Les solutions CNN

Premièrement , la reconnaissance facial a évolué de temps en temps grâce à l’utilisation de

réseaux de neurones profonds. Les approches basées sur les réseaux de neurones profonds
ont radicalement transformé la reconnaissance faciale plus utilisable en matière de
précision1. Les réseaux de neurones conventionnelles (CNN) et les architectures plus
récentes, telles que FaceNet et VGGFace, ont amélioré la précision de la reconnaissance.. « Il
a permis d’obtenir des performances de pointe en matière de reconnaissance faciale et a
contribue a l’utilisation de réseaux de neurones pour la comparaison d’images de visages » A
Unified Embedding for Face Recognition and Clustering (2015) par Florian Schroff, Dmitry
Kaleninchenko, et James Philibin.
Schroff et coll. ont rapporté que l’architecture FaceNet conçue pour l’apprentissage de
plongements de visages dans un espace vectoriel permet d’obtenir des performances de
qualité dans la reconnaissance faciale tout mettant en œuvre les réseaux de neurones pour
la comparaison d’images de visages [2]. Les auteurs ont toutefois observé qu’il encore
nécessaire d’enrichir cette technique afin de capitaliser sur les erreurs de reconnaissance.
Cette observation constitue une raison de la réalisation de notre projet.

Deuxièmement, les techniques de détection d’objets ont progressé avec des modèles tels
que YOLO et Faster R-CNN, permettant la détection rapide et précise d’objets dans des
environnements varier. D’abors YOLO ou You Only Look Once est une méthode de détection
d’objets en temps réel qui est devenue très populaire en raison de sa rapidité et de sa
précision [1]. « You Only Look Once : Unified, Real-Time Object Detection » par Joseph
Redmon, Santosh Divvala, Ross Girshick, et Ali Farhadi.

Ces solutions ont fait l’objet d’expérimentations dans notre cas. Il s’avère qu’elles
consomment beaucoup de mémoire au point de plante les ordinateurs de tests. De plus,
nous avons observé des latences de calcul. Xxxxxxx. Ce qui nécessite de trouver des solutions
additionnelles pour lever cette limite.

Références bibliographiques
[1] J. Redmon, S. Divvala, R. Girshick, et A. Farhadi, « You only look once: Unified, real-time
object detection », in Proceedings of the IEEE conference on computer vision and pattern
recognition, 2016, p. 779-788. Consulté le: 30 octobre 2023. [En ligne]. Disponible sur:
https://www.cv-foundation.org/openaccess/content_cvpr_2016/html/Redmon_You_Onl
y_Look_CVPR_2016_paper.html
[2] F. Schroff, D. Kalenichenko, et J. Philbin, « Facenet: A unified embedding for face
recognition and clustering », in Proceedings of the IEEE conference on computer vision
and pattern recognition, 2015, p. 815-823. Consulté le: 30 octobre 2023. [En ligne].
Disponible sur:
1
https://institut-europia.eu/la-reconnaissance-faciale-une-pluralite-de-methodes-une-pluralite-dusages-en-
securite/
https://www.cv-foundation.org/openaccess/content_cvpr_2015/html/Schroff_FaceNet_
A_Unified_2015_CVPR_paper.html