Reconnaissance faciale à très basse résolution utilisant un réseau de neurones convolutionnels intégré et efficace à sous-pixels (ESPCN) et un réseau de neurones convolutionnels (CNN)

Saif Al-din M. Najim

Lien de l'article , Télécharger PDF

Résumé : Plusieurs modèles d'images basés sur l'apprentissage profond, qui dépendent de l'apprentissage profond, ont montré un grand succès en termes d'efficacité computationnelle et de reconstruction, en particulier pour les images uniques à haute résolution. Dans le passé, l'utilisation de la super résolution était généralement caractérisée par des interférences, d'où la nécessité d'un modèle avec de meilleures performances. Cette étude a proposé une méthode de reconnaissance faciale de basse à super-résolution, appelée réseau de neurones convolutionnels efficaces à sous-pixels. Il s'agit d'un réseau de neurones convolutionnels généralement utilisé lors du prétraitement des images pour augmenter les chances de reconnaître des images à basse résolution. Le réseau de neurones convolutionnels efficaces à sous-pixels proposé est utilisé pour la conversion d'images à basse résolution en un format haute résolution pour une reconnaissance ultérieure. Cette conversion est basée sur les caractéristiques extraites de l'image. En utilisant plusieurs outils d'évaluation, le réseau de neurones convolutionnels efficaces à sous-pixels proposé a enregistré de meilleures performances en termes de résolution d'image par rapport aux performances des méthodes traditionnelles de référence. Les évaluations ont été réalisées sur une base de données de visages Yale et sur des visages du jeu de données ORL. Pour les ensembles de données Yale et ORL, la précision obtenue de la méthode proposée était de 95,3 % et 93,5 %, respectivement, ce qui était supérieur à celui des autres méthodes connexes.

Mots-clés : Super-Résolution (SR), Reconnaissance Faciale, Basse Résolution (LR), Apprentissage Profond

Références :

M.W. Thornton, P.M. Atkinson, et D. Holland, “Cartographie à sous-pixels des objets de couverture terrestre rurale à partir d'images satellites à haute résolution spatiale utilisant l'échange de pixels à super-résolution”. International Journal of Remote Sensing, 2006. 27(3): p. 473-491.

B.K. Gunturk, “Super-résolution dans le domaine des eigenfaces pour la reconnaissance faciale. Transactions IEEE sur le traitement d'images”. 2003. 12(5): p. 597-606.

S. Peled et Y. Yeshurun, “Super-résolution en IRM : application à la visualisation des faisceaux de fibres de matière blanche humaine par imagerie par tenseur de diffusion”. Résonance magnétique en médecine, 2001. 45(1): p. 29-35.

W. Shi, J. Caballero, C. Ledig, X. Zhuang, W. Bai, K. Bhatia, K. et D. Rueckert, “Super-résolution d'images cardiaques avec correspondance globale utilisant le multi-atlas patchmatch.” Dans la Conférence Internationale sur le Calcul d'Images Médicales et l'Intervention Assistée par Ordinateur (pp. 9-16). Springer, Berlin, Heidelberg, 2013.

S. Borman et R.L. Stevenson. “Super-résolution à partir de séquences d'images - une revue. dans Circuits et Systèmes”, 1998. Actes. Symposium du Midwest 1998. 1998. IEEE.

S. Farsiu, M. D. Robinson, M. Elad et P. Milanfar. “Super-résolution multiframe rapide et robuste”. Transactions IEEE sur le traitement d'images, 13(10), 1327-1344. 2004.

S. Awang, J. Sulaiman, N. Noor, K. Mohd et L. Bayuaji, L. “Comparaison des performances de précision basées sur des techniques de normalisation pour la fusion des caractéristiques du visage et de la signature en ligne”. Advanced Science Letters, 23(11), 2017, 11233-11236.

M. Furqan, A. Embong, S. Awang, S. W. Purnami et S. Sembiring. “Machine à vecteurs de support lisse pour la reconnaissance faciale utilisant l'analyse en composantes principales”. Actes de la 2ème Conférence Internationale sur la Technologie Verte et l'Ingénierie (ICGTE), 2009, 193-198.