Ik ontwikkel een gezichtsherkenningsapp

De kloof dichten tot menselijke prestaties in gezichtsherkenning

In moderne systemen bestaat de conventionele pipeline uit vier fasen:

1. detecteer
2. uitlijnen
3. representeren
4. classificeren

Ik herzie zowel de uitlijningsstap als de representatiestap door gebruik te maken van expliciete 3D gezichtsmodellering.

DeepFace toont een prestatie die heel dicht bij het menselijke niveau ligt. Mensen scoren 97,53% terwijl het DeepFace-model een 97,35% ± 0,25% behaalt. Dit betekent dat het model soms een hogere score kan halen dan mensen. In deze gig bied ik het DeepFace-model aan binnen Keras voor Python.

Dit systeem is een combinatie van CNN, auto-encoder en transfer learning.

Ik heb het model getraind op de grootste gezichts-dataset tot nu toe (SFC Dataset). De dataset bevat 4,4 miljoen foto's van 4030 mensen. Dat is precies het aantal knooppunten in de laatste laag F8.

Ik testte het ontwikkelde model met variaties van Angelina Jolie en Jennifer Aniston. Verrassend genoeg kan het model alle voorbeelden die ik heb aangeleverd verifiëren. Je kunt dit model ook in real time gebruiken.

De wijzigingen worden gedaan volgens jouw wensen!