Akcelerace neuronové sítě pro detekci obličeje ve zhoršených světelných podmínkách

Abstract

Cílem této práce je vytvořit neuronovou síť pro detekci obličejů ve zhoršených světelných podmínkách, tuto síť akcelerovat a porovnat s existujícími řešeními. Problém detekce je řešen konvoluční neuronovou sítí natrénovanou pomocí datasetů WIDER FACE a DARK FACE. Síť je akcelerována zařízením Intel Neural Compute Stick 2. Práce obsahuje sumarizaci dosavadních řešení a algoritmů detekce (jak klasických metod, tak těch využívajících neuronové sítě) a poskytuje porovnání těchto řešení s nově vytvořenými detektory. Ty jsou založeny na TensorFlow Object Detection API. Nejlepší varianta dosahuje průměrné přesnosti 47,1 % na upraveném validačním datasetu WIDER FACE (detektor YOLOv7-face má přesnost 42,8 %). Měřena byla také rychlost a vliv akcelerace a kvantování modelů. Kvantováním bylo dosaženo i více než 3násobného zrychlení některých modelů. Součástí práce je také grafická aplikace pro detekci ve videích s vytvořenými modely a některými existujícími řešeními.The goal of this thesis is to build neural network for face detection in low light conditions, accelerate this network and compare it with other existing networks. Detection problem is solved with convolution neural network (CNN), which is trained on WIDER FACE and DARK FACE datasets. This CNN is accelerated by device Intel Neural Compute Stick 2. This work also summarise existing approaches in face detection (classic and neural networks based) and compares this approaches to the new ones. New detectors are based on TensorFlow Object Detection API. The best new model has average precision 47.1 % on custom validation dataset (detector YOLOv7-face has 42.8 % average precision). Speed of detection and influence of acceleration and quantization were also measured. With quantization some models could speed-up 3 times. Within this work, a GUI application for models tests was also developed. It can detect faces with newly created models and with some existing approaches.