Académique Documents
Professionnel Documents
Culture Documents
Reconnaissance faciale :
De la recherche au déploiement industriel
ORKIS SAS
610 rue Georges Claude
13290 AIX-EN-PROVENCE
08 mars 2019
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
1 ORKIS
2 Reco. faciale et IA
3 Machine learning
4 CNNs
5 Transfer learning
6 Système : caractéristiques
7 Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Ajaris
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Ajaris
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Ajaris
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Ajaris
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Orkis Systems
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Coordonnées
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Cellule innovation
Cellule innovation
Cellule innovation
Cellule innovation
Cellule innovation
Cellule innovation
1 ORKIS
2 Reco. faciale et IA
3 Machine learning
4 CNNs
5 Transfer learning
6 Système : caractéristiques
7 Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Reconnaissance faciale
Reconnaissance faciale
Reconnaissance faciale
Reconnaissance faciale
Reconnaissance faciale
• Approches :
• Supervisées : catégorisation (échantillon annoté).
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Approches :
• Supervisées : catégorisation (échantillon annoté).
• Non supervisées (pas d’échantillon annoté) :
1 Partitionnement de données clustering.
2 Réduction de dimensionnalité.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Approches :
• Supervisées : catégorisation (échantillon annoté).
• Non supervisées (pas d’échantillon annoté) :
1 Partitionnement de données clustering.
2 Réduction de dimensionnalité.
• Données :
• Structurées : objets divers explicitement caractérisés.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Approches :
• Supervisées : catégorisation (échantillon annoté).
• Non supervisées (pas d’échantillon annoté) :
1 Partitionnement de données clustering.
2 Réduction de dimensionnalité.
• Données :
• Structurées : objets divers explicitement caractérisés.
• Non structurées (signaux “bruts”) : images, documents...
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
1 ORKIS
2 Reco. faciale et IA
3 Machine learning
4 CNNs
5 Transfer learning
6 Système : caractéristiques
7 Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Donnée : x
• Objets : maison...
• Signaux : images...
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Donnée : x
• Objets : maison...
• Signaux : images...
• Donnée descriptible par un ensemble de n caractéristiques (features)
quantifiables : x1 , x2 , ..., xn
x := (x1 , x2 , ..., xn )| ∈ Rn
• Maison : x1 → superficie, x2 → # pièces
• Image N&B de (largeur x hauteur) px : xi → valeur du i-ème pixel.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Donnée : x
• Objets : maison...
• Signaux : images...
• Donnée descriptible par un ensemble de n caractéristiques (features)
quantifiables : x1 , x2 , ..., xn
x := (x1 , x2 , ..., xn )| ∈ Rn
• Maison : x1 → superficie, x2 → # pièces
• Image N&B de (largeur x hauteur) px : xi → valeur du i-ème pixel.
• Donnée : x
• Objets : maison...
• Signaux : images...
• Donnée descriptible par un ensemble de n caractéristiques (features)
quantifiables : x1 , x2 , ..., xn
x := (x1 , x2 , ..., xn )| ∈ Rn
• Maison : x1 → superficie, x2 → # pièces
• Image N&B de (largeur x hauteur) px : xi → valeur du i-ème pixel.
• Donnée : x
• Objets : maison...
• Signaux : images...
• Donnée descriptible par un ensemble de n caractéristiques (features)
quantifiables : x1 , x2 , ..., xn
x := (x1 , x2 , ..., xn )| ∈ Rn
• Maison : x1 → superficie, x2 → # pièces
• Image N&B de (largeur x hauteur) px : xi → valeur du i-ème pixel.
La régression linéaire
La régression linéaire
La régression linéaire
La régression linéaire
La régression linéaire
1 w1 = 0.1, b = 0.4
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression linéaire
1 w1 = 0.1, b = 0.4
2 w1 = 0.5, b = 0.6
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression linéaire
1 w1 = 0.1, b = 0.4
2 w1 = 0.5, b = 0.6
• Fonction d’erreur (de coût) à minimiser :
Pm 2
1 (i)
J(w1 , b) = 2m i=1
(w1 x1 + b) − y (i)
(erreur au carré moyenne / 2)
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression linéaire
1 w1 = 0.1, b = 0.4
2 w1 = 0.5, b = 0.6
• Fonction d’erreur (de coût) à minimiser :
Pm 2
1 (i)
J(w1 , b) = 2m i=1
(w1 x1 + b) − y (i)
(erreur au carré moyenne / 2)
• Méthodes de minimisation de la fonction d’erreur :
• Mathématiques, exactes.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression linéaire
1 w1 = 0.1, b = 0.4
2 w1 = 0.5, b = 0.6
• Fonction d’erreur (de coût) à minimiser :
Pm 2
1 (i)
J(w1 , b) = 2m i=1
(w1 x1 + b) − y (i)
(erreur au carré moyenne / 2)
• Méthodes de minimisation de la fonction d’erreur :
• Mathématiques, exactes.
