Face Recognition using FaceNet (Survey, Performance Test, and Comparison)

Iván, William; Setiadi, De Rosal Ignatius Moses; Rachmawanto, Eko Hari; Santoso, Heru Agus; Sari, Christy Atika

doi:10.1109/icic47613.2019.8985786

Cited by 60 publications

(29 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Para solucionar la tarea si una persona tiene bien puesto su tapabocas, es necesario primero reconocer el rostro de las personas, ubicar sus contornos, para finalmente ubicar si el tapabocas esta bien puesto, mal puesto o si la persona no tiene tapabocas. Se analizaron varias propuestas o metodologías para el reconocimiento de rostros utilizando visión artificial como (ANGGO; LA ARAPU, 2018), (SHEN; KHANNA, 1997), (MOHAMMED et al, 2018), (WILLIAM et al, 2019) (WINARNO et al, 2019, (LI et al, 2017), (VIOLA; JONES, 2001) , y se seleccionó el modelo de red neuronal convolucional multitarea MTCNN (Multitask Cascaded Convolutional Networks), descrita en (LI et al, 2018) (ZHANG et al, 2016, cuya metodología propone la obtensión de 5 puntos fiduciales del rostro de la persona, además de los puntos que enmarcan el rostro de una persona en una imagen, llamados bouding boxes, con el punto superior izquierdo e inferior derecho. Para nuestro trabajo utilizamos solo los bounding boxes, debido que los puntos fiduciales no aparecen en dos de las clases propuestas.…”

Section: Reconocimiento Del Rostrounclassified

Aplicación Web Para La Identificación Automática Del Uso Del Tapabocas

Marín

Torres-Jiménez

Piedrahíta-Carvajal

et al. 2021

BCIJ

View full text Add to dashboard Cite

Junto con el lavado de manos y el distanciamiento social, el uso de máscaras faciales (tapabocas) es una de las medidas de bioseguridad para prevenir la transmisión de enfermedades respiratorias como el covid-19. En este artículo proponemos la identificación automática del uso del tapabocas, con el objetivo de realizar alarmas del mal uso y el no uso del tapabocas. Este trabajo puede ser utilizado en lugares de acceso a personas donde el uso del tapabocas debe ser obligatorio. Se construyó una base de datos de imágenes con personas haciendo uso correcto del tapabocas (clase OK), mal uso del tapabocas ( clase BAD) y sin tapabocas (clase No-Mask). La base de datos fue construida por los estudiantes del semillero en inteligencia artificial del ITM. Para entrenar el modelo se implementó una red neural con arquitectura triplet, en la cual, después de normalizar cada imagen y transformarla en una de menor dimensión, se toma una imagen objetivo, llamado anchor, en este caso una de nuestras clases definidas, un ejemplo positivo (de la misma clase del anchor) y dos ejemplos negativos (de diferente clase del anchor, una por cada clase diferente). Con estas muestras se calcula la distancia entre el anchor y los ejemplos positivo y negativos. La distancia será grande entre el anchor y los ejemplos negativos y pequeña con el ejemplo positivo. Los ejemplos positivos y negativos se seleccionaron aleatoriamente. Los resultados son promisorios y se se hace una buena clasificación al llegar una muestra nueva.

show abstract

Section: Reconocimiento Del Rostrounclassified

Aplicación Web Para La Identificación Automática Del Uso Del Tapabocas

Marín

Torres-Jiménez

Piedrahíta-Carvajal

et al. 2021

BCIJ

View full text Add to dashboard Cite

show abstract

“…This image will be the input to the face recognition model. The server program which is combined with the face recognition model will be running in anaconda flask server.On browsing the server Internet Protocol (IP) address on mobile phone a window opens that enable the access to phone camera and capture the live image.This image is uploaded for further face recognition process,where faces are detected and their embeddings are created using facenet [8] [9].The embedding values of the detected face are then predicted from the embedded values of trained data. After analyzing the data it marks the attendance with the respect to identifying faces in the images with values like a present and absent.…”

Section: Real Time Attendance Marking Systemmentioning

confidence: 99%

“…If it passes, the second stage of features are applied and this process is continued as shown in figure 6. For the detected frontal faces their face embeddings are created using facenet which is then used for face recognition [6] [9]. These images are converted into face embedding using facenet [6][9] and trained using neural network.…”

Section: Fig 5:-haar Cascade Frontal Face Detectormentioning

confidence: 99%

“…The proposed system capture live images using mobile phone cameras and the face detection is done using a frontal face detector. The detected face are then converted to face embedding using facenet [6] [9].A neural network is used for training process where 40 to 50 images per person are face embedded and trained. The detected face embedding are then predicted from the trained model for recognition process.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Real Time Attendance Marking System

John¹,

Akhilesh.²,

Nair³

et al. 2020

IJISRT

View full text Add to dashboard Cite

Attendance management is an important procedure in an educational institution as well as in business organizations. Most of the available methods are time consuming and manipulative. The traditional method of attendance management is carried out in handwritten registers. Other than the manual method, there exist biometric methods like fingerprint and retinal scan, RFID tags, etc. All of these methods have disadvantages, therefore, in order to avoid these difficulties here, we introduce a new method for attendance management using deep learning technology. Using deep learning we can easily train a data-set. Real-time face algorithms are used and recognized faces of students in real-time while attending lectures. This system aims to be less time- consuming in comparison to the existing system of marking attendance.The program runs on anaconda flask server.Here real time image is captured using mobile phone camera. The faces on the image of the persons are then recognized and attendance is marked on an excel file.

show abstract

“…Convolutional Neural Network (CNN) [13], the appearance of deep learning models such as neural networks based on probabilistic decision-making, greatly improved the accuracy of face recognition. With the fierce development of deep learning, face recognition technology continues to reach new heights, and the proposal of FaceNet [14] [15] has increased the face recognition rate in the LFW dataset to more than 99%. Face recognition problems can generally be divided into face detection and face recognition.…”

Section: Introductionmentioning

confidence: 99%