ဉာဏ်ရည်တု
မှုခင်းဗီဒီယိုမှုခင်းဆေးပညာတွင် ဇီဝဗေဒဆိုင်ရာ အထောက်အထားအဖြစ် လက်များကို အသုံးပြုခြင်း။
ယူကေရှိ သုတေသီများသည် လူတစ်ဦးချင်းစီ၏ လက်ပုံသဏ္ဍာန်ကို ခွဲခြားသိမြင်နိုင်သော စက်သင်ယူမှု ဇီဝဗေဒဆိုင်ရာ စနစ်တစ်ခုကို တီထွင်ခဲ့သည်။ အလုပ်၏ရည်ရွယ်ချက်မှာ ပြစ်မှုကျူးလွန်သူများအား ဖော်ထုတ်ရာတွင် အထောက်အကူဖြစ်စေရန်၊ အထူးသဖြင့် ၎င်းတို့၏ရာဇ၀တ်မှုများကို မှတ်တမ်းတင်ထားသော လိင်ပိုင်းဆိုင်ရာကျူးလွန်သူများအား လက်ဖြင့်အချက်အလက်သည် မကြာခဏရရှိနိုင်သည့်တစ်ခုတည်းသော biometric အချက်ပြမှုဖြစ်သည်။
အဆိုပါ စက္ကူ, ခွင့် Global and Part-aware Deep Feature Representation Learning ကို အသုံးပြု၍ လက်-အခြေခံ လူခွဲခြားသတ်မှတ်ခြင်း။နှင့် Global and Part-Aware Network (GPA-Net) ဟုခေါ်သော ML မူဘောင်အသစ်ကို အဆိုပြုပါသည်။
GPA-Net သည် လက်တစ်ခုလုံးအတွက် ကွဲပြားသောအသိအမှတ်ပြုမှုစနစ်များဖန်တီးရန်အတွက် (ဤကဏ္ဍတွင်ယခင်ကြိုးပမ်းမှုများနှင့်မတူဘဲ ယခင်ကြိုးပမ်းမှုများနှင့်မတူဘဲ ဘယ်နှင့်ညာလက်များဖြင့် ကွဲပြားစွာအသိအမှတ်ပြုထားသော)၊ စိတျအပိုငျး လက်တစ်ခုလုံးကို ပိုမိုကောင်းမွန်စွာ ဖော်ထုတ်နိုင်စေရန်အတွက် ၎င်းတို့ကိုယ်တွင်း၌ ဖော်ညွှန်းအလံများအဖြစ် လုပ်ဆောင်နိုင်သော လက်၏။
သုတေသနကို Lancaster University ရှိ School of Computing and Communications မှ ရရှိပြီး ယခု Leicester's De Montfort University မှ လက်ထောက်ပါမောက္ခ Nathanael L. Baisa မှ ဦးဆောင်ဆောင်ရွက်ပါသည်။
တစ်သမတ်တည်း Biometric အညွှန်းကိန်းများအဖြစ် လက်များ
လက်များသည် ကွဲပြားသော biometric လက္ခဏာများကို တသမတ်တည်း စုစည်းပေးသည်ကို သုတေသီများက လေ့လာတွေ့ရှိခဲ့သည်။ ဘာသာရပ်နည်းတယ်။ အသက်အရွယ်အရဖြစ်စေ၊ ရုပ်ဖျက်ရန် ကြိုးပမ်းမှုများ သို့မဟုတ် ပုံမမှန်သည့်အချက်များ (အသုံးအနှုန်းများ ကွဲပြားခြင်း၊ မျက်နှာဖမ်းယူခြင်းကဲ့သို့သော) အခြားလူကြိုက်များသည့် ညွှန်ပြစနစ်များ၏ ယုံကြည်စိတ်ချရမှုကို လွှမ်းမိုးနိုင်သည့် အခြားသော လမ်းကြောင်းများကို မှတ်သားခြင်းနှင့် မျက်နှာမှတ်မိခြင်းတို့ ပါဝင်သည်။
