Распознавание лиц - История изменений

ASA в 13:27, 20 июля 2022

2022-07-20T13:27:46Z

ASA в 14:21, 14 марта 2018

2018-03-14T14:21:27Z

← Предыдущая версия		Версия от 14:21, 14 марта 2018
Строка 281:		Строка 281:

	[[Категория:Нейронные сети]]		[[Категория:Нейронные сети]]

			[[Категория:Статьи в работе]]

			[[en:Face recognition]]

Frolov: Frolov переименовал страницу Распознование лиц в Распознавание лиц без оставления перенаправления

2018-02-02T10:17:41Z

Frolov переименовал страницу Распознование лиц в Распознавание лиц без оставления перенаправления

← Предыдущая версия	Версия от 10:17, 2 февраля 2018
(нет различий)

Konshin в 09:41, 16 января 2018

2018-01-16T09:41:38Z

← Предыдущая версия		Версия от 09:41, 16 января 2018
Строка 4:		Строка 4:
	{{algorithm		{{algorithm
	\| name = Распознавание лиц		\| name = Распознавание лиц
	\| serial_complexity = <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+~~CNN·Const~~)</math>		\| serial_complexity = <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+CNN·{\rm const})</math>
	\| pf_height = <math>O(k)</math>		\| pf_height = <math>O(k)</math>
	\| pf_width = <math>O(n)</math>		\| pf_width = <math>O(n)</math>
Строка 64:		Строка 64:
	==== Построение биометрического шаблона ====		==== Построение биометрического шаблона ====

	Обозначим за <math>E(w,h,c)</math> сложность операции вычисления биометричсекого шаблона по входному изображению лица человека. Поскольку сверточной нейронной сети с полносвязными слоями должно подаваться на вход изображения фиксированного размера, то необходимо изменить разрешение исходного изображения. В данной реализации алгоритма распознавания лиц используется билинейная интерполяция. Нейронная сеть получает на вход одноканальные изображения размером <math>100·100</math>. Поэтому число необходимых операций (по операциям умножения) можно оценить как <math>O(w·h·c) + O(100 · 100 · 6) = O(w·h·c) + ~~Const~~</math>. На практике эта константа существенна, поскольку эти операции неоднородны по памяти.		Обозначим за <math>E(w,h,c)</math> сложность операции вычисления биометричсекого шаблона по входному изображению лица человека. Поскольку сверточной нейронной сети с полносвязными слоями должно подаваться на вход изображения фиксированного размера, то необходимо изменить разрешение исходного изображения. В данной реализации алгоритма распознавания лиц используется билинейная интерполяция. Нейронная сеть получает на вход одноканальные изображения размером <math>100·100</math>. Поэтому число необходимых операций (по операциям умножения) можно оценить как <math>O(w·h·c) + O(100 · 100 · 6) = O(w·h·c) + {\rm const}</math>. На практике эта константа существенна, поскольку эти операции неоднородны по памяти.

	Непосредственно время работы нейронной сети существенно зависит от предложенной архитектуры (глубины сети, типов слоев и числа выходов каждого слоя).		Непосредственно время работы нейронной сети существенно зависит от предложенной архитектуры (глубины сети, типов слоев и числа выходов каждого слоя).
Строка 114:		Строка 114:
	=== Последовательная сложность алгоритма ===		=== Последовательная сложность алгоритма ===

	Если рассматривать всю последовательность действий (построение шаблона, поиск в базе), то сложность алгоритма <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+CNN·{\rm ~~Const~~})</math>, где		Если рассматривать всю последовательность действий (построение шаблона, поиск в базе), то сложность алгоритма <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+CNN·{\rm const})</math>, где
	*<math>n</math> - число элементов в базе		*<math>n</math> - число элементов в базе
	*<math>d</math> - размерность биометрического шаблона		*<math>d</math> - размерность биометрического шаблона

Konshin: /* Последовательная сложность алгоритма */

2018-01-16T09:39:59Z

Последовательная сложность алгоритма

← Предыдущая версия		Версия от 09:39, 16 января 2018
Строка 114:		Строка 114:
	=== Последовательная сложность алгоритма ===		=== Последовательная сложность алгоритма ===

	Если рассматривать всю последовательность действий (построение шаблона, поиск в базе), то сложность алгоритма <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+~~CNN·Const~~)</math>, где		Если рассматривать всю последовательность действий (построение шаблона, поиск в базе), то сложность алгоритма <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+CNN·{\rm Const})</math>, где
	*<math>n</math> - число элементов в базе		*<math>n</math> - число элементов в базе
	*<math>d</math> - размерность биометрического шаблона		*<math>d</math> - размерность биометрического шаблона

Konshin: /* Последовательная сложность алгоритма */

2018-01-16T09:39:28Z

Последовательная сложность алгоритма

← Предыдущая версия		Версия от 09:39, 16 января 2018
Строка 114:		Строка 114:
	=== Последовательная сложность алгоритма ===		=== Последовательная сложность алгоритма ===

	Если рассматривать всю последовательность действий (построение шаблона, поиск в базе), то сложность алгоритма <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+~~CNNConst~~)</math>, где		Если рассматривать всю последовательность действий (построение шаблона, поиск в базе), то сложность алгоритма <math>O(E(w,h,c)+n·d+n·\log n+n·\log k+CNN·Const)</math>, где
	*<math>n</math> - число элементов в базе		*<math>n</math> - число элементов в базе
	*<math>d</math> - размерность биометрического шаблона		*<math>d</math> - размерность биометрического шаблона

Konshin: /* Динамические характеристики и эффективность реализации алгоритма */

2018-01-16T09:38:16Z

Динамические характеристики и эффективность реализации алгоритма

← Предыдущая версия		Версия от 09:38, 16 января 2018
Строка 258:		Строка 258:
	Для семейства процессоров на ядре haswell возможно выполнение 32 операций умножения+сложения за такт.		Для семейства процессоров на ядре haswell возможно выполнение 32 операций умножения+сложения за такт.

