SlideShare a Scribd company logo

Vip detection sensor

Download as PPTX, PDF
C
chs71

Vip detection sensor

Data & Analytics
1 of 25
Download to read offline
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
VIP Detection Sensor 딥러닝을 활용한 영상에서의 특정 인물 인식 Copyright all right reserved by 김건태 백광흠 차호성 은해찬
Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
지난 2017년 Apple의 IPHONE X 가 출시되고, 얼굴인식으로 관리하는 Face ID가 쌍둥이를 구분해낼 수 있는지에 대한 이슈가 있었습니다. 주제 선정 01 주제설명 Twin or Not? 과연 영상에서 특정인물을 인식하여 다른 사람과 분류하고, Face ID 이슈처럼 유 사인물과 구분하여 식별할 수 있는지 구현 해보고 싶었습니다.
VIP Detection Sensor란, 라벨링한 특정인물을 다른 사람과 구별하여 영상에서 인식하는 모델을 말합니다. VIP VIP Detection Sensor 특징  인식하고자 하는 타겟을 변경하여도 라벨 학습이 가능하도 록 모델을 설계하였습니다.  실시간 타겟 감지가 가능합니다. (휴대용 웹캠 이용)  Face_recognition-OpenCV library를 기반으로 합니다. : 앞, 옆모습에 상관없이 얼굴을 잘 인식합니다.  모델의 정확도가 높고, GPU 기반으로 빠른 처리가 가능합 니다. VIP Detection Sensor 소개 01 주제설명
시간 자원을 적절히 분배하기 위해 프로젝트 일정을 만들어 진행하였습니다. 프로젝트 일정에 대해 Deadline을 설정하여 기한을 지키려 하였습니다. 데이터 수집  예상 소요 기간: 3 일  Deadline : 9/6 - 영상 촬영 - 웹크롤링 데이터 정제  예상 소요 기간: 2일  Deadline : 9/8 - 데이터 전처리 ① 사이즈 조정 ② 불필요 파일 제거 모델 설계 및 구현  예상 소요 기간: 6일  Deadline : 9/14 - GPU 환경 구축 - CNN 모델 설계 - 데이터 학습 최적화  마지막까지 계속 진 행 - 데이터 수 변경 - CNN 망 깊이 변경 - Parameter 조정 PPT 제작 착수  예상 소요 기간: 3 일  D-3 모델 시물레이션  D-2 마무리  D-1 최종 완성  9/20 프로젝트 일정 01 주제설명
Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
데이터 수집 데이터 정제 모델 설계 및 훈 련 모델 최적화  OpenCV 영상에서 얼굴을 인식하 고, Cropping 하여 데이터 를 수집하였습니다.  Google 웹크롤링을 통해 학습을 위한 얼굴 이 미지 데이터를 수집하였 습니다.  전처리 (Python) 일괄적으로 데이터를 정제하기 위해 2가지 프로 세스를 거치도록 코드로 구현하였습니다. ① 사이즈 조절 ② 비정상 파일 제거  Keras 기반 모델 설계 간결하고 직관적인 Keras 를 프레임워크로 선택하 였습니다.  CNN 모델의 구조는 VGG-net을 기본으로 설계 하였습니다.  Hyper-parameter 조정 BN, Dropout, 가중치 초기 화 값을 변경하였습니다.  데이터 오버피팅 문제 를 해결하기 위해 이미 지 증식 기법을 사용하 였습니다. 모델 제작 과정 02 모델 구현 모델은 4가지의 프로세스를 통해 제작하였습니다.
데이터 수집은 라벨/비라벨로 나누어 진행하였습니다. 라벨 데이터 비라벨 데이터 데이터 수집 02 모델 구현 - 영상에서 OpenCV-Face_recognition을 통한 얼굴 인식 후 Cropping 단계를 거쳐 약10,000 장의 데이터 수집. - 사진마다 다른 픽셀 크기를 일괄적으로 64x64 사이즈로 정제. - Google 웹크롤링을 통해 약 8,000장 수집. - “얼굴”로 검색된 이미지 중, 손상된 파일을 걸러내고 픽셀 사이즈를 64X64 사이즈로 정제.
라벨 이미지 비라벨 이미지 input 데이터 정제 작업 손상된 파일 제거 이미지 사이즈 재조정 (64 x 64) 100 x 100 55 x 55 200 x 200 64 x 64 output 라벨 이미지 (64 x 64) 비라벨 이미지 (64 x 64) 데이터 정제 02 모델 구현 데이터 정제 작업으로 사이즈 재조정과 손상된 파일제거를 일괄적으로 진행하였습니다.
VIP Detection Sensor 를 구현하기 위한 운영환경을 구축하였습니다. 시행착오와 트러블 슈팅 끝에, 가장 호환이 잘 되는 버전으로 설치하였습니다. 운영체제 GPU 환경 언어 환경 플랫폼 / 소프트웨어 Ubuntu 16.04 Python 3.5.6 Anaconda Python 3.5 ver. NVIDIA CUDA toolkit9.0 OpenCV 3.43.18 19.15.99 운영환경구축 02 모델 구현
모델은 3가지의 프로세스로 진행됩니다. 얼굴 인식 후 라벨인지 판별하며, 동시에 감정/성별을 판별하는 프로세스가 진행됩니다. input 1. 얼굴 영역 인식 output3. 감정/성별 판별 2. 라벨 판별 VIP Happy Male VIP Happy Male 모델 흐름도 02 모델 구현
