Reconnaissance des visages en 2025 : Réseaux siamois ou classification binaire ?

La reconnaissance des visages joue un rôle essentiel dans des applications allant des systèmes de sécurité aux médias sociaux. Alors que la perte de triplet est une méthode largement utilisée pour entraîner les réseaux neuronaux convolutionnels (CNN) à cette fin, une stratégie alternative présente la tâche comme un problème de classification binaire. Cette approche s'appuie sur les réseaux siamois, qui offrent un moyen distinct d'apprendre les paramètres nécessaires à une vérification efficace des visages. Nous examinons ci-dessous comment cela est possible en employant une paire de réseaux neuronaux pour générer des encastrements.

Points clés

Les réseaux siamois sont efficaces pour la vérification des visages.

La reconnaissance des visages peut être modélisée comme une tâche de classification binaire.

L'apprentissage des fonctions de similarité intègre la régression logistique.

Le pré-calcul des embeddings améliore l'efficacité du déploiement.

Les processus comprennent la collecte de données, la formation de modèles, l'évaluation et le déploiement.

La vérification et la reconnaissance des visages peuvent être formées en utilisant la classification binaire comme alternative à la perte de triplet.

Comprendre la reconnaissance et la vérification des visages

Reconnaissance des visages en tant que classification binaire

La reconnaissance des visages ne se limite pas à l'identification d'un individu ; elle vérifie l'identité déclarée d'une personne. C'est ce que l'on appelle la vérification des visages. Une approche pratique traite la vérification comme un problème de classification binaire. Au lieu de faire la distinction entre plusieurs visages, le système répond à une question simple : "Ces deux visages appartiennent-ils à la même personne ?" Ce cadrage binaire simplifie le problème et améliore l'efficacité des calculs. La technique repose sur un réseau siamois, composé de deux réseaux neuronaux identiques dont les poids et l'architecture sont communs. Chaque réseau traite une image d'entrée et ses sorties sont comparées pour obtenir un score de similarité. Si le score dépasse un seuil défini, les visages sont considérés comme correspondants ; dans le cas contraire, ils sont classés comme différents. Le réseau est entraîné à produire un résultat de 1 pour les identités correspondantes et de 0 pour les identités non correspondantes. Cela contraste avec des systèmes plus complexes qui doivent faire la différence entre un grand nombre d'individus connus.

L'architecture du réseau siamois

La méthode est centrée sur l'architecture du réseau siamois.

Cette architecture associe deux réseaux neuronaux identiques, chacun traitant l'une des deux images d'entrée. Ces réseaux calculent des encastrements, qui sont des vecteurs à haute dimension codant des traits faciaux uniques. En comparant ces encastrements, le système évalue la similarité des visages. Le processus d'intégration comprend généralement des couches convolutives, de mise en commun et entièrement connectées, chacune extrayant progressivement des caractéristiques complexes de l'image. Le résultat final est un vecteur - souvent à 128 dimensions - qui capture les caractéristiques faciales essentielles. Des dimensions plus grandes peuvent également être utilisées pour détecter des détails plus fins. Il est essentiel que les deux réseaux de la configuration siamoise partagent des paramètres identiques, ce qui garantit que les encastrements sont générés par le même processus d'extraction de caractéristiques et qu'ils sont directement comparables.

Apprentissage des fonctions de similarité avec la régression logistique

Utilisation de la régression logistique

Pour déterminer si deux visages représentent la même personne, il faut comparer les enregistrements du réseau siamois. Une unité de régression logistique applique une fonction sigmoïde à ces encastrements, produisant un score de probabilité qui reflète la probabilité d'une correspondance. L'entrée de cette unité n'est pas les encastrements bruts, mais les caractéristiques qui en sont dérivées. Une méthode courante consiste à calculer la différence absolue par élément entre les deux encastrements, en mettant l'accent sur les caractéristiques présentant les plus grandes disparités. La similarité du chi carré est une autre technique utilisée. L'objectif est de former des caractéristiques hautement discriminantes qui permettent à l'unité de régression logistique de faire des prédictions précises. Les différences entre les éléments alimentent le modèle de régression logistique, qui apprend à attribuer les poids appropriés. Si les différences sont minimes, l'unité attribue une forte probabilité, ce qui indique qu'il s'agit de la même personne ; si les différences sont importantes, elle attribue une faible probabilité, ce qui indique qu'il s'agit d'individus différents.