လုံခြုံရေးစနစ်များရှိသော်လည်း၊ ကြံစည်ခဲ့သည်။ အနီအောက်ရောင်ခြည်ဖြင့် ပုံရိပ်ဖော်ခြင်းမှတဆင့် လက်သွေးပြန်ကြောပုံစံများကို အသုံးပြုထားသောကြောင့် ရာဇ၀တ်မှုများအတွက် အသုံးပြုသည့် အသံဖမ်းကိရိယာအမျိုးအစားများတွင် ရရှိနိုင်ဖွယ်မရှိပါ။ ယင်းအစား၊ လက်ရှိ သုတေသနသည် ပုံမှန်အားဖြင့် မိုဘိုင်းလ်ကိရိယာများတွင် ထည့်သွင်းထားသော စံဒစ်ဂျစ်တယ်ကင်မရာများမှ ရရှိသော ဖမ်းယူမှုအပေါ် အာရုံစိုက်ထားသော်လည်း လိင်မှုဆိုင်ရာ ရာဇ၀တ်မှုများတွင် ကွန်ရက်အချက်အလက်များ မျှဝေရန် သဘောထားနည်းသော 'လူမိုက်' ကင်မရာများမှ ရရှိနိုင်ခြေပိုများပါသည်။
ဖြစ်ချင်တော့ လက်ဗွေ ID စနစ်များသည် သေးငယ်ပြီး စျေးသက်သာသော အသိအမှတ်ပြုမျက်နှာပြင်များ လိုအပ်သောကြောင့် ဖြစ်ကောင်းဖြစ်နိုင်သည်မှာ လွန်ခဲ့သည့် နှစ်ပေါင်းငါးဆယ်အတွင်း သိပ္ပံစိတ်ကူးယဉ်ရုပ်ရှင်များတွင် ဖော်ပြခဲ့သော ရေပန်းအစားဆုံးသော ဇီဝဗေဒဆိုင်ရာနည်းလမ်းဖြစ်နိုင်သည့် လက်ဖဝါးပုံနှိပ်သည် အနာဂတ်ပညာရှင်များ မျှော်လင့်ထားသည့် အသုံးချမှုကို မနှစ်သက်ခဲ့ပေ။ သို့သော် Fujitsu မှထုတ်လုပ်သည်။ ပရိုမိုးရှင်းလေ့လာမှု 2016 ခုနှစ်တွင် လက်ဝါးသွေးပြန်ကြောပုံစံ အသိအမှတ်ပြုခြင်းသည် လုံခြုံရေးစနစ်များအတွက် သာလွန်ကောင်းမွန်သော biometric ကိရိယာတစ်ခုဖြစ်ကြောင်း ငြင်းခုံခဲ့သည်။
ဒေတာအတွဲများနှင့် စမ်းသပ်ခြင်း။
GPA-Net သည် သုတေသီများ၏အဆိုအရ၊ လက်ဖြင့်အသိအမှတ်ပြုရန်ကြိုးစားရန် ပထမဆုံးအစမှအဆုံးလေ့ကျင့်သင်ကြားထားသောစနစ်ဖြစ်သည်။ ၎င်း၏ကွန်ရက်၏ဗဟိုကျောရိုးသည် ImageNet မှလေ့ကျင့်သင်ကြားထားသည့် ResNet50 ကိုအခြေခံထားသည်။ ၎င်းတို့အပါအဝင် ပလပ်ဖောင်းအမျိုးမျိုးတွင် ကောင်းစွာလုပ်ဆောင်နိုင်မှုအတွက် ၎င်းတို့ကို ရွေးချယ်ခဲ့သည်။ Google စတင်ခြင်း (a GoogleNet အရာဝတ္ထုကို ထောက်လှမ်းခြင်း နှင့် ရုပ်ပုံပိုင်းခြားစိတ်ဖြာမှု အထူးပြု ဆင့်ကဲပြောင်းလဲလာသော Convolutional Neural Network သို့ ဘွဲ့ရခဲ့သော မော်ဂျူး)။
GPA-Net မူဘောင်ကို 2016 ခုနှစ် ဒေတာအတွဲနှစ်ခုတွင် စမ်းသပ်ခဲ့သည်။ 11k လက်များ ကနေဒါနှင့် အီဂျစ်နိုင်ငံတို့မှ သုတေသီများ ပူးပေါင်းဆောင်ရွက်ခြင်း၊ Hong Kong Polytechnic University နှင့် Hand Dorsal (HD) ဒေတာအစုံ။