모델 흐름도_1.얼굴영역인식-오류 02 모델 구현 정면 얼굴 출현시에만 얼굴영역을 인식. 원형, 사각형의 사물이 얼굴로 인식. VIDEO 얼굴 인식 초기모델 OpenCV와 haarcascade frontalface XML 파일을 사용하였는데, 정면 얼굴만 인식하고 원형, 사각형의 사물을 인식하는 문제를 발생하였습니다.
모델 흐름도_1.얼굴영역인식-오류 02 모델 구현 다른 각도의 얼굴 인식 성 공 동시에 연산속도 증가. 여전히 사물을 얼굴로 인 식. VIDEO 다른 각도의 얼굴을 인식하기 위해 haarcascade profileface XML 파일을 추가 사용하였 으나, 여전히 정확도가 떨어지고 연산속도가 느려지는 문제점을 발견하였습니다.
얼굴인식 문제는 Face_recognition 라이브러리를 통해 해결하였습니다. Face_recognition은 HOG-Landmark-Embedding의 과정을 거쳐 작동합니다. 얼굴에는 총 68개의 랜드마크 가 존재하는데, 이를 중심으로 얼굴영역을 인지하면 이미지가 어떤 각도에 있어도 얼굴을 인 식할 수 있도록 합니다. 모델 흐름도_1.얼굴영역인식-오류해결 02 모델 구현 HOG Landmark 이미지의 픽셀값에 따라 그래 디언트가 결정이 되고, 이미지 에서 특징이 되는 부분만 표시 되는데, 이때 얼굴 패턴과 비슷 한 HOG 패턴을 찾아 얼굴영역 을 인식합니다. Embedding DCNN(Deep Convolutional Neural Network)을 통해 128개의 얼굴 고유정보를 이미지로부터 추출하도록 훈 련을 받게되면, 이미지로부터 고유정보를 인식하여 해 당하는 인물을 구분하게 됩니다.
Face_recognition의 얼굴인식 기능과 CNN 모델을 결합하여 라벨을 판별하였습니다. 모델 흐름도_1.얼굴영역인식-오류해결 02 모델 구현 HOG Landmark VIP +
성별/감정 판별은 오픈소스를 활용하여 적용하였습니다. 이를 통해 얼굴로 인식한 모든 오브젝트에 대하여 성별, 감정이 표시되도록 하였습니다. VIDEO 모델 흐름도_2.성별/감정 판별 02 모델 구현 Open Source 출처: https://github.com/oarriaga/face_classification Face Classification Gender Man Woman Emotion Happy Neutral Angry Fear
CNN 모델 설계를 위해 프레임워크는 Keras를 선택하였고, VGG-Net 모델을 기반으로 최종 모델을 구현하였습니다. 모델 구상 및 훈련 요약 02 모델 구현  Keras는 딥러닝 프레임워크 중에서 가장 간결하고 직관적이며 사용하기 쉽기 때문에 사용이 편리합니다.  모듈화가 잘 되어있기 때문에 빠르게 모델을 구현하거나 레이어를 교체할 수 있습니다.  내부적으로 tensorflow를 backend로 두고 있기 때문에, tensorflow의 기능 도 사용할 수 있습니다. MODEL FLOW Relu Conv2D BatchNorm Relu 1층 Conv2D BatchNorm MaxPool2D Dropout Relu Conv2D BatchNorm Relu 3층 Conv2D BatchNorm MaxPool2D Dropout BatchNorm Dropout Dense Softmax Flatten Dense FC 2층 4층
모델 구상 및 훈련 요약 02 모델 구현 ReluConv MaxPool LABEL Conv Relu Conv Relu Conv Relu MaxPool 1층 2층 3층 4층 데이터는 CNN 모델의 각 층을 통과한 뒤 Fully-Connected 층에서 라벨로 판별됩니다. F C Softmax Flatten Dense
모델 구상 및 훈련 요약 02 모델 구현 Model CNN Learning rate 0.001 Batch 100 Optimizer Adam 가중치 초기값 He Dropout 0.5 Accuracy 94% 하이퍼파라미터와 Optimizer를 변경하면서 최적의 모델을 찾고자 하였습니다. 최종적으로 94%의 정확도를 내는 모델을 구현하였습니다.
Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
영상에서 타겟이 출연하였을 때 라벨로 잘 인식하는지 시뮬레이션 하였습니다. https://youtu.be/e52dZfQ9-AA 영상 시뮬레이션 03 시뮬레이션 시뮬레이션 영상
타겟과 유사인물을 대상으로, 라벨 판별 시뮬레이션을 실시하였습니다. 유사인물타겟 https://youtu.be/_GOi78BfK-E 영상 시뮬레이션 03 시뮬레이션 시뮬레이션 영상
Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정, 자체 평가리스 트 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
정확도가 낮고 인식하는데 시간소요가 높은 기존의 방식을 해결하는 과정에서 좋은 대안 을 찾고 빠르게 적용하여 프로젝트를 진행하 였습니다. 얼굴 인식 문제 해결 01 라벨 데이터 수집 02 VGG-net 을 기반으로 파라미터 값을 조절하 면서 94%의 정확도를 가진 모델을 구현하였 습니다. 모델 구현 03 프로젝트 의의 04 결론 영상에서 얼굴을 인식하여 추출하는 방식과 이미지 augumentation을 활용하여 많은 양의 라벨 데이터를 빠르게 확보하였습니다.
THANK YOU Copyright all right reserved by 김건태 백광흠 차호성 은해찬

