Publications

@inproceedings{ERK2016_Seba,

title = {Vpliv registracije obraznih področij na učinkovitost samodejnega razpoznavanja obrazov: študija z OpenBR},

author = {Sebastjan Fabijan and Vitomir Štruc},

url = {https://lmi.fe.uni-lj.si/en/vplivregistracijeobraznihpodrocijnaucinkovitostsamodejnegarazpoznavanjaobrazovstudijazopenbr/},

year  = {2016},

date = {2016-09-20},

urldate = {2016-09-20},

booktitle = {Proceedings of the Electrotechnical and Computer Science Conference (ERK)},

abstract = {Razpoznavanje obrazov je v zadnjih letih postalo eno najuspešnejših področij samodejne, računalniško podprte analize slik, ki se lahko pohvali z različnimi primeri upor-abe v praksi. Enega ključnih korakav za uspešno razpoznavanje predstavlja poravnava obrazov na slikah. S poravnavo poskušamo zagotoviti neodvisnost razpozn-av-an-ja od sprememb zornih kotov pri zajemu slike, ki v slikovne podatke vnašajo visoko stopnjo variabilnosti. V prispevku predstavimo tri postopke poravnavanja obrazov (iz literature) in proučimo njihov vpliv na uspešnost razpoznavanja s postopki, udejanjenimi v odprtokodnem programskem ogrodju Open Source Biometric Recognition (OpenBR). Vse poizkuse izvedemo na podatkovni zbirki Labeled Faces in the Wild (LFW).},

keywords = {4SF, biometrics, face alignment, face recognition, LFW, OpenBR, performance evaluation},

pubstate = {published},

tppubtype = {inproceedings}

}

@inproceedings{ERK2016_sebastjan,

title = {Učenje podobnosti v globokih nevronskih omrežjih za razpoznavanje obrazov},

author = {Žiga Stržinar and Klemen Grm and Vitomir Štruc},

url = {https://lmi.fe.uni-lj.si/en/ucenjepodobnostivglobokihnevronskihomrezjihzarazpoznavanjeobrazov/},

year  = {2016},

date = {2016-09-20},

urldate = {2016-09-20},

booktitle = {Proceedings of the Electrotechnical and Computer Science Conference (ERK)},

address = {Portorož, Slovenia},

abstract = {Učenje podobnosti med pari vhodnih slik predstavlja enega najpopularnejših pristopov k razpoznavanju na področju globokega učenja. Pri tem pristopu globoko nevronsko omrežje na vhodu sprejme par slik (obrazov) in na izhodu vrne mero podobnosti med vhodnima slikama, ki jo je moč uporabiti za razpoznavanje. Izračun podobnosti je pri tem lahko v celoti udejanjen z globokim omrežjem, lahko pa se omrežje uporabi zgolj za izračun predstavitve vhodnega para slik, preslikava iz izračunane predstavitve v mero podobnosti pa se izvede z drugim, potencialno primernejšim modelom. V tem prispevku preizkusimo 5 različnih modelov za izvedbo preslikave med izračunano predstavitvijo in mero podobnosti, pri čemer za poizkuse uporabimo lastno nevronsko omrežje. Rezultati naših eksperimentov na problemu razpoznavanja obrazov kažejo na pomembnost izbire primernega modela, saj so razlike med uspešnostjo razpoznavanje od modela do modela precejšnje.},

keywords = {biometrics, CNN, deep learning, difference space, face verification, LFW, performance evaluation},

pubstate = {published},

tppubtype = {inproceedings}

}