Machine learning implementation in face recognition and identification

Abstract

In this graduation project there was covered a significant topic- Machine learning implementation in face detection and recognition. In the first part the concept of Artificial intelligence and research areas related to it. Moreover, the real-life implementation and advantages and disadvantages of using AI. In the second part it was the Machine learning and the workflow that have to followed from defining the problem to data collection, pre-processing data, and finally developing and the evaluating of the model. In addition, the type of collected data which are the labeled and unlabeled data, for that matter there are two main types of learning (supervised and unsupervised). It is also possible to find here the exact relationship and differences between AI, ML, DL. Computer vision and basic information about RGB color space by the end of this part. In the third part it was considered the artificial neural network mechanism and the components of it, also the different operations that occur in the network such as the activation function that helps with providing nonlinearity to the perceptron, also include deep learning algorithms for instance, gradient descent furthermore, a deep explaining of CNN and the sequence and functions of the layers of it, although the objective of using CNN which to extract high-level features from images by using more than one ConvNets layer, typically the first ConvNets is responsible to extract the low-level features such as edges, color. With more layers the model adapts to high-level features as well

У цьому випускному проекті було висвітлено значну тему - Впровадження машинного навчання у виявленні та розпізнаванні облич. У першій частині концепція штучного інтелекту та напрямки досліджень, пов'язані з ним. Більше того, реалізація в реальному житті та переваги та недоліки використання ШІ. У другій частині машинному навчанню та робочому циклу слід було слідувати від визначення проблеми до збору даних, попередньої обробки даних і, нарешті, розробки та оцінки моделі. Крім того, тип зібраних даних - це марковані та немарковані дані, з цього приводу є два основних типи навчання (контрольоване та неконтрольоване). Тут також можна знайти точний взаємозв'язок та відмінності між AI, ML, DL. Комп’ютерне бачення та основна інформація про кольоровий простір RGB до кінця цієї частини. У третій частині було розглянуто механізм штучної нейронної мережі та її компоненти, а також різні операції, що відбуваються в мережі, такі як функція активації, яка допомагає забезпечити нелінійність персептрону, також включає алгоритми глибокого навчання, наприклад, градієнт спуск крім того, глибоке пояснення CNN та послідовності та функцій його шарів, хоча мета використання CNN, яка вилучає високоякісні функції із зображень за допомогою більш ніж одного шару ConvNets, як правило, перша ConvNets відповідає за вилучення функції низького рівня, такі як краї, колір. З більшою кількістю шарів модель також адаптується до функцій високого рівня