More Related Content

PDF
Summary in recent advances in deep learning for object detection
창기 문
 
PDF
Summary in recent advances in deep learning for object detection
창기 문
 
PDF
Deep Object Detectors #1 (~2016.6)
Ildoo Kim
 
PPTX
Face recognition
soul8085
 
PDF
제 9회 보아즈(BOAZ) 빅데이터 컨퍼런스 - Deep Brother 인공지능 출석체크
BOAZ Bigdata
 
DOCX
Mosaicer
Suekyeong Nam
 
PDF
AI 파이프라인과 실전 테스팅 전략
IMQA
 
PPTX
머신러닝으로 얼굴 인식 모델 개발 삽질기
Terry Cho
 
Summary in recent advances in deep learning for object detection
창기 문
 
Summary in recent advances in deep learning for object detection
창기 문
 
Deep Object Detectors #1 (~2016.6)
Ildoo Kim
 
Face recognition
soul8085
 
제 9회 보아즈(BOAZ) 빅데이터 컨퍼런스 - Deep Brother 인공지능 출석체크
BOAZ Bigdata
 
Mosaicer
Suekyeong Nam
 
AI 파이프라인과 실전 테스팅 전략
IMQA
 
머신러닝으로 얼굴 인식 모델 개발 삽질기
Terry Cho
 

Similar to Vip detection sensor (20)

