МИНОБРНАУКИ РОССИИ

Федеральное государственное бюджетное образовательное учреждение

высшего образования
«МИРЭА – Российский технологический университет»
РТУ МИРЭА

Распознавание образов и изображений с

помощью нейронных сетей.

Варуни Раджапакша - ИВМО-01-21 Руководитель - Сорокин Алексей Борисович

 Введение
• Распознавание образов и изображений с помощью нейронных сетей
относится к применению моделей нейронных сетей для анализа и
понимания визуальных данных, таких как изображения или узоры.

• Нейронные сети - это класс алгоритмов машинного обучения,

вдохновленных структурой и функциями биологического мозга.

• Этот проект основан на предсказании будущего лица человека с

помощью нейронной сети. В частности, с использованием генеративных
адверсариальных сетей (GANs).

• Этот прогноз основан на текущей внешности человека и определенных

факторах старения, а также на том, как человек может выглядеть в
будущем.

• Предсказание будущего лица человека имеет несколько потенциальных

применений в различных областях. Например,
 Криминалистика и уголовные расследования
 медицина и здравоохранение
 исследования старения
 геронтология

01
 Мотивация
• Предоставить новейшую технологическую поддержку
криминалистике и уголовным расследованиям в Шри-Ланке.

• Предсказание будущего лица пропавшего человека на основе его

последней известной внешности может помочь правоохранительным
органам в поиске людей.

• Система, которая не нарушает права человека на частную жизнь и

персональные данные и не предназначена для коммерческих целей.

02
 Факторы старения человеческого лица
Другие факторы
Пол
• Этническая принадлежность
• Средства по уходу за кожей

Возраст
Факторы окружающей среды Лицо
Старение
• Химикаты
• Солнечное излучение
• Загрязнение воздуха
Факторы здоровья

• Образ жизни и привычки

• Другие факторы собственного здоровья

03
 ОБЗОР ЛИТЕРАТУРЫ
Обзор существующих решений Почему именно генеративные
адверсариальные сети (GAN)?

• Генерация реалистичных
изображений
• Съемка сложных узоров
• Эффективность данных
• Комплексный подход
• Творческие возможности
• Визуальное представление старения

Лицо стареет со временем

04
Диаграмма оценки

05
Методология распознавания лиц

06
Процесс прогнозирования будущего лица
Алгоритм восстановления
размытости изображения

• Метод размытия изображений

основан на генеративных
адверсариальных сетях.

• Здесь представлен deblurGAN -

подход, основанный на условных
генеративных адверсарных сетях и
многокомпонентной функции
потерь.

07
 Работа в режиме реального времени

Восстановление размытия изображения

результат 10-й эпохи

Восстановление размытия изображения

08
 Обсуждение
Прочность
• Реалистичный результат: GAN известны
своей способностью генерировать
реалистичные и высококачественные
синтетические изображения.
• Эффективность использования данных: GAN
могут генерировать новые изображения на
основе меньшего набора меченых данных.
• Комплексный подход: GAN предлагают
комплексное решение для прогнозирования
будущего лица. Они обучают отображению
непосредственно от текущего лица к
будущему лицу, не требуя явного
моделирования промежуточных факторов или
представлений.
• Творческое исследование: GAN
предоставляют возможность исследовать и
манипулировать сгенерированными
изображениями будущих лиц.
Ограничения
• Ограничения данных: Производительность GAN в
значительной степени зависит от качества и
репрезентативности обучающего набора данных.
• Неопределенности и индивидуальные вариации:
Прогнозирование будущего лица человека по своей сути
является неопределенным из-за индивидуальных вариаций,
генетических факторов и влияния окружающей среды.
• Проблемы интерпретации: Созданные изображения будущего
лица следует интерпретировать как оценки, а не как точные
прогнозы.
• Чрезмерная подгонка и обобщение: Модели GAN могут быть
склонны к чрезмерной подгонке, когда они становятся
чрезмерно специализированными к обучающим данным и с
трудом обобщаются на невидимые примеры.
• Вычислительная сложность: Обучение моделей GAN может
быть вычислительно интенсивным и трудоемким, требующим
мощных аппаратных ресурсов и значительного времени на
обучение.
09
 Заключение

• GAN предлагают возможность генерировать реалистичные и визуально убедительные синтетические

изображения, которые отображают, как человек может выглядеть с возрастом.

• Одним из ключевых преимуществ GAN является их способность улавливать сложные паттерны и

генерировать высококачественные изображения.

• Обучаясь на наборе данных человеческих лиц, GAN учатся моделировать процесс старения и могут
генерировать будущие изображения лиц, которые очень похожи на реальные.

• Это имеет значение для таких областей, как криминалистика, развлечения, здравоохранение и научные
исследования, где понимание визуальных эффектов старения имеет большое значение.

• GAN требуют тщательного обучения и настройки параметров для смягчения таких проблем, как
чрезмерная подгонка и нестабильность.

• Вычислительная сложность обучения GAN и необходимость в мощных аппаратных и программных

ресурсах.

10
Спасибо за внимание!