Globoki nevronski modeli so naučeni za razpoznavanje obrazov na podatkovnih zbirkah več milijonov slik in so že na podlagi raznolikosti slik v učnih podatkovnih zbirkah zmožni delovanja v režimih, kot so spremembe svetlosti, obrazne poze in mimike, za razliko od klasičnih pristopov k razpoznavanju obrazov, kjer so vplivi takih dejavnikov eksplicitno modelirani. Kljub preboju z globokim učenjem pa samodejni sistemi za razpoznavanje obrazov v nekaterih okoliščinah še vedno ne dosegajo človeških sposobnosti. Ena od takih okoliščin je nizka ločljivost slik obrazov, ki je lahko rezultat bodisi zajema slik s kamerami nizke kakovosti bodisi razdalje obraza od kamere. V disertaciji najprej izvedemo sistematično študijo vplivov dejavnikov kakovosti slik na sposobnost samodejnih sistemov razpoznavanja obrazov, kjer ugotovimo obstoj močnega vpliva ločljivosti slike na uspešnost razpoznavanja. Nato razvijemo metodo za izboljšavo kakovosti slik, ki temelji na novi arhitekturi konvolucijskega nevronskega omrežja za superresolucijo in novi kriterijski funkciji za superresolucijo obrazov, ki upošteva kakovost rekonstrukcije in vsebnost informacije o identiteti. V eksperimentih pri primerjavi s konkurenčnimi modeli za izboljšavo kakovosti obraznih slik ugotovimo, da ima razvit model boljšo sposobnost rekonstrukcije podrobnosti v visoki ločljivosti in je bolj uporaben za višjenivojske naloge računalniškega vida, kot sta razpoznavanje obrazov in lokalizacija ključnih obraznih točk. Na podlagi razvitega modela izvedemo študijo pristranskosti superresolucijskih modelov in ugotovimo, da vsi preizkušeni modeli izkazujejo izrazito pristranskost v prid modelu degradacije slike, uporabljenemu za generiranje učne podatkovne zbirke za učenje superresolucije. Zaradi te pristranskosti nobeden izmed preizkušenih modelov za izboljšavo kakovosti obraznih slik ni sposoben sistematično izboljšati slik z vidika uporabnosti za razpoznavanje obrazov, kadar gre za realne slike nizke ločljivosti in ne umetno podvzorčene. Na podlagi te ugotovitve razvijemo novo metodo za razpoznavanje obrazov iz slik nizke ločljivosti, ki temelji na rezultatih prej razvitega modela za izboljšavo kakovosti slik nizke ločljivosti. Metoda temelji na združevanju rezultatov superresolucije na več skalah in izpeljavi značilk s prednaučenimi modeli za razpoznavanje obrazov. Z eksperimenti na podatkovni zbirki SCFace pokažemo, da razvita metoda uspešno izrabi s strani modelov za izboljšavo kakovosti slik dodano informacijo in izboljša rezultate razpoznavanja obrazov.20202020-03-23 17:10:05Doktorsko delo/naloga114881sl