تشخیص چهره مبتنی بر :CNN مروری بر معماری ها و چالش ها

تشخیص چهره به عنوان یکی از ستون های اصلی سیستم های بیومتریک و نظارت تصویری، در سال های اخیر تحت تاثیر پیشرفت های شگرف یادگیری عمیق قرار گرفته است. ظهور شبکه های عصبی کانولوشنی (CNN) با جایگزینی استخراج ویژگی های سنتی و دستی با یادگیری خودکار الگوهای پیچیده، دقت شناسایی هویت را به سطوح فراتر از توانایی انسان رسانده است. معماری های برجسته ای نظیر VGGNet، ResNetو مدل های تخصصی مانند FaceNet، با بهره گیری از ساختارهای عمیق تر و توابع زیان بهینه، توانسته اند فضای ویژگی های چهره را با دقت بالایی تفکیک کنند. با این حال، علی رغم این جهش های تکنولوژیک، عملکرد این سیستم ها در محیط های کنترل نشده همچنان با چالش های جدی روبروست. تغییرات شدید در شرایط نوری، زوایای نامناسب چهره، پیری و پوشش های فیزیکی نظیر ماسک و عینک، از جمله موانع کلیدی در مسیر دستیابی به سیستم های تشخیص چهره کاملا مقاوم هستند. تحلیل دقیق سیر تحول این معماری ها در کنار بررسی موانع پیاده سازی، زیربنای لازم برای توسعه نسل های نهایی هوش مصنوعی در حوزه بینایی ماشین را فراهم می آورد.

کلیدواژه ها:

تشخیص چهره ، شبکه های عصبی کانولوشنی(CNN) ، یادگیری عمیق ، معماری های شبکه ، چالش های محیطی ، بینایی ماشین