PPTX
얼굴인식을 이용한 자동 출결 관리 시스템 .pptx
99wnahd
 
PPTX
얼굴인식을 이용한 자동 출결 관리 시스템 .pptx
99wnahd
 
PPTX
FaceNet: A Unified Embedding for Face Recognition and Clustering
ssuser1e0c53
 
PPTX
Face Feature Recognition System with Deep Belief Networks, for Korean/KIISE T...
Mad Scientists
 
PPTX
호서대학교 - 다양한 오픈소스 활용법 (Colab을 이용하여)
ansuhyun927
 
PDF
인공지능 식별추적시스템 실증랩 구축및 운영 - 평가모델 고도화
YoungSu Son
 
PDF
인공지능 식별추적시스템 성능 검증 평가 사례
IMQA
 
PPTX
Image net classification with deep convolutional neural networks
Korea, Sejong University.
 
PDF
Tfk 6618 tensor_flow로얼굴인식구현_r10_mariocho
Mario Cho
 
PPTX
Real time convolutional neural networks for emotion and gender classification
soul8085
 
PPT
Sasa
ssuser650eeb1
 
PPTX
Image Deep Learning 실무적용
Youngjae Kim
 
PPTX
Openface
jaeho kang
 
PPTX
181123 poseest101 devfest_pangyo_jwkang
Jaewook. Kang
 
PDF
Tensorflow for Deep Learning(SK Planet)
Tae Young Lee
 
PPTX
Convolutional neural networks
HyunjinBae3
 
PDF
Graduation Report
Jongwon
 
PDF
Test2
changyoung maeng
 
PDF
Alexnet paper review
오 혜린
 
PDF
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...
Gyubin Son
 
얼굴인식을 이용한 자동 출결 관리 시스템 .pptx
99wnahd
 
얼굴인식을 이용한 자동 출결 관리 시스템 .pptx
99wnahd
 
FaceNet: A Unified Embedding for Face Recognition and Clustering
ssuser1e0c53
 
Face Feature Recognition System with Deep Belief Networks, for Korean/KIISE T...
Mad Scientists
 
호서대학교 - 다양한 오픈소스 활용법 (Colab을 이용하여)
ansuhyun927
 
인공지능 식별추적시스템 실증랩 구축및 운영 - 평가모델 고도화
YoungSu Son
 
인공지능 식별추적시스템 성능 검증 평가 사례
IMQA
 
Image net classification with deep convolutional neural networks
Korea, Sejong University.
 
Tfk 6618 tensor_flow로얼굴인식구현_r10_mariocho
Mario Cho
 
Real time convolutional neural networks for emotion and gender classification
soul8085
 
Sasa
ssuser650eeb1
 
Image Deep Learning 실무적용
Youngjae Kim
 
Openface
jaeho kang
 
181123 poseest101 devfest_pangyo_jwkang
Jaewook. Kang
 
Tensorflow for Deep Learning(SK Planet)
Tae Young Lee
 
Convolutional neural networks
HyunjinBae3
 
Graduation Report
Jongwon
 
Test2
changyoung maeng
 
Alexnet paper review
오 혜린
 
[paper review] 손규빈 - Eye in the sky & 3D human pose estimation in video with ...
Gyubin Son
 
Ad

More from chs71 (11)

