تشخیص چهره براساس یادگیری عمیق CNN در محیط ابری اینترنت اشیا

ابزارهای اینترنت اشیاء قابلیت بکارگیری در زمینه های متنوعی از جمله مهندسی پزشکی راه دور، تشخیص چهره آنلاین ، مسیریابی هوشمند، شناسایی و حفاظت اشیاء را دارا هستند. برای بکارگیری این کاربردها نیاز به استفاده از الگوریتم های مختلفی به جهت پیاده سازی و مدیریت منابع از جمله مصرف انرژی، مسیر بهینه