Difference between revisions of "Openface"

From OnnoWiki
Jump to navigation Jump to search
 
(4 intermediate revisions by the same user not shown)
Line 2: Line 2:
 
* https://github.com/TadasBaltrusaitis/OpenFace/wiki
 
* https://github.com/TadasBaltrusaitis/OpenFace/wiki
 
* https://cmusatyalab.github.io/openface/
 
* https://cmusatyalab.github.io/openface/
 
+
* https://blog.algorithmia.com/understanding-facial-recognition-openface/
  
 
OpenFace adalah implementasi pengenalan wajah menggunakan Python dan Torch dengan deep neural network dan berdasarkan pada CVPR 2015 paper FaceNet: A Unified Embedding for Face Recognition and Clustering oleh Florian Schroff, Dmitry Kalenichenko, dan James Philbin di Google. Torch memungkinkan jaringan dieksekusi pada CPU atau dengan CUDA.
 
OpenFace adalah implementasi pengenalan wajah menggunakan Python dan Torch dengan deep neural network dan berdasarkan pada CVPR 2015 paper FaceNet: A Unified Embedding for Face Recognition and Clustering oleh Florian Schroff, Dmitry Kalenichenko, dan James Philbin di Google. Torch memungkinkan jaringan dieksekusi pada CPU atau dengan CUDA.
Line 8: Line 8:
 
Dibuat oleh Brandon Amos, Bartosz Ludwiczuk, dan Mahadev Satyanarayanan.
 
Dibuat oleh Brandon Amos, Bartosz Ludwiczuk, dan Mahadev Satyanarayanan.
  
* Source tersedia di GitHub pada cmusatyalab/openface.
+
* Open Source, denan source code tersedia di GitHub pada cmusatyalab/openface.
 
* Ada dokumentasi API
 
* Ada dokumentasi API
 
* Bergabung pada group cmu-openface atau gitter chat untuk diskusi dan masalah instanasi.
 
* Bergabung pada group cmu-openface atau gitter chat untuk diskusi dan masalah instanasi.
  
Penelitian ini di dukung oleh National Science Foundation (NSF) under grant number CNS-1518865. Additional support was provided by the Intel Corporation, Google, Vodafone, NVIDIA, and the Conklin Kistler family fund. Any opinions, findings, conclusions or recommendations expressed in this material are those of the authors and should not be attributed to their employers or funding sources.
+
Penelitian ini di dukung oleh National Science Foundation (NSF) dengan dukungan tambahan dari Intel, Google, Vodafone, NVIDIA, dan Conklin Kistler family fund.
 
 
Isn't face recognition a solved problem?
 
 
 
No! Accuracies from research papers have just begun to surpass human accuracies on some benchmarks. The accuracies of open source face recognition systems lag behind the state-of-the-art. See our accuracy comparisons on the famous LFW benchmark.
 
Please use responsibly!
 
 
 
We do not support the use of this project in applications that violate privacy and security. We are using this to help cognitively impaired users sense and understand the world around them.
 
Overview
 
 
 
The following overview shows the workflow for a single input image of Sylvestor Stallone from the publicly available LFW dataset.
 
 
 
    Detect faces with a pre-trained models from dlib or OpenCV.
 
    Transform the face for the neural network. This repository uses dlib's real-time pose estimation with OpenCV's affine transformation to try to make the eyes and bottom lip appear in the same location on each image.
 
    Use a deep neural network to represent (or embed) the face on a 128-dimensional unit hypersphere. The embedding is a generic representation for anybody's face. Unlike other face representations, this embedding has the nice property that a larger distance between two face embeddings means that the faces are likely not of the same person. This property makes clustering, similarity detection, and classification tasks easier than other face recognition techniques where the Euclidean distance between features is not meaningful.
 
    Apply your favorite clustering or classification techniques to the features to complete your recognition task. See below for our examples for classification and similarity detection, including an online web demo.
 
  
 +
==Apakah pengenalan wajah menyelesaikan sebuah masalah?==
  
 +
Tidak! Akurasi dari berbagai makalah penelitian tampaknya baru saja mulai melampaui akurasi manusia pada beberapa standard. Keakuratan sistem pengenalan wajah open source memang masih tertinggal di belakang state-of-the-art.
  