PPTX
Credit default risk
chs71
 
PPTX
Tensorflow
chs71
 
PPTX
Pandas
chs71
 
PDF
Seoul square[mock project]
chs71
 
PPTX
Learning method
chs71
 
PPTX
CNN
chs71
 
PDF
Share house
chs71
 
PDF
Logistic regression1
chs71
 
PDF
Class imbalance problem1
chs71
 
PPTX
Credit default risk
chs71
 
PDF
Maximum likelihood estimation
chs71
 
Credit default risk
chs71
 
Tensorflow
chs71
 
Pandas
chs71
 
Seoul square[mock project]
chs71
 
Learning method
chs71
 
CNN
chs71
 
Share house
chs71
 
Logistic regression1
chs71
 
Class imbalance problem1
chs71
 
Credit default risk
chs71
 
Maximum likelihood estimation
chs71
 
Ad

Vip detection sensor

  • 1. VIP Detection Sensor 딥러닝을 활용한 영상에서의 특정 인물 인식 Copyright all right reserved by 김건태 백광흠 차호성 은해찬
  • 2. Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
  • 3. 지난 2017년 Apple의 IPHONE X 가 출시되고, 얼굴인식으로 관리하는 Face ID가 쌍둥이를 구분해낼 수 있는지에 대한 이슈가 있었습니다. 주제 선정 01 주제설명 Twin or Not? 과연 영상에서 특정인물을 인식하여 다른 사람과 분류하고, Face ID 이슈처럼 유 사인물과 구분하여 식별할 수 있는지 구현 해보고 싶었습니다.
  • 4. VIP Detection Sensor란, 라벨링한 특정인물을 다른 사람과 구별하여 영상에서 인식하는 모델을 말합니다. VIP VIP Detection Sensor 특징  인식하고자 하는 타겟을 변경하여도 라벨 학습이 가능하도 록 모델을 설계하였습니다.  실시간 타겟 감지가 가능합니다. (휴대용 웹캠 이용)  Face_recognition-OpenCV library를 기반으로 합니다. : 앞, 옆모습에 상관없이 얼굴을 잘 인식합니다.  모델의 정확도가 높고, GPU 기반으로 빠른 처리가 가능합 니다. VIP Detection Sensor 소개 01 주제설명
  • 5. 시간 자원을 적절히 분배하기 위해 프로젝트 일정을 만들어 진행하였습니다. 프로젝트 일정에 대해 Deadline을 설정하여 기한을 지키려 하였습니다. 데이터 수집  예상 소요 기간: 3 일  Deadline : 9/6 - 영상 촬영 - 웹크롤링 데이터 정제  예상 소요 기간: 2일  Deadline : 9/8 - 데이터 전처리 ① 사이즈 조정 ② 불필요 파일 제거 모델 설계 및 구현  예상 소요 기간: 6일  Deadline : 9/14 - GPU 환경 구축 - CNN 모델 설계 - 데이터 학습 최적화  마지막까지 계속 진 행 - 데이터 수 변경 - CNN 망 깊이 변경 - Parameter 조정 PPT 제작 착수  예상 소요 기간: 3 일  D-3 모델 시물레이션  D-2 마무리  D-1 최종 완성  9/20 프로젝트 일정 01 주제설명
  • 6. Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
