Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Face Recognition Aspects with DNNs; An Experimental and Reproducible Research Survey
Organization Unit
Authors
  • Dominic Schmidli
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2021
Abstract Text Face recognition has become an indispensable part of life in today's world. In addition to unlocking mobile devices, it can also be used in public safety applications. Earlier, face recognition was accomplished using traditional algorithms. Today, face recognition has been dominated by deep learning, and deep convolutional neural networks can achieve impressive results. Unfortunately, these results can rarely be reproduced due to missing experimental details. The goal of this work is to compare state-of-the-art deep neural networks with respect to different aspects of face variations. For this purpose, four open-source networks from ArcFace and one from VGGFace2 were used. Experiments are performed on different databases to evaluate the influence of face variations. The results show that deep learning methods clearly outperform traditional face recognition algorithms, and the training database plays a crucial role in their performance. Most of the networks can handle occlusion and illumination well, but poses and facial expressions may still cause problems. Finally, recognizing faces at longer distances requires further improvement.
Zusammenfassung Gesichtserkennung ist aus dem Alltag nicht mehr wegzudenken. Neben dem Entsperren von mobilen Geräten kommt sie auch bei der öffentlichen Sicherheit zum Einsatz. Früher wurde Gesichtserkennung noch mit traditionellen Algorithmen gemacht. Heute wird die Gesichtserkennung von Deep-Learning dominiert, wobei Deep Convolutional Neural Networks beeindruckende Ergebnisse erreichen. Leider können diese Resultate, aufgrund fehlender Angaben, selten reproduziert werden. Das Ziel dieser Arbeit ist es, moderne Deep Neural Networks in Bezug auf verschiede Aspekte von Gesichtsvariationen zu vergleichen. Dafür werden vier Netzwerke von ArcFace und eines von VGGFace2 benutzt. Es werden Experimente auf verschiedenen Datenbank durchgeführt, um den Einfluss von Gesichtsvariationen zu evaluieren. Die Resultate zeigen, dass Deep-Learning-Methoden die traditionellen Gesichtserkennungs-Algorithmen übertreffen. Ein entscheidender Faktor für die Performance stellt die Trainingsdatenbank dar. Mit teilweisen Gesichtsbedeckungen und unterschiedlichen Beleuchtungen können die meisten Netzwerke gut umgehen. Verschiedene Posen und Gesichtsausdrücke bereiten immernoch Probleme. Das Erkennen von Gesichtern auf grössere Distanzen funktioniert weiterhin schlecht.
PDF File Download
Export BibTeX