Vou desenvolver um aplicativo de reconhecimento facial

Fechando a lacuna até o desempenho humano em reconhecimento facial

Nos sistemas modernos, o pipeline convencional consiste em quatro etapas:

1. detectar
2. alinhar
3. representar
4. classificar

Revisito tanto a etapa de alinhamento quanto a de representação usando modelagem facial 3D explícita.

O DeepFace apresenta um desempenho muito próximo ao nível humano. Os humanos têm uma pontuação de 97,53%, enquanto o modelo DeepFace alcança 97,35% ± 0,25%. Isso significa que o modelo às vezes consegue uma pontuação maior que os seres humanos. Estou fornecendo o modelo DeepFace dentro do Keras para Python neste serviço.

Este sistema é uma combinação de CNN, auto-encoder e transfer learning.

Treinei o modelo no maior conjunto de dados faciais até hoje (SFC Dataset). O conjunto de dados possui 4,4 milhões de fotos de 4030 pessoas. Esse é exatamente o número de nós na camada final F8.

Testei o modelo desenvolvido com variações de Angelina Jolie e Jennifer Aniston. Surpreendentemente, o modelo consegue verificar todas as instâncias que forneci. Você também pode usar esse modelo em tempo real.

As mudanças serão feitas de acordo com suas necessidades!