	Поэтому пиковая производительность <math>~~Rpeak~~=2·14·32·2.0·10^9</math>, где		Поэтому пиковая производительность <math>R_{\rm peak}=2·14·32·2.0·10^9</math>, где
	* 2 - число процессоров		* 2 - число процессоров
	* 14 - количество ядер на каждом из процессоров		* 14 - количество ядер на каждом из процессоров

Konshin в 09:29, 16 января 2018

2018-01-16T09:29:50Z

← Предыдущая версия		Версия от 09:29, 16 января 2018
Строка 50:		Строка 50:
	==== Сравнение биометрических шаблонов ====		==== Сравнение биометрических шаблонов ====

	На предыдущем этапе был получен вектор значений <math>D={A}^d</math>, где <math>d</math> - размерность дескриптора. Можно рассматривать достаточно много различных оценивающих функций (метриками их называть некорректно, т.к для них не всегда выполняется неравенство треугольника). Например, в качестве такой функции можно рассматривать cosine distance - косинус угла между векторами-признаками в d-мерном пространстве. Также достаточно часто используют L2 метрику, либо более сложные контрукции, такие как JointBayesian<ref>Chen D. et al. Bayesian face revisited: A joint formulation //European Conference on Computer Vision. – Springer Berlin Heidelberg, 2012. – С. 566-579.</ref>. У всех таких "метрик" есть преимущества и недостатки, например в L2 можно легко проводить кластеризацию, тогда как в JointBayes и cosine metric нет. JointBayes можно дообучить на целевой выборке и повысить точность работы алгоритма.		На предыдущем этапе был получен вектор значений <math>D={A}^d</math>, где <math>d</math> - размерность дескриптора. Можно рассматривать достаточно много различных оценивающих функций (метриками их называть некорректно, т.к для них не всегда выполняется неравенство треугольника). Например, в качестве такой функции можно рассматривать cosine distance - косинус угла между векторами-признаками в d-мерном пространстве. Также достаточно часто используют <math>L_2</math> метрику, либо более сложные контрукции, такие как JointBayesian<ref>Chen D. et al. Bayesian face revisited: A joint formulation //European Conference on Computer Vision. – Springer Berlin Heidelberg, 2012. – С. 566-579.</ref>. У всех таких "метрик" есть преимущества и недостатки, например в <math>L_2</math> можно легко проводить кластеризацию, тогда как в JointBayes и cosine metric нет. JointBayes можно дообучить на целевой выборке и повысить точность работы алгоритма.

	==== Поиск в базе и формирование результата ====		==== Поиск в базе и формирование результата ====

Konshin: /* Динамические характеристики и эффективность реализации алгоритма */

2018-01-16T09:27:53Z

Динамические характеристики и эффективность реализации алгоритма

← Предыдущая версия		Версия от 09:27, 16 января 2018
Строка 261:		Строка 261:
	* 2 - число процессоров		* 2 - число процессоров
	* 14 - количество ядер на каждом из процессоров		* 14 - количество ядер на каждом из процессоров
	* 32 - количество операций за такт		* 32 - количество операций за один такт
	* <math>2.0·10^9</math> - частота ядра без turbo boost		* <math>2.0·10^9</math> - частота ядра без turbo boost

Строка 268:		Строка 268:
	* 128·2 - количество действий, необходимых для проведения одного сравнения		* 128·2 - количество действий, необходимых для проведения одного сравнения

	Эффективность для map = k / peak = 0.014 (1.42%)		Эффективность для map = <math>k</math> / peak = 0.014 (1.42%)

	=== Выводы для классов архитектур ===		=== Выводы для классов архитектур ===

Konshin: /* Масштабируемость алгоритма и его реализации */

2018-01-16T09:26:04Z

Масштабируемость алгоритма и его реализации

← Предыдущая версия		Версия от 09:26, 16 января 2018
Строка 227:		Строка 227:
	[[Файл:Facerecognition-matcher.png\|thumb\|center\|700px\|Рисунок 1. Результаты работы map функции в зависимости от размера базы и числа потоков в openmp]]		[[Файл:Facerecognition-matcher.png\|thumb\|center\|700px\|Рисунок 1. Результаты работы map функции в зависимости от размера базы и числа потоков в openmp]]

	Т.к скорость чтения из DDR4 памяти 17GB/s (на практике немного меньше), то с 4 каналов памяти (по 2 на каждый процессор) нельзя считывать быстрее, чем 68GB/s. База 200M дескрипторов занимает 98GB ram, поэтому время 2300ms для вычисления всех скалярных произведений близко к нижней границе. Дальнейшее увеличение числа потоков на одном сервере не будет приводить к существенному ускорению работы программы.		Т.к. скорость чтения из DDR4 памяти 17GB/s (на практике немного меньше), то с 4 каналов памяти (по 2 на каждый процессор) нельзя считывать быстрее, чем 68GB/s. База 200M дескрипторов занимает 98GB ram, поэтому время 2300ms для вычисления всех скалярных произведений близко к нижней границе. Дальнейшее увеличение числа потоков на одном сервере не будет приводить к существенному ускорению работы программы.

	Результаты работы reduce функции в завсимости от размера базы и числа потоков в openmp:		Результаты работы reduce функции в завсимости от размера базы и числа потоков в openmp: