Avaliação do desempenho de Redes Neurais Convolucionais para o reconhecimento biométrico da região periocular utilizando Transfer Learning (2019)
- Authors:
- USP affiliated author: GODINHO, LAHIRI JUMONJI - EESC
- School: EESC
- Subjects: APRENDIZADO COMPUTACIONAL; BIOMETRIA
- Keywords: Aprendizagem Profunda; Aprendizagem de máquina; CASIA-IrisV4; Deep learning; Fine tunning; Iris a distância; Iris at distance; Machine learning; Recognition of the periocular region; Reconhecimento da região periocular; Transfer learning
- Language: Português
- Abstract: O reconhecimento biométrico tem diversas aplicações atualmente por ser uma maneira segura de identificação. Dentre as diversas maneiras de se fazer o reconhecimento biométrico, o método que vem se destacando mais é a utilização de redes neurais convolucionais (CNN). Apesar de apresentarem bons resultados em diversas aplicações, a etapa de treinamento requer um conjunto de dados composto por muitas amostras e exige em longo tempo de execução. Estes pré-requisitos do treinamento se tornam um problema pois nem sempre existe um conjunto de dados com muitas amostras para a aplicação específica. Neste trabalho, é avaliada a técnica de transfer learning onde uma rede pré treinada é utilizada de base para uma rede nova adaptada ao problema. Com esta técnica, é possível treinar a nova rede rapidamente e utilizando uma quantidade menor de dados. Foram escolhidas quatro redes pré treinadas, baseadas em seu desempenho no ImageNet Large Scale Visual Recognition Challenge (ILSVRC). Estas redes foram sintonizadas por transfer learning com um subconjunto de imagens da base CASIA-IrisV4, coletada pela Chinese Academy of Sciences' Institute of Automation (CASIA).As CNNs testadas apresentaram acurácias elevadas, de 91% a 95%, quando as duas regiões perioculares (olho esquerdo e direito) são utillizadas no treinamento. Além disso, a inversão por software das imagens das regiões perioculares direita ou esquerda na fase de teste reduziu o desempenho das redes para acurácias abaixo de 50% quando um olho invertido é testado em uma rede treinada apenas com o olho oposto. O desempenho das CNNs, no entando, apresenta acurácias próximas de 80% quando o olho invertido é testado em uma rede treinada com a região periocular do mesmo lado da face. Os resultados mostram que as características de uma região periocular (direita ou esquerda) possuem propriedades discriminativaspróprias, que são identificadas pelas redes, mesmo em caos de inversão da imagem
- Imprenta:
- Place of publication: São Carlos
- Date published: 2019
-
ABNT
GODINHO, Lahiri Jumonji. Avaliação do desempenho de Redes Neurais Convolucionais para o reconhecimento biométrico da região periocular utilizando Transfer Learning. 2019. Trabalho de Conclusão de Curso (Graduação) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2019. Disponível em: https://bdta.abcd.usp.br/directbitstream/c14019c1-7795-4645-99b0-ea3f6f24a4ff/Godinho_LahiriLumonji_tcc.pdf. Acesso em: 01 maio 2024. -
APA
Godinho, L. J. (2019). Avaliação do desempenho de Redes Neurais Convolucionais para o reconhecimento biométrico da região periocular utilizando Transfer Learning (Trabalho de Conclusão de Curso (Graduação). Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/c14019c1-7795-4645-99b0-ea3f6f24a4ff/Godinho_LahiriLumonji_tcc.pdf -
NLM
Godinho LJ. Avaliação do desempenho de Redes Neurais Convolucionais para o reconhecimento biométrico da região periocular utilizando Transfer Learning [Internet]. 2019 ;[citado 2024 maio 01 ] Available from: https://bdta.abcd.usp.br/directbitstream/c14019c1-7795-4645-99b0-ea3f6f24a4ff/Godinho_LahiriLumonji_tcc.pdf -
Vancouver
Godinho LJ. Avaliação do desempenho de Redes Neurais Convolucionais para o reconhecimento biométrico da região periocular utilizando Transfer Learning [Internet]. 2019 ;[citado 2024 maio 01 ] Available from: https://bdta.abcd.usp.br/directbitstream/c14019c1-7795-4645-99b0-ea3f6f24a4ff/Godinho_LahiriLumonji_tcc.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Godinho_LahiriLumonji_tcc... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