  • 7. 데이터 수집 데이터 정제 모델 설계 및 훈 련 모델 최적화  OpenCV 영상에서 얼굴을 인식하 고, Cropping 하여 데이터 를 수집하였습니다.  Google 웹크롤링을 통해 학습을 위한 얼굴 이 미지 데이터를 수집하였 습니다.  전처리 (Python) 일괄적으로 데이터를 정제하기 위해 2가지 프로 세스를 거치도록 코드로 구현하였습니다. ① 사이즈 조절 ② 비정상 파일 제거  Keras 기반 모델 설계 간결하고 직관적인 Keras 를 프레임워크로 선택하 였습니다.  CNN 모델의 구조는 VGG-net을 기본으로 설계 하였습니다.  Hyper-parameter 조정 BN, Dropout, 가중치 초기 화 값을 변경하였습니다.  데이터 오버피팅 문제 를 해결하기 위해 이미 지 증식 기법을 사용하 였습니다. 모델 제작 과정 02 모델 구현 모델은 4가지의 프로세스를 통해 제작하였습니다.
  • 8. 데이터 수집은 라벨/비라벨로 나누어 진행하였습니다. 라벨 데이터 비라벨 데이터 데이터 수집 02 모델 구현 - 영상에서 OpenCV-Face_recognition을 통한 얼굴 인식 후 Cropping 단계를 거쳐 약10,000 장의 데이터 수집. - 사진마다 다른 픽셀 크기를 일괄적으로 64x64 사이즈로 정제. - Google 웹크롤링을 통해 약 8,000장 수집. - “얼굴”로 검색된 이미지 중, 손상된 파일을 걸러내고 픽셀 사이즈를 64X64 사이즈로 정제.
  • 9. 라벨 이미지 비라벨 이미지 input 데이터 정제 작업 손상된 파일 제거 이미지 사이즈 재조정 (64 x 64) 100 x 100 55 x 55 200 x 200 64 x 64 output 라벨 이미지 (64 x 64) 비라벨 이미지 (64 x 64) 데이터 정제 02 모델 구현 데이터 정제 작업으로 사이즈 재조정과 손상된 파일제거를 일괄적으로 진행하였습니다.
  • 10. VIP Detection Sensor 를 구현하기 위한 운영환경을 구축하였습니다. 시행착오와 트러블 슈팅 끝에, 가장 호환이 잘 되는 버전으로 설치하였습니다. 운영체제 GPU 환경 언어 환경 플랫폼 / 소프트웨어 Ubuntu 16.04 Python 3.5.6 Anaconda Python 3.5 ver. NVIDIA CUDA toolkit9.0 OpenCV 3.43.18 19.15.99 운영환경구축 02 모델 구현
  • 11. 모델은 3가지의 프로세스로 진행됩니다. 얼굴 인식 후 라벨인지 판별하며, 동시에 감정/성별을 판별하는 프로세스가 진행됩니다. input 1. 얼굴 영역 인식 output3. 감정/성별 판별 2. 라벨 판별 VIP Happy Male VIP Happy Male 모델 흐름도 02 모델 구현
  • 12. 모델 흐름도_1.얼굴영역인식-오류 02 모델 구현 정면 얼굴 출현시에만 얼굴영역을 인식. 원형, 사각형의 사물이 얼굴로 인식. VIDEO 얼굴 인식 초기모델 OpenCV와 haarcascade frontalface XML 파일을 사용하였는데, 정면 얼굴만 인식하고 원형, 사각형의 사물을 인식하는 문제를 발생하였습니다.
  • 13. 모델 흐름도_1.얼굴영역인식-오류 02 모델 구현 다른 각도의 얼굴 인식 성 공 동시에 연산속도 증가. 여전히 사물을 얼굴로 인 식. VIDEO 다른 각도의 얼굴을 인식하기 위해 haarcascade profileface XML 파일을 추가 사용하였 으나, 여전히 정확도가 떨어지고 연산속도가 느려지는 문제점을 발견하였습니다.
  • 14. 얼굴인식 문제는 Face_recognition 라이브러리를 통해 해결하였습니다. Face_recognition은 HOG-Landmark-Embedding의 과정을 거쳐 작동합니다. 얼굴에는 총 68개의 랜드마크 가 존재하는데, 이를 중심으로 얼굴영역을 인지하면 이미지가 어떤 각도에 있어도 얼굴을 인 식할 수 있도록 합니다. 모델 흐름도_1.얼굴영역인식-오류해결 02 모델 구현 HOG Landmark 이미지의 픽셀값에 따라 그래 디언트가 결정이 되고, 이미지 에서 특징이 되는 부분만 표시 되는데, 이때 얼굴 패턴과 비슷 한 HOG 패턴을 찾아 얼굴영역 을 인식합니다. Embedding DCNN(Deep Convolutional Neural Network)을 통해 128개의 얼굴 고유정보를 이미지로부터 추출하도록 훈 련을 받게되면, 이미지로부터 고유정보를 인식하여 해 당하는 인물을 구분하게 됩니다.