Formation du réseau siamois et de la régression logistique

Processus de formation étape par étape

1. Collecte des données de formation: Commencez par compiler un ensemble de données d'images de visages, avec des étiquettes indiquant si les paires d'images représentent la même personne ou des personnes différentes. Cet ensemble de données permet d'entraîner le réseau siamois et l'unité de régression logistique.
2. Configuration du réseau siamois: Configurez deux réseaux CNN identiques avec la même architecture et des poids partagés. Ces réseaux apprendront à générer des embeddings à partir d'images de visages en entrée.
3. Calcul des différences de caractéristiques: Déterminer les différences absolues par élément entre les encastrements générés par les deux CNN pour chaque paire d'images. Ces différences deviennent les caractéristiques d'entrée de l'unité de régression logistique.
4. Intégration de la régression logistique: Utiliser un modèle de régression logistique pour convertir les différences de caractéristiques en un score de probabilité, indiquant si les visages correspondent.
5. Mise au point: Affiner la couche de régression logistique en ajustant les poids attribués aux caractéristiques (telles que celles d'un encastrement à 128 dimensions).
6. Formation par rétropropagation: Entraînez l'ensemble du système - les réseaux nationaux et l'unité de régression logistique - à l'aide de la rétropropagation. Cette méthode minimise une fonction de perte qui pénalise les erreurs de prédiction, améliorant progressivement la précision en optimisant les poids et les biais du réseau.
7. Ajustement des poids: Le modèle final de régression logistique peut inclure des paramètres supplémentaires tels que le poids (W) et le biais (B).
8. Pré-calcul des emboîtements: Pour un déploiement plus rapide, pré-calculer les embeddings pour permettre des comparaisons rapides.

Avantages et inconvénients des réseaux siamois pour la reconnaissance des visages

Avantages

Efficacité informatique

S'attaque directement à la vérification des visages

Extraction efficace des caractéristiques

Cons

Exigences en matière de données d'entraînement

Risque de surajustement

Généralisation limitée

Questions fréquemment posées

Que sont les réseaux siamois et comment fonctionnent-ils dans la reconnaissance des visages ?

Les réseaux siamois sont des réseaux neuronaux composés d'au moins deux sous-réseaux identiques. Chaque sous-réseau reçoit une entrée distincte mais partage des poids avec les autres. Dans la reconnaissance des visages, ces réseaux traitent des paires d'images de visages pour produire des encastrements, dont la similarité est ensuite évaluée.

Pourquoi la reconnaissance des visages est-elle parfois présentée comme un problème de classification binaire ?

Considérer la reconnaissance des visages comme un problème de classification binaire la simplifie en déterminant si deux visages correspondent, ce qui augmente l'efficacité par rapport à la distinction entre de nombreux individus. Cette méthode utilise des réseaux siamois pour comparer des paires d'images de visages.

Quel est le rôle de la régression logistique dans l'apprentissage des fonctions de similarité pour la reconnaissance des visages ?

La régression logistique associe les différences entre les intégrations des réseaux siamois à un score de probabilité. Ce score estime la probabilité que les deux visages soient ceux d'une même personne, ce qui permet de prendre une décision binaire.

Questions connexes

Comment l'approche des réseaux siamois se compare-t-elle aux méthodes traditionnelles telles que la perte de triplet ?

Les méthodes traditionnelles telles que la perte de triplet visent à apprendre un espace d'intégration dans lequel les visages d'une même personne sont plus proches et ceux de personnes différentes sont plus éloignés. Les réseaux siamois, structurés pour la classification binaire, se concentrent sur la vérification de l'identité de deux visages, ce qui offre des avantages en termes de calcul. Le meilleur choix dépend de l'application spécifique et des caractéristiques de l'ensemble de données.

Existe-t-il d'autres méthodes pour évaluer la similarité des encastrements ?

Oui, les alternatives incluent la similarité en cosinus, la distance euclidienne et la similarité chi-carré. La formule de similarité chi-carré offre une autre façon d'aborder la reconnaissance des visages. Chaque technique a ses points forts et est adaptée à différents types de données et cas d'utilisation. Par exemple, la similarité en cosinus donne de bons résultats avec des données de haute dimension, tandis que la distance euclidienne est efficace dans des dimensions inférieures.

Qu'implique le déploiement effectif du système formé ?

Le déploiement implique le calcul préalable des encastrements afin d'éviter de stocker des images brutes. Le système, construit sur une architecture de réseau siamois, est conçu pour comparer efficacement ces encastrements.