|
Mashinali o’qitishga kirish
|
| bet | 1/2 | | Sana | 25.03.2023 | | Hajmi | 22.48 Kb. | | #46636 |
Bog'liq Mashinali o’qitishga kirish” fanidan mustaqil ish №2 1-sinf-ingliz-tili-ish-reja-YANGI, 2 , Муст иш сиртқи ЭваС2 044-048, Mustaqil ish
MUXAMMAD AL-XORAZMIY NOMIDAGI
TOSHKENT AXBOROT TEXNOLOGIYALARI UNIVERSITETI
SAMARQAND FILIALI
KOMPYUTER TIZIMLARI KAFEDRASI
5330500-Kompyuter injiniring (Kompyuter injiniring, AT-servis,Multimedia texnologiyalari)ta'lim yo'nalishi
“Mashinali o’qitishga kirish” fanidan
MUSTAQIL ISH № 2
Mavzu: Faol tajribani rejalashtirish.
Bajardi: Begaliyev Sohibjon.
Qabul qildi: Kubayev S.T.
Ishni bahosi: _______ ball
Samarqand – 2023
Reja:
Tanib olishning zamonaviy texnologiyalari: FaceNet
Tasvirni tanib olish.
Tanib olishning zamonaviy texnologiyalari: FaceNet
|
FaceNet - bu Google tadqiqotchilari tomonidan 2015-yilda FaceNet: yuzni tanish va klasterlash uchun yagona o'rnatish nomli maqolada taklif qilingan yuzni tanish tizimining nomi. U yovvoyi tabiatda etiketlangan yuzlar (LFW) va Youtube yuz maʼlumotlar bazasi kabi koʻplab benchmark yuzlarni aniqlash maʼlumotlar toʻplamida eng zamonaviy natijalarga erishdi.
Ular ZF-Net va Inception kabi chuqur o'rganish arxitekturalaridan foydalangan holda tasvirlardan yuqori sifatli yuz xaritasini yaratish usulini taklif qilishdi. Keyin u ushbu arxitekturani o'rgatish uchun yo'qotish funktsiyasi sifatida triplet yo'qotish deb nomlangan usuldan foydalangan. Keling, arxitekturani batafsil ko'rib chiqaylik.
FaceNet o'z arxitekturasida oxirigacha o'rganishdan foydalanadi. U asosiy arxitektura sifatida ZF-Net yoki Inception-dan foydalanadi. Shuningdek, u parametrlar sonini kamaytirish uchun bir nechta 1 * 1 konvolyutsiyalarni qo'shadi. Ushbu chuqur o'rganish modellari f(x) tasvirining L2 normalizatsiyasi bilan o'rnatilishini chiqaradi. Keyinchalik bu o'rnatishlar yo'qotishni hisoblash uchun yo'qotish funktsiyasiga o'tdi. Ushbu yo'qotish funktsiyasining maqsadi ikkita rasmni o'rnatish orasidagi kvadrat masofani tasvir holatidan mustaqil bo'lishi va bir xil identifikatsiyadagi pozani kichik, har xil identifikatsiyadagi ikkita rasm orasidagi kvadrat masofani katta qilishdir. Shuning uchun Triplet yo'qotish deb nomlangan yangi yo'qotish funktsiyasi qo'llaniladi. Bizning arxitekturamizda triplet yo'qotishdan foydalanish g'oyasi shundaki, u modelni turli xil identifikatorlarning yuzlari orasidagi chegarani qo'llashga imkon beradi.
Yuzni tanishni yaratish kompyuterni ko'rish sohasida juda oson vazifa hisoblanadi, biroq sizda bir nechta yuzlar, turli yorug'lik sharoitlari va turli xil tasvir o'lchovlari mavjud bo'lganda murakkab fonga ega yuzlarni bashorat qila oladigan quvur liniyasiga ega bo'lish juda qiyin. Ushbu blogda biz qanday qilib ba'zi hollarda odamlardan ustun turadigan modelni yaratganimizni tasvirlab beradi. Bizning ma'lumotlar to'plamimiz 3 ta sinfdan iborat (maxfiylik muammolari tufayli ma'lumotlarni baham ko'ra olmayman, lekin men sizga qanday ko'rinishini ko'rsataman). 1-sinf - Jesse Eisenberg (aktyor), 2-sinf - Mila Kunis (Pop Star) va 0-sinf - har qanday shaxs. Bizning poezdimiz (80 ta rasm) va test ma'lumotlari (1800+ tasvir) qanday ko'rinishga ega edi.
Bu bizning sinov ma'lumotlarimiz va o'sha tasvirlardan olingan yuzlar, bu ma'lumotlar bir nechta yuzlar, murakkab fonlar va ko'plab pikselli tasvirlar tufayli juda murakkab. Boshqa tomondan, bizning poezd ma'lumotlarimiz quyidagi rasmda juda toza. Poezd va test ma'lumotlarini taqsimlashda bizda juda ko'p farqlar mavjud. Bizga kerakli namunalar soni va poezd va test ma'lumotlari qanchalik farq qilishidan qat'i nazar, yaxshi umumlashtira oladigan texnika kerak.
|
|
| |
