Cross age face recognition using deep learning model based on center symmetric LPS

Babu, K. Ananda; Kunju, Nissan

doi:10.1109/icecds.2017.8389779

Cited by 1 publication

(1 citation statement)

References 19 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…O conjunto de dados CASIA-WebFace [Yi et al 2014] é usado para treinar o modelo CNN. Usando o conjunto de dados: MORPH, eles seguiram o mesmo esquema de testes de [Babu and Kunju 2017], o método teve uma taxa de 98,36% no reconhecimento, superando todos os outros métodos que ele foi comparado, sendo eles: AE-CNN, LF-CNN, GMS , MEFA + SIFT + MLBP, MEFA, CARC e HFA. Usando o conjunto de dados CACD, seguiram as mesmas configurações de experimentos de [Chen et al 2014], compararam o JMCNN com os métodos: CARC, CAN e AE-CNN, e o JMCNN superou todos os métodos citados.…”

Section: Abordagens Cnns (Acnns)unclassified

Age-Invariant Face Recognition to Aid Visually Impaired People

Neto¹,

Veras²,

Aires³

et al. 2021

Anais Do XVIII Encontro Nacional De Inteligência Artificial E Computacional (ENIAC 2021)

View full text Add to dashboard Cite

Este trabalho propõem uma abordagem para auxiliar pessoas com deficiência visual no reconhecimento de pessoas independente da idade. O objetivo é desenvolver um sistema que utilize uma abordagem de reconhecimento facial, com foco na invariância na idade, que retorne bons resultados comparados aos resultados obtidos na revisão da literatura. A abordagem estudada utiliza Redes Neurais Convolucionais profundas CCNs, pré-treinadas pelo conjunto de dados VGGFace2, para extrair descritores de características de imagens de faces e classificar com o algoritmo de classificação Linear SVM. Como pode ser visto no decorrer do trabalho, a abordagem retornou 89,9% de acurácia, utilizando o conjunto de dados FG-NET, com 1002 imagens. E utilizando o conjunto de dados CACD, que contém 163.446 imagens divididas em quatro subconjuntos diferentes, três conjuntos para treino e um para teste, a abordagem retornou 85,2%, 82,4% e 88,2% de acurácia para cada modelo treinado com um conjunto de treinamento diferente.

show abstract

Section: Abordagens Cnns (Acnns)unclassified