| Titre : | Deep Auto-Encodeur pour la Reconnaissance de Visage |
| Auteurs : | Yaçine Benatia, Auteur ; Soheyb Ayad, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2019 |
| Format : | 1 vol. (112 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | Biométrie ; Deep Learning ; Auto-encodeur ; Classification ; Réseaux de Neurones |
| Résumé : |
La reconnaissance de visage est un sujet brûlant toujours dans la recherche de nouvelles technologies, en raison de nombreux défis de variation, notamment la différence de poses, d'illumination, d'expression, d'occlusion et de scènes. Récemment, les méthodes d'apprentissage en profondeur ont donné des résultats remarquables dans les domaines de la représentation et de la reconnaissance d'images. Ces méthodes extraient automatiquement les caractéristiques pertinentes des images pour réduire la dimension et obtenir une représentation plus utile des données brutes. Dans ce travail, le système proposé est basé sur les auto-encodeurs utilisant la technologie de réseau de neurones profonds pour les tâches de débruitage,reconstruction et reconnaissance. L’auto-encodeur nous permet l’extraction des caractéristiques et leur réduction d’une façon automatique. Dans le système de reconnaissance de visage proposé, il est utilisé à la base pour construire un réseau de neurones qui apprend une approximation d’une fonction d’identité en plaçant les individus sous différentes variantes pour apprendre de fines représentations des entrées. De cette façon, nous produisons des résultats plus significatifs. Pour la tâche de classification, le modèle VGGFACE est utilisé et la lassification se base sur deux classifieurs, à savoir la distance Euclidienne et la similarité du cosinus. Les résultats expérimentaux sur des bases de données universelles CASIA2DV4, Faces95, presentant differentes variantes de visage, montrent que le système proposé offre des performances en taux de reconnaissance et en temps de calcul prometteuses. Les résultats sont encourageants et présentent une précision comparable à celle de l’état de l’art récent dans le domaine. |
| Sommaire : |
Introduction générale Chapitre 1 Généralités sur Deep Learning et Auto-Encodeur pour le Visage 1.1 Qu’est-ce que l’apprentissage ? ......................................................................................... 5 1.2 Apprentissage automatique ............................................................................................... 5 1.2.1 Apprentissage supervisé ................................................................................................ 6 1.2.2 Apprentissage non-supervisé ......................................................................................... 6 1.3 La reconnaissance de visage .............................................................................................. 7 1.4 Qu’est-ce que le Deep Learning ? ..................................................................................... 8 1.4.1 L’évolution de l’intelligence artificielle ........................................................................ 8 1.4.2 L’avènement du Deep Learning .................................................................................... 8 1.5 Rappels sur le perceptron ................................................................................................ 10 1.5.1 Les Réseaux de Neurones ............................................................................................ 10 1.5.2 Réseau de neurones artificiel ou perceptron ................................................................ 11 1.5.3 Types de fonction d’activation .................................................................................... 12 1.6 Le perceptron multi-couches (PMC ou MLP) ............................................................... 13 1.7 Deep Learning (DL) ......................................................................................................... 14 1.7.1 Définition du Deep Learning ....................................................................................... 14 1.7.2 Méthodologie de la reconnaissance de visage par le DL ............................................. 16 1.8 Différence entre réseau de neurones et auto-encodeurs ............................................... 17 1.8.1 L’Auto-Encodeur ......................................................................................................... 18 1.8.2 Description d'un auto-encodeur ................................................................................... 18 1.8.3 Pourquoi copier l'entrée sur la sortie ? ......................................................................... 19 1.8.4 A quoi servent les auto-encodeurs ? ............................................................................ 19 1.8.5 Domaines d’application des auto-encodeurs ............................................................... 20 1.8.6 Types d'auto-encodeurs ............................................................................................... 21 1.8.7 Autres types d'auto-encodeurs ..................................................................................... 21 1.8.8 Quelles sont les différences entre PCA et un auto-encodeur ? .................................... 22 1.8.9 Applications de l’Auto-Encodeur en biométrie du visage ........................................... 23 1.9 Deep Auto-Encodeur pour la reconnaissance de visage ............................................... 23 Chapitre 2 État de l’art sur le Deep Learning et les Auto-Encodeurs 2.1 Les architectures convolutionnelles ................................................................................ 25 2.2 Reconnaissance en profondeur de visage ....................................................................... 27 2.2.1 Deep Learning pour la reconnaissance de visage ........................................................ 27 2.2.2 Identification en profondeur des visages générés par CNN ........................................ 29 2.3 Deep Auto-encodeurs pour l’Image ................................................................................ 30 2.3.1 Travaux récents sur le Deep Auto-encodeurs pour l’Image ........................................ 31 2.3.2 Travaux récents sur le Deep Auto-Encodeurs pour la RV .......................................... 33 2.3.2.1 Reconnaissance de Visage basé sur le Deep 2DPCA-CNN (C2D-CNN) ............ 33 2.3.2.2 Nouvelle menace pour la reconnaissance des visages (DeepFakes) ..................... 35 2.3.2.3 Autres applications de l’AE pour la RV ............................................................... 37 2.3.3 Utilisation d’un AE en mode génératif ........................................................................ 