11k ဒေတာအတွဲတွင် ID၊ အသက်၊ အသားအရောင်၊ လိင်နှင့် အခြားအချက်များဆိုင်ရာ မက်တာဒေတာအမျိုးမျိုးအပါအဝင် အထောက်အထားအကြောင်းအရာ 190 ပါဝင်ပါသည်။ လက်ဝတ်ရတနာများပါရှိသော မည်သည့်ရုပ်ပုံများကိုမဆို သုတေသီများက ဖယ်ထုတ်ထားသောကြောင့် ၎င်းတို့သည် အနှောင့်အယှက်ဖြစ်စေသော အစွန်းအထင်းများအဖြစ် မလွဲမသွေ ကုန်ဆုံးသွားမည်ဖြစ်သည်။ လုံလောက်သော ရှင်းလင်းပြတ်သားမှု မရှိသော HD ဒေတာအတွဲမှ ရုပ်ပုံများကို ဖယ်ထုတ်ထားသည်။ ID ကိုက်ညီမှုသည် ရုပ်ပုံပေါင်းစပ်ခြင်းထက် ပိုမိုထိခိုက်လွယ်သော ကဏ္ဍဖြစ်သောကြောင့်၊ ဒေတာကို ဖုံးကွယ်ထားနိုင်သည့် အန္တရာယ်သည် ပိုမိုများပြားသောကြောင့် ဖြစ်သည်။
GPA-Net သည် VRAM 2080gb ပါသော NVIDIA GeForce RTX 11 Ti GPU တစ်ခုတည်းရှိ PyTorch နက်နဲသောသင်ယူမှုဘောင်တွင် လုပ်ဆောင်ထားသည်။ မော်ဒယ်ကို အသုံးပြု၍ လေ့ကျင့်ခဲ့သည်။ cross-entropy ဆုံးရှုံးမှုနှင့် Stochastic Gradient Descent အသေးစားအသုတ် (စင်ကာပူငွေနှင့်ပြရန်) optimizer ။ လေ့ကျင့်မှုသည် အပိုင်း 60 ကျော်တွင် ကနဦးသင်ယူမှုနှုန်း 0.02 ဖြင့် ဖြစ်ပေါ်ခဲ့ပြီး 0.1 အပိုင်းတစ်ခုစီအတွက် ပျက်စီးဆုံးရှုံးမှုအချက်ပြစနစ်ဖြင့် 30 ရှိသော သင်ယူမှုနှုန်းအချိန်ဇယားဖြင့် ကိုင်တွယ်သည် - မြင့်မားသောဘက်မြင်အင်္ဂါရပ်များ လျင်မြန်စွာထည့်သွင်းထားသောကြောင့် လေ့ကျင့်မှုကို နှေးကွေးစေကာ စနစ်သည် နောက်ပိုင်းတွင် ပိုမိုကြာရှည်စွာအသုံးပြုနိုင်မည်ဖြစ်သည်။ ပိုမိုအသေးစိတ်အသေးစိတ်အတွက် ဒေတာကိုဖြတ်ကျော်ခြင်း။
အကဲဖြတ်ခြင်းကို စုစည်းလိုက်ဖက်သော လက္ခဏာများ (CMCMean Average Precision (mAP) ဖြင့် မက်ထရစ်။
GPA-Net သည် ResNet50 တွင် ပြိုင်ဆိုင်မှုနည်းလမ်းများကို 24.74% ဖြင့် အဆင့်-1 တိကျမှုနှင့် mAP တွင် 37.82% ဖြင့် ပိုမိုကောင်းမွန်ကြောင်း သုတေသီများက တွေ့ရှိခဲ့သည်။
အဆိုပါနည်းလမ်းသည် 'ပြင်းထန်သောရာဇ၀တ်မှုကျူးလွန်သူများအား ခိုင်မာစွာဖော်ထုတ်နိုင်ရေးအတွက် ခိုင်မာသောအလားအလာ' ရှိကြောင်း သုတေသီများက သုံးသပ်သည်။