Cognition">
Nothing Special   »   [go: up one dir, main page]
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 14 vistas

    TALLER Vision Artificial No3

    Cargado por

    Sebas Sánchez Ospina
    Este documento describe dos métodos para la detección facial: MTCNN y Dlib. MTCNN utiliza una red neuronal convolucional en cascada de tres etapas para proponer regiones faciales candidatas, filtrar cuadros delimitadores y proponer puntos de referencia faciales. Dlib utiliza histograma de gradientes orientados y SVM lineal para detección facial y de puntos de referencia. El documento también proporciona enlaces a ejemplos prácticos para explorar estos métodos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    TALLER Vision Artificial No3

    Cargado por

    Sebas Sánchez Ospina
    14 vistas3 páginas
    Este documento describe dos métodos para la detección facial: MTCNN y Dlib. MTCNN utiliza una red neuronal convolucional en cascada de tres etapas para proponer regiones faciales candidatas, filtrar cuadros delimitadores y proponer puntos de referencia faciales. Dlib utiliza histograma de gradientes orientados y SVM lineal para detección facial y de puntos de referencia. El documento también proporciona enlaces a ejemplos prácticos para explorar estos métodos.

    Descripción original:

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe dos métodos para la detección facial: MTCNN y Dlib. MTCNN utiliza una red neuronal convolucional en cascada de tres etapas para proponer regiones faciales candidatas, filtrar cuadros delimitadores y proponer puntos de referencia faciales. Dlib utiliza histograma de gradientes orientados y SVM lineal para detección facial y de puntos de referencia. El documento también proporciona enlaces a ejemplos prácticos para explorar estos métodos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    14 vistas3 páginas

    TALLER Vision Artificial No3

    Cargado por

    Sebas Sánchez Ospina
    Este documento describe dos métodos para la detección facial: MTCNN y Dlib. MTCNN utiliza una red neuronal convolucional en cascada de tres etapas para proponer regiones faciales candidatas, filtrar cuadros delimitadores y proponer puntos de referencia faciales. Dlib utiliza histograma de gradientes orientados y SVM lineal para detección facial y de puntos de referencia. El documento también proporciona enlaces a ejemplos prácticos para explorar estos métodos.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 3

    TALLER VISIÓN ARTIFICIAL

    No. 3
    Detección Facial con MTCNN y Dlib

    Tabla de contenido
    1. Aspectos Previos:.......................................................................................................................2
    1.1. Red neuronal convolucional en cascada multitarea MTCNN..............................................2
    1.2. Dlib.....................................................................................................................................3
    1.3. Ejemplos de Detección Facial.............................................................................................3
    1. Aspectos Previos:

    1.1. Red neuronal convolucional en cascada multitarea MTCNN

    Consultar: https://arxiv.org/abs/1604.02878

    El MTCNN es popular es capaz de reconocer otras características faciales como ojos y boca, lo que
    se denomina detección de puntos de referencia.

    La red utiliza una estructura en cascada con tres redes; Primero, la imagen se vuelve a escalar a un
    rango de diferentes tamaños (llamada pirámide de imagen), luego el primer modelo (Proposal
    Network o P-Net) propone regiones faciales candidatas, el segundo modelo (Refine Network o R-
    Net) filtra los cuadros delimitadores , y el tercer modelo (Output Network u O-Net) propone hitos
    faciales.

    Las CNN propuestas constan de tres etapas.

    1. Generar ventanas candidatas a través de una CNN poco profunda.


    2. Refinar las ventanas para rechazar una gran cantidad de ventanas sin caras a través de una
    CNN más compleja.
    3. Refinar el resultado y generar posiciones de puntos de referencia faciales.
    El modelo se denomina red multitarea porque cada uno de los tres modelos de la cascada (P-Net,
    R-Net y O-Net) se entrena en tres tareas o tipo de predicciones:

    1. Clasificación de rostros.
    2. Regresión de cuadro delimitador
    3. Localización de puntos de referencia faciales.

    Los tres modelos no se conectan directamente, sin embargo, la salida o resultado de la etapa
    anterior se alimenta como entrada para la siguiente. El proceso es altamente complejo, pero
    gracias a MTCNN, que tiene código abierto se puede hacer fácilmente este tipo de
    implementaciones.

    Un breve resumen de su funcionamiento en el siguiente video: minuto 2:30 – 4:21

    https://www.youtube.com/watch?v=2v3_qv6dfZY

    1.2. Dlib

    En el mismo orden del anterior proyecto tenemos a Dlib, utilizado y aplicado en machine learning
    para el reconocimiento y marcado de formas. En el caso del reconocimiento facial, Dlib permite la
    detección de rostros y la detección de puntos de referencia faciales utilizando histograma de
    gradientes orientados (HOG) y SVM lineal.

    Un ejemplo de su aplicación en: https://towardsdatascience.com/cnn-based-face-detector-from-


    dlib-c3696195e01c

    1.3. Ejemplos de Detección Facial

    Para la práctica en el uso de MTCNN y Dlib hay dos ejemplos de referencia por explorar:

    1. https://colab.research.google.com/github/christianmerkwirth/colabs/blob/master/
    MTCNNvsDlibFaceDetection.ipynb#scrollTo=XhBeDBXQLygm
    2. https://machinelearningmastery.com/how-to-perform-face-detection-with-classical-and-
    deep-learning-methods-in-python-with-keras/

    También podría gustarte