 +
==Gunakan Dengan Bertanggung Jawab==
  
 +
OpenFace tidak mendukung penggunaan aplikasi ini untuk melanggar privacy dan keamanan. Openface digunakan untuk membantuk mereka yang kesulitan dalam pengenalan untuk mengenali dunia sekeliling mereka.
  
  
 +
==Overview Workflow==
  
 +
Berikut ini adalah overview workflow pendeteksian wajah seseorang yang sudah ada di contoh opencv
  
 +
* Deteksi wajah dengan model pre-trained dari dlib atau OpenCV.
 +
* Transformasikan wajah untuk neural network. OpenFace menggunakan dlib real-time pose estimation dengan OpenCV affine transformation untuk membuat semua mata dan bibir berada pada lokasi yang sama untuk semua gambar.
 +
* Menggunakan deep neural network untuk menggambarkan wajah dalam unit 128-dimensi hypersphere. Embedding ini adalah representasi genetik dari wajah semua orang. Tidak seperti representasi wajah lainnya, embedding mempunyai sifat yang baik sehingga semakin jauh jarak embedding berarti wajah tersebut kemungkinan besar bukan dari orang yang sama. Sifat ini membuat proses clustering, dan juga deteksi, dan tugas klasifikasi menjadi mudah di bandingkan dengan teknik pengenalan wajah lainnya dimana jarak euclidean antar fitur tidak banyak berarti.
 +
* Terakhir adalah menggunakan berbagai teknik clustering dan classifikasi yang kita sukai untuk menyelesaikan tugas pengenalan wajah.
 +
* Selesai.
  
 
==Referensi==
 
==Referensi==

Latest revision as of 06:18, 25 May 2018

Sumber:

OpenFace adalah implementasi pengenalan wajah menggunakan Python dan Torch dengan deep neural network dan berdasarkan pada CVPR 2015 paper FaceNet: A Unified Embedding for Face Recognition and Clustering oleh Florian Schroff, Dmitry Kalenichenko, dan James Philbin di Google. Torch memungkinkan jaringan dieksekusi pada CPU atau dengan CUDA.

Dibuat oleh Brandon Amos, Bartosz Ludwiczuk, dan Mahadev Satyanarayanan.

  • Open Source, denan source code tersedia di GitHub pada cmusatyalab/openface.
  • Ada dokumentasi API
  • Bergabung pada group cmu-openface atau gitter chat untuk diskusi dan masalah instanasi.

Penelitian ini di dukung oleh National Science Foundation (NSF) dengan dukungan tambahan dari Intel, Google, Vodafone, NVIDIA, dan Conklin Kistler family fund.

Apakah pengenalan wajah menyelesaikan sebuah masalah?

Tidak! Akurasi dari berbagai makalah penelitian tampaknya baru saja mulai melampaui akurasi manusia pada beberapa standard. Keakuratan sistem pengenalan wajah open source memang masih tertinggal di belakang state-of-the-art.

Gunakan Dengan Bertanggung Jawab

OpenFace tidak mendukung penggunaan aplikasi ini untuk melanggar privacy dan keamanan. Openface digunakan untuk membantuk mereka yang kesulitan dalam pengenalan untuk mengenali dunia sekeliling mereka.


Overview Workflow

Berikut ini adalah overview workflow pendeteksian wajah seseorang yang sudah ada di contoh opencv

  • Deteksi wajah dengan model pre-trained dari dlib atau OpenCV.
  • Transformasikan wajah untuk neural network. OpenFace menggunakan dlib real-time pose estimation dengan OpenCV affine transformation untuk membuat semua mata dan bibir berada pada lokasi yang sama untuk semua gambar.
  • Menggunakan deep neural network untuk menggambarkan wajah dalam unit 128-dimensi hypersphere. Embedding ini adalah representasi genetik dari wajah semua orang. Tidak seperti representasi wajah lainnya, embedding mempunyai sifat yang baik sehingga semakin jauh jarak embedding berarti wajah tersebut kemungkinan besar bukan dari orang yang sama. Sifat ini membuat proses clustering, dan juga deteksi, dan tugas klasifikasi menjadi mudah di bandingkan dengan teknik pengenalan wajah lainnya dimana jarak euclidean antar fitur tidak banyak berarti.
  • Terakhir adalah menggunakan berbagai teknik clustering dan classifikasi yang kita sukai untuk menyelesaikan tugas pengenalan wajah.
  • Selesai.

Referensi