Publication: ระบบการรู้จำใบหน้าโดยใช้กระบวนการถ่ายโอนการเรียนรู้
4
2
Issued Date
2020
Resource Type
Language
tha
File Type
application/pdf
Access Rights
open access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
ธันยาธรณ์ บินตอเล็บ, พนัชกร วรโชติชนาภัทร, อาทิตยา จันทมี (2020). ระบบการรู้จำใบหน้าโดยใช้กระบวนการถ่ายโอนการเรียนรู้. สืบค้นจาก: https://hdl.handle.net/20.500.14740/7755
Alternative Title(s)
Facial recognition using transfer learning
Advisor(s)
Organization
Abstract
งานวิจัยนี้มีจุดประสงค์เพื่อพัฒนาระบบการรู้จำใบหน้าโดยจะทำการศึกษา Pre-trained Model สำหรับการทำระบบรู้จำใบหน้า และเปรียบเทียบค่าความถูกต้องของโมเดลสำหรับการทำการรู้จำใบหน้า ซึ่งใช้ในการระบุตัวตนของคนที่เข้ามาในระบบ โดยระบบมีการตรวจจับใบหน้า (Face Detection) เพื่อตรวจจับเฉพาะใบหน้า โดยการทำงานของระบบคือ เมื่อมีภาพหรือบุคคลเข้ามาในระบบ ระบบจะทำการตรวจจับหาใบหน้าบุคคล หลังจากนั้นจะทำการตีกรอบเฉพาะใบหน้า และทำการรู้จำใบหน้า (Face Recognition) ตามลำดับ ค่าความถูกต้อง ของระบบขึ้นอยู่กับโมเดลที่ใช้ซึ่งควรผ่านการเทรนกับชุดข้อมูลขนาดใหญ่เพื่อให้ได้ประสิทธิภาพที่ดีสำหรับการนำใช้สำหรับศึกษาต่อกับชุดข้อมูลและระบบรู้จำใบหน้าของงานวิจัยนี้ เพื่อลดระยะเวลาในการทำงานของระบบ ซึ่งโมเดลที่ใช้ในการทำวิจัยนี้เป็น Pre-trained Model 3 ตัว ได้แก่ VGG16, MobileNet, ResNet50 เนื่องจากตัวโมเดลเหล่านี้สามารถให้ประสิทธิภาพ และค่าความถูกต้องที่ค่อนข้างสูงถึงสูงมาก จึงเลือกใช้โมเดลเหล่านี้มาใช้ในการเปรียบเทียบเพื่อเลือกโมเดลที่เหมาะสมกับชุดข้อมูลและระบบรู้จำใบหน้า งานวิจัยนี้ใช้ภาพทั้งหมด 2,923 ภาพ 106 บุคคล โดยใช้ชุดข้อมูลของ Labelled Faces in the Wild (LFW) จำนวน 2,292 ภาพทั้งหมด 57 บุคคล และชุดข้อมูลของนิสิตวิทยาการคอมพิวเตอร์ จำนวน 631 ภาพ 49 บุคคลโดยแบ่งเป็นจำนวนภาพในการ train ทั้งหมด 2,045 ภาพ และจำนวนภาพในการ test ทั้งหมด 878 ภาพ สามารถรู้จำใบหน้าได้ค่าความถูกต้อง 95 %
This research aims to develop a face recognition system from pre-trained models and compare the accuracy of models in the face recognition application. The system is used to identify people entering the system. The system operates on an image or person entering the system. The system detects the face of a person and creates frames around the face before sending it to face recognition. The accuracy of the system depends on the model, which should be trained with large datasets to achieve good performance for our dataset and face recognition system of this research. The models used in this research are three pre-training models: VGG16, MobileNet, ResNet50. The results from the evaluation are compared to select the best model that is suitable for the dataset and face recognition system. This research uses 2,923 images of 106 people from two datasets: 2,292 images of 57 people from the Labelled Faces in the Wild (LFW) dataset and 631 images of Computer Science 49 students. The dataset is divided as a training set of 2,045 images and as a test set of 878 images. The best recognition result obtained from the experiment achieves with 95% in accuracy.
This research aims to develop a face recognition system from pre-trained models and compare the accuracy of models in the face recognition application. The system is used to identify people entering the system. The system operates on an image or person entering the system. The system detects the face of a person and creates frames around the face before sending it to face recognition. The accuracy of the system depends on the model, which should be trained with large datasets to achieve good performance for our dataset and face recognition system of this research. The models used in this research are three pre-training models: VGG16, MobileNet, ResNet50. The results from the evaluation are compared to select the best model that is suitable for the dataset and face recognition system. This research uses 2,923 images of 106 people from two datasets: 2,292 images of 57 people from the Labelled Faces in the Wild (LFW) dataset and 631 images of Computer Science 49 students. The dataset is divided as a training set of 2,045 images and as a test set of 878 images. The best recognition result obtained from the experiment achieves with 95% in accuracy.