  • 15. Face_recognition의 얼굴인식 기능과 CNN 모델을 결합하여 라벨을 판별하였습니다. 모델 흐름도_1.얼굴영역인식-오류해결 02 모델 구현 HOG Landmark VIP +
  • 16. 성별/감정 판별은 오픈소스를 활용하여 적용하였습니다. 이를 통해 얼굴로 인식한 모든 오브젝트에 대하여 성별, 감정이 표시되도록 하였습니다. VIDEO 모델 흐름도_2.성별/감정 판별 02 모델 구현 Open Source 출처: https://github.com/oarriaga/face_classification Face Classification Gender Man Woman Emotion Happy Neutral Angry Fear
  • 17. CNN 모델 설계를 위해 프레임워크는 Keras를 선택하였고, VGG-Net 모델을 기반으로 최종 모델을 구현하였습니다. 모델 구상 및 훈련 요약 02 모델 구현  Keras는 딥러닝 프레임워크 중에서 가장 간결하고 직관적이며 사용하기 쉽기 때문에 사용이 편리합니다.  모듈화가 잘 되어있기 때문에 빠르게 모델을 구현하거나 레이어를 교체할 수 있습니다.  내부적으로 tensorflow를 backend로 두고 있기 때문에, tensorflow의 기능 도 사용할 수 있습니다. MODEL FLOW Relu Conv2D BatchNorm Relu 1층 Conv2D BatchNorm MaxPool2D Dropout Relu Conv2D BatchNorm Relu 3층 Conv2D BatchNorm MaxPool2D Dropout BatchNorm Dropout Dense Softmax Flatten Dense FC 2층 4층
  • 18. 모델 구상 및 훈련 요약 02 모델 구현 ReluConv MaxPool LABEL Conv Relu Conv Relu Conv Relu MaxPool 1층 2층 3층 4층 데이터는 CNN 모델의 각 층을 통과한 뒤 Fully-Connected 층에서 라벨로 판별됩니다. F C Softmax Flatten Dense
  • 19. 모델 구상 및 훈련 요약 02 모델 구현 Model CNN Learning rate 0.001 Batch 100 Optimizer Adam 가중치 초기값 He Dropout 0.5 Accuracy 94% 하이퍼파라미터와 Optimizer를 변경하면서 최적의 모델을 찾고자 하였습니다. 최종적으로 94%의 정확도를 내는 모델을 구현하였습니다.
  • 20. Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
  • 21. 영상에서 타겟이 출연하였을 때 라벨로 잘 인식하는지 시뮬레이션 하였습니다. https://youtu.be/e52dZfQ9-AA 영상 시뮬레이션 03 시뮬레이션 시뮬레이션 영상
  • 22. 타겟과 유사인물을 대상으로, 라벨 판별 시뮬레이션을 실시하였습니다. 유사인물타겟 https://youtu.be/_GOi78BfK-E 영상 시뮬레이션 03 시뮬레이션 시뮬레이션 영상
  • 23. Agenda 주제 소개 주제 선정 이유, VIP Detection Sensor 소개, 프로젝트 일정, 자체 평가리스 트 01 모델 구현 데이터 수집, 데이터 정제, 모델 훈련, 최적화, 최종 모델 02 시뮬레이션 테스트 영상 구현 03 결론 프로젝트 의의 04
  • 24. 정확도가 낮고 인식하는데 시간소요가 높은 기존의 방식을 해결하는 과정에서 좋은 대안 을 찾고 빠르게 적용하여 프로젝트를 진행하 였습니다. 얼굴 인식 문제 해결 01 라벨 데이터 수집 02 VGG-net 을 기반으로 파라미터 값을 조절하 면서 94%의 정확도를 가진 모델을 구현하였 습니다. 모델 구현 03 프로젝트 의의 04 결론 영상에서 얼굴을 인식하여 추출하는 방식과 이미지 augumentation을 활용하여 많은 양의 라벨 데이터를 빠르게 확보하였습니다.
  • 25. THANK YOU Copyright all right reserved by 김건태 백광흠 차호성 은해찬