Detekce částečně zakrytého obličeje v obrazových datech
Loading...
Date
Authors
Kedra, David
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato bakalářská práce se zabývá analýzou problémů kamerových systémů při detekci částečně zakrytých obličejů a rozebírá současné detektory strojového učení. Smyslem bylo hledat řešení, která napomáhají detekcím tváří i se zhoršenou viditelností. Z tohoto důvodu byly generováním umělých zakrytí upraveny datasety, na kterých se trénovaly modely YOLOv7, YOLOv7-tiny a RetinaNet. Představena je počítačová aplikace uplatňující tyto detektory. Modely jsou srovnány s existujícími řešeními z hlediska kvality a rychlosti. Na většině testovacích datasetů lépe obstávají natrénované modely. YOLOv7 je při minimálním IoU 50 % nejpřesnější na upravených sadách WIDER FACE i UFDD, a to s průměrnými preciznostmi 86 % a 89 %. Na třetím datasetu s rouškami však modely překonává existující detektor RetinaFace. Dle poměru rychlosti a kvality působí nejefektivněji YOLOv7-tiny.
This bachelor thesis deals with the analysis of problems related to detecting partially occluded faces in camera systems and discusses current machine learning detectors. The aim was to find solutions useful for detecting hardly visible faces. For this reason, artificial occlusions were generated into datasets for training the YOLOv7, YOLOv7-tiny and RetinaNet models. A computer application that uses these detectors is presented. The models are compared with existing solutions in terms of quality and speed. The trained models perform better on most test datasets. YOLOv7 is the most accurate on the modified WIDER FACE and UFDD datasets with average precisions of 86 % and 89 % at a minimum IoU of 50 %. On the third dataset with face masks, the existing detector RetinaFace outperformes the others. According to the speed/quality ratio, YOLOv7-tiny is the most effective.
This bachelor thesis deals with the analysis of problems related to detecting partially occluded faces in camera systems and discusses current machine learning detectors. The aim was to find solutions useful for detecting hardly visible faces. For this reason, artificial occlusions were generated into datasets for training the YOLOv7, YOLOv7-tiny and RetinaNet models. A computer application that uses these detectors is presented. The models are compared with existing solutions in terms of quality and speed. The trained models perform better on most test datasets. YOLOv7 is the most accurate on the modified WIDER FACE and UFDD datasets with average precisions of 86 % and 89 % at a minimum IoU of 50 %. On the third dataset with face masks, the existing detector RetinaFace outperformes the others. According to the speed/quality ratio, YOLOv7-tiny is the most effective.
Description
Keywords
detekce obličeje, částečné zakrytí, strojové učení, umělá inteligence, hluboké učení, neuronové sítě, konvoluční neuronové sítě, detektor objektů, kamerový systém, RetinaNet, YOLO, ResNet, Python, PyTorch, face detection, partial occlusion, machine learning, artificial intelligence, deep learning, neural networks, convolutional neural networks, object detector, camera system, RetinaNet, YOLO, ResNet, Python, PyTorch
Citation
KEDRA, D. Detekce částečně zakrytého obličeje v obrazových datech [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
doc. Ing. František Zbořil, Ph.D. (předseda)
doc. Mgr. Adam Rogalewicz, Ph.D. (člen)
Ing. David Bařina, Ph.D. (člen)
doc. Ing. Michal Bidlo, Ph.D. (člen)
doc. Ing. Radek Burget, Ph.D. (člen)
Date of acceptance
2023-06-13
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení