Аналіз методів автентифікації цифрових об’єктів

С. В. Шкіря; О. В. Корник

doi:10.24144/2616-7700.2024.45(2).286-291

Автор(и)

С. В. Шкіря ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0009-0006-7129-2823
О. В. Корник ДВНЗ «Ужгородський нацiональний унiверситет», Україна https://orcid.org/0000-0002-0170-2309

DOI:

https://doi.org/10.24144/2616-7700.2024.45(2).286-291

Ключові слова:

автентифiкацiя цифрових об’єктiв, глибоке навчання, розпiзнавання образiв, методи розпiзнавання облич, нейроннi мережi

Анотація

У статтi розглянуто проблему автентифiкацiї цифрових об’єктiв, що має важливе значення для багатьох сучасних технологiй i дослiджень, зокрема розпiзнавання образiв та обробки зображень. Описанi виклики, пов’язанi з аналiзом i класифiкацiєю зображень в умовах зростаючих обсягiв цифрових даних, а також потреба у створеннi ефективних методiв, здатних працювати в реальному часi.
Сучаснi технологiї, такi як глибоке навчання та нейроннi мережi, вiдкрили новi можливостi у вирiшеннi цих завдань, забезпечуючи високу точнiсть i продуктивнiсть. Проте залишаються невирiшеними проблеми, пов’язанi з обробкою зображень за поганого освiтлення, рiзноманiтнiстю об’єктiв, потребою у великих навчальних вибiрках
i високою обчислювальною складнiстю.
Проаналiзовано сучаснi методи розпiзнавання облич, включно з такими, як DeepFace, DeepID, FaceNet, VGG Face, та OpenFace. У статтi наведено порiвняльний аналiз їхньої точностi, особливостей i вимог до обчислювальних ресурсiв. Особливу увагу придiлено використанню глибоких згорткових нейронних мереж у поєднаннi зi спецiалiзованими функцiями втрат, що забезпечують високу точнiсть розпiзнавання.
Запропонованi напрями можуть значно розширити можливостi застосування цих технологiй у прикладних задачах.

Біографії авторів

С. В. Шкіря, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспiрант кафедри системного аналiзу та теорiї оптимiзацiї

О. В. Корник, ДВНЗ «Ужгородський нацiональний унiверситет»

Аспiрант кафедри теорiї ймовiрностей i математичного аналiзу

Посилання

Taigman, Y., Yang, M., Ranzato, M., & Wolf, L. (2014). DeepFace: Closing the Gap to Human-Level Performance in Face Verification. in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1701-1708.
Sun, Y., Wang, X., & Tang, X. (2014). Deep Learning Face Representation by Joint Identification-Verification. Advances in Neural Information Processing Systems, 27 (NIPS 2014).
Sun, Y., Chen, Y., Wang, X., & Tang, X. (2014). DeepID2: Deep Learning Face Representation with Joint Identification-Verification Supervision. arXiv:1404.2274.
Sun, Y., Wang, X., & Tang, X. (2015). DeepID3: Face Recognition with Very Deep Neural Networks. arXiv:1502.00873.
Schroff, F., Kalenichenko, D., & Philbin, J. (2015). FaceNet: A Unified Embedding for Face Recognition and Clustering. in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 815-823.
Zhou, E., Fan, H., Cao, Z., Jiang, Y., & Yin, Q. (2015). Learning Deep Face Representation with Long-Tailed Data. arXiv:1506.01509.
Parkhi, O. M., Vedaldi, A., & Zisserman, A. (2015). Deep Face Recognition. In Proceedings of the British Machine Vision Conference (BMVC), BMVA Press, https://doi.org/10.5244/C.29.41.
Amos, B., Ludwiczuk, B., & Satyanarayanan, M. (2016). OpenFace: A general-purpose face recognition library with mobile applications. CMU-CS-16-118, CMU School of Computer Science, Tech. Rep.
Wang, M., & Deng, W. (2020). Deep Face Recognition: A Survey. Neurocomputing, 429, 215-244.