39 2.3.3.1 Les auto-encodeurs variationnels (VAE) .............................................................. 39 2.3.3.2 Les réseaux adverses génératifs (GAN) ................................................................ 41 2.4 Étude comparative de l’état de l’art ............................................................................... 42 Chapitre 3 Conception de la Reconnaissance de Visage basée sur les Auto-Encodeurs 3.1 Conception globale de l’approche AEC pour la reconnaissance de visage ................. 45 3.2 Détection et prétraitement du visage .............................................................................. 48 3.3 Extraction et réduction des données par l AE ............................................................... 48 3.3.1 Principe des Auto-Encodeurs (AE) ............................................................................. 48 3.3.2 Architecture de l’Auto-Encodeur (AEC) ..................................................................... 51 3.3.3 Extraction des caractéristiques par les filtres convolutifs ............................................ 52 3.3.3.1 Convolution padding ............................................................................................. 55 3.3.3.2 Stride (pas) convolution ........................................................................................ 56 3.3.4 Réduction des caractéristiques par le pooling ............................................................. 57 3.4 Classification pour la reconnaissance de visage ............................................................ 58 3.5 Optimisation du modèle ................................................................................................... 59 3.5.1 Optimisation par les fonctions d’activation ................................................................. 59 3.5.1.1 Fonction Sigmoïde ................................................................................................ 60 3.5.1.2 Fonction ReLU ...................................................................................................... 61 3.5.1.3 Fonction Softmax .................................................................................................. 61 3.5.2 Optimisation de fonctions de perte et de précision ...................................................... 62 3.5.2.1 Algorithmes d’optimisation de la précision du modèle ........................................ 62 3.5.2.2 Algorithmes d’optimisation de perte du modèle ................................................... 63 Chapitre 4 Implémentation de l'Approche basée sur les Auto-Encodeurs 4.1 Description des bases de données utilisées ..................................................................... 67 4.1.1 Faces 95 ....................................................................................................................... 67 4.1.2 VGGFACE .................................................................................................................. 68 4.1.3 CASIA 2D V4 ............................................................................................................. 68 4.2 Approche proposée ........................................................................................................... 69 4.3 Répartition du jeu de données ......................................................................................... 70 4.3.1 Généralisation et séparation du jeu de données ........................................................... 70 4.3.2 Hyper paramètres et ensemble de validation ............................................................... 70 4.4 Paramètres prise en compte par l’AE ............................................................................ 71 4.4.1 Définition du lot de données (batch) ........................................................................... 71 4.4.2 Définition d’une époque .............................................................................................. 72 4.4.3 Définition d’une itération ............................................................................................ 73 4.5 Paramètres de performance de la biométrie du visage utilisant l’AEC ...................... 73 4.5.1 Définition de la précision (Accuracy) .......................................................................... 73 4.5.2 Définition du paramètre d'ajustement du modèle ........................................................ 73 4.5.3 Définition des courbes ROC et AUC ........................................................................... 73 4.6 Présentation des outils ..................................................................................................... 74 4.6.1 Software ....................................................................................................................... 74 4.6.2 Hardware ...................................................................................................................... 76 4.7 Étude expérimentale ......................................................................................................... 76 4.7.1 Application débruitage ................................................................................................. 76 4.7.2 Application reconstruction ........................................................................................... 81 4.7.3 Application Réduction pour la Reconnaissance de Visage ......................................... 84 4.7.3.1 Détection et prétraitement du visage ..................................................................... 85 4.7.3.2 Implémentation de l’AEC pour l’extraction et la réduction de caractéristiques ... 87 4.7.3.3 Application de l’AEC pour l’extraction et la réduction sur CASIA2DV4 ........... 87 4.7.3.4 Extraction vectorielle par VGG et classification pour la reconnaissance ............. 94 4.7.3.5 Résultats de la reconnaissance de visage par VGG sans détection et découpage . 96 4.7.3.6 Résultats de la reconnaissance de visage par VGG avec détection et découpage 98 4.8 Étude comparative avec des travaux récents ............................................................... 101 4.8.1 Application du DAEC pour le débruitage des images ............................................... 101 4.8.2 Application du AEC pour la reconstruction des images ............................................ 102 4.8.3 Application du AEC pour la Reconnaissance des images ......................................... 103 4.8.3.1 Étude comparative de l AEC avec la PCA .......................................................... 103 4.8.3.2 Étude comparative de l’AEC pour la reconnaissance avec l’état de l’art ........... 103 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/479 | Mémoire master | bibliothèque sciences exactes | Consultable |