• Algorithmiques, approchées : la descente de gradient.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression logistique
La régression logistique
• Probabilité (ŷ ) de malignité d’une tumeur (x) en fonction de sa taille (x1 ) et des
antécédents familiaux (x2 ) d’une personne.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression logistique
La régression logistique
• Probabilité (ŷ ) de malignité d’une tumeur (x) en fonction de sa taille (x1 ) et des
antécédents familiaux (x2 ) d’une personne.
• Valeur de sortie 0 6 ŷ 6 1
ŷ = σ(w1 x1 + w2 x2 + b) (fonction linéaire + sigmoïde)
σ(x ) = 1+e1−x
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression logistique
La régression logistique
• Probabilité (ŷ ) de malignité d’une tumeur (x) en fonction de sa taille (x1 ) et des
antécédents familiaux (x2 ) d’une personne.
• Valeur de sortie 0 6 ŷ 6 1
ŷ = σ(w1 x1 + w2 x2 + b) (fonction linéaire + sigmoïde)
σ(x ) = 1+e1−x
• w, b : coefficients de l’équation d’une frontière de décision.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
La régression logistique
La régression logistique
• Probabilité (ŷ ) de malignité d’une tumeur (x) en fonction de sa taille (x1 ) et des
antécédents familiaux (x2 ) d’une personne.
• Valeur de sortie 0 6 ŷ 6 1
ŷ = σ(w1 x1 + w2 x2 + b) (fonction linéaire + sigmoïde)
σ(x ) = 1+e1−x
• w, b : coefficients de l’équation d’une frontière de décision.
• Fonction d’erreur
Pmà minimiser :
1 (i) log(ŷ (i) ) + (1 − y (i) ) log(1 − ŷ (i) )
J(w, b) = − m i=1
y
(entropie croisée moyenne)
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
1 ORKIS
2 Reco. faciale et IA
3 Machine learning
4 CNNs
5 Transfer learning
6 Système : caractéristiques
7 Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Exemple de CNN :
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Exemple de CNN :
• Exemple de CNN :
1 ORKIS
2 Reco. faciale et IA
3 Machine learning
4 CNNs
5 Transfer learning
6 Système : caractéristiques
7 Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
Transfer learning
• Approche retenue :
Schroff et al. – FaceNet : A Unified Embedding for Face Recognition and Clustering, CVPR 2015.
• Apprendre une représentation numérique (encodage) discriminante f (x) ∈ Rd de
chaque visage (d := 128).
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Approche retenue :
Schroff et al. – FaceNet : A Unified Embedding for Face Recognition and Clustering, CVPR 2015.
• Apprendre une représentation numérique (encodage) discriminante f (x) ∈ Rd de
chaque visage (d := 128).
• Ensemble d’apprentissage : N triplets (xia , xp , xin )
i
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
• Approche retenue :
Schroff et al. – FaceNet : A Unified Embedding for Face Recognition and Clustering, CVPR 2015.
• Apprendre une représentation numérique (encodage) discriminante f (x) ∈ Rd de
chaque visage (d := 128).
• Ensemble d’apprentissage : N triplets (xia , xp , xin )
i
• Objectif :
N
!
f (xi ) − f (xip )
2 − kf (xia ) − f (xin )k2 + α
X
a
min
i=1
• Ensemble d’apprentissage : 453 453 images, 10 575 personnes.
• Implémentation : TensorFlow/Python.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Démo.
http://orkis-pc:6006/#projector
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
1 ORKIS
2 Reco. faciale et IA
3 Machine learning
4 CNNs
5 Transfer learning
6 Système : caractéristiques
7 Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Classifieur final
Classifieur final
Classifieur final
Classifieur final
• SVMs :
• Moins performants.
• Problème d’interprétation des scores de sortie.
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Classifieur final
Classifieur final
• SVMs :
• Moins performants.
• Problème d’interprétation des scores de sortie.
Performances
Performances
Performances
Performances
Performances
Performances
Performances
Performances
Performances
Performances
Performances
Performances
Cas d’erreurs
Cas d’erreurs
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
1 ORKIS
2 Reco. faciale et IA
3 Machine learning
4 CNNs
5 Transfer learning
6 Système : caractéristiques
7 Conclusion
ORKIS Reco. faciale et IA Machine learning CNNs Transfer learning Système : caractéristiques Conclusion
Conclusion
Conclusion
Conclusion
Conclusion
Conclusion
Questions ?