ЖУРНАЛ СТА №1/2022

И ДЕНТИФИКАЦИЯ ЛИЦА С ПОМОЩЬЮ CNN Структура используемой CNN моде- ли приведена на рис. 4. В данном случае это три свёрточных слоя и три пол- ностью связанных слоя в сети. В каж- дом свёрточном слое 3 × 3 выполняются свёртки, за которыми следует актива- ция выпрямленного линейного блока и нормализация данных. Затем элементы последнего свёрточного слоя сглажи- ваются двумя полностью связанными слоями. После этих двух полностью со- единённых слоёв добавляют отфильтро- ванные слои с коэффициентом отсева 0,25 для предотвращения переобучения. Последний полностью связанный слой дает вектор размера 1 × 1 × 3 на основе функции softmax. Наконец, мы рассчи- тываем потери модели с помощью кросс-энтропии. Подробные гиперпа- раметры модели CNN следующие: алго- ритм импульса стохастического гради- ентного спуска используется для обнов- ления параметров, размер мини-пакета установлен на 8, скорость обучения установлена на 10 –4 , а эпоха установле- на на 20. Эта сеть обучается с помощью радио- локационных сигналов, полученных, когда трое испытуемых не были в мас- ках. Чтобы предотвратить конкретное смещение классификатора, сеть обуча- ется с использованием только 70% всех данных, а не всех данных, которые мы получили. Кроме того, 15% всех данных используется для набора проверки. За- тем эффективность классификатора проверяется с использованием остав- шихся 15% данных, и результаты клас- сификации приводятся в табл. 1. В нашем наборе данных радара сред- ний результат идентификации для трёх лиц составляет около 98,7%. По сравнению с классификатором на осно- ве глубокой нейронной сети (DNN), эффективность классификации в сред- нем выше. Кроме того, мы переобучаем CNN, добавляя данные радара, полученные, когда каждый субъект носил хлопковую маску, а характеристики классифика- ции недавно обученной сети приведе- ны в табл. 2. При сравнении результатов идентифи- кации табл. 1 и 2 средняя точность клас- сификации снизилась на 0,9 процент- ных пункта. Эффективность метода распознавания лиц на основе радара не сильно ухудшилась в зависимости от того, была ли надета маска или нет. Мы также проверяем эффективность классификации модели CNN с помо- щью метода визуализации данных высокой размерности, представляюще- го каждую точку данных в двух- или трёхмерном пространстве. Этот способ является модификацией метода стоха- стического вложения соседей (t-SNE). Алгоритм t-SNE может визуализировать данные большой размерности, также хорошо работает при уменьшении раз- мерности. Алгоритм сохраняет подо- бие исходных данных, даже если раз- мерность уменьшена до двух или трёх. Следовательно, с помощью алгоритма t-SNE можно наблюдать сходство ис- ходных данных на двухмерной диаграм- ме рассеяния. Результаты работы алгоритма t-SNE показаны на рис. 5. Там приведён ре- зультат применения алгоритма t-SNE к входному изображению XR . Как видно из рисунка, образцы из каждого класса не сгруппированы вместе, а широко рас- пределены. Результат применения алго- ритма t-SNE к выходному вектору, кото- рый получается из последнего слоя предложенной модели CNN, также представлен на рис. 5 б . По сравнению с рис. 5 а , внедрённые данные каждого класса расположены близко друг к дру- гу. Таким образом, предлагаемая модель классификации эффективно извлекает признаки из входных данных лица. З АКЛЮЧЕНИЕ В статье приведён пример, как с по- мощью свёрточной модели CNN разли- чать человеческие лица на основе данных радиолокационного сигнала миллиметрового диапазона. Вполне ожидаемо, что этот метод распознава- ния лиц на основе радиоволн может компенсировать недостатки метода распознавания лиц на основе изобра- жений. Точность распознавания лиц с помощью CNN составляет > 98%. Кро- ме того, точность распознавания лиц в масках не ухудшается при использова- нии методов радиолокации. ● Автор – сотрудник фирмы ПРОСОФТ Телефон: (495) 234-0636 E-mail: info@prosoft.ru РАЗ РА БОТ КИ СТА 1/2022 56 www.cta.ru Лицо 1 Лицо 2 0 0 0 0 10 10 20 20 30 30 40 40 50 60 –30 –30 –30 –10 –20 5 –5 –10 –15 –20 10 5 10 15 20 25 30 Лицо 3 Лицо 1 Лицо 2 Лицо 3 Первые проекции (SP) t-SNE Вторые проекции (SP) t-SNE Вторые проекции (SP) t-SNE Первые проекции (SP) t-SNE Рис. 5. Результаты применения алгоритма t-SNE а б Таблица 1 Результаты идентификации лиц для трёх испытуемых Фактический класс / оценочный класс Лицо 1, % Лицо 2, % Лицо 3, % Лицо 1 97,3 2,7 0 Лицо 2 1,3 98,7 0 Лицо 3 0 0 100 Таблица 2 Результаты идентификации лиц для трёх субъектов (включая данные радара, полученные, когда субъекты были в масках) Фактический класс / оценочный класс Лицо 1, % Лицо 2, % Лицо 3, % Лицо 1 96,7 2 1,3 Лицо 2 0,7 96,7 2,7 Лицо 3 0 0 100