REAL VAQT REJIMIDAGI CHEKKA BIOMETRIK TIZIMLAR UCHUN YUZNI ANIQLASH MODELLARINING TASVIR OʻLCHAMIGA BOGʻLIQ KECHIKISHI VA PARETO SAMARADORLIGI
DOI:
https://doi.org/10.47390/ydif-y2026v2i19/n06Ключевые слова:
xulosa chiqarish kechikishi; kirish tasviri oʻlchami; chekka hisoblash; real vaqtli biometriya; Pareto samaradorligi; kadr tezligi byudjeti; YuNet; Dlib.Аннотация
Yuzni aniqlashning hisoblash xarajati video oqim oʻlchami ortishi bilan oʻsadi va koʻpincha biometrik tizimning chekka qurilmada real vaqt rejimida ishlay olish-olmasligini belgilaydi. Ushbu tadqiqotda YuNet, masshtablashsiz va masshtablash bilan ishlovchi Dlib HOG hamda RetinaFace modellarining 480p dan 2160p gacha boʻlgan toʻrtta kirish oʻlchamida oʻlchangan bir kadrga toʻgʻri keluvchi kechikishi tahlil qilingan. Kechikishning kadr maydoniga koʻra oʻsishi, uning qatʼiy va piksellar soniga proporsional qismlari, Dlib masshtablashining narxi hamda bir soniyalik hisoblashga toʻgʻri keladigan aniqlash sifati oʻrganilgan, shuningdek, 1–30 kadr/s tezlik byudjetlari uchun ruxsat etilgan oʻlchamlar aniqlangan. Natijalarga koʻra, 1080p va 2160p oraligʻida kechikish kadr maydoniga deyarli proporsional ravishda oʻsadi; YuNet kechikishining oʻlchamga bogʻliqligi neyron tarmoq hisobidan emas, balki kadr oʻlchamini oʻzgartirish jarayonidan kelib chiqadi; Dlib'dagi har bir masshtablash bosqichi kechikishni taxminan 3,5 barobar oshiradi; markaziy protsessordagi YuNet va grafik protsessordagi RetinaFace Pareto frontini tashkil etadi. Tadqiqot yakunida olingan natijalar asosida chekka qurilmalarda biometrik tizimlarni joriy etish boʻyicha amaliy qoidalar taklif etilgan.
Библиографические ссылки
1. Guo J., Deng J., Lattas A., Zafeiriou S. Sample and computation redistribution for efficient face detection // International Conference on Learning Representations (ICLR 2022). – arXiv:2105.04714. – 2022.
2. Howard A.G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H. MobileNets: efficient convolutional neural networks for mobile vision applications // arXiv preprint arXiv:1704.04861. – 2017.
3. Huang J., Rathod V., Sun C., Zhu M., Korattikara A., Fathi A., Fischer I., Wojna Z., Song Y., Guadarrama S., Murphy K. Speed/accuracy trade-offs for modern convolutional object detectors // Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017). – Honolulu, 2017. – P. 7310–7319.
4. Kortli Y., Jridi M., Al Falou A., Atri M. Face recognition systems: a survey // Sensors. – 2020. – Vol. 20, No. 2. – Art. 342. – DOI: 10.3390/s20020342.
5. Lin T.-Y., Dollár P., Girshick R., He K., Hariharan B., Belongie S. Feature pyramid networks for object detection // Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017). – Honolulu, 2017. – P. 2117–2125.
6. Sandler M., Howard A., Zhu M., Zhmoginov A., Chen L.-C. MobileNetV2: inverted residuals and linear bottlenecks // Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2018). – Salt Lake City, 2018. – P. 4510–4520.
7. Tan M., Pang R., Le Q.V. EfficientDet: scalable and efficient object detection // Proc. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2020). – Seattle, 2020. – P. 10781–10790.
8. Viola P., Jones M.J. Robust real-time face detection // International Journal of Computer Vision. – 2004. – Vol. 57, No. 2. – P. 137–154.
9. Wu W., Peng H., Yu S. YuNet: a tiny millisecond-level face detector // Machine Intelligence Research. – 2023. – Vol. 20, No. 5. – P. 656–665. – DOI: 10.1007/s11633-023-1423-y.
10. Zhang K., Zhang Z., Li Z., Qiao Y. Joint face detection and alignment using multitask cascaded convolutional networks // IEEE Signal Processing Letters. – 2016. – Vol. 23, No. 10. – P. 1499–1503.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
This work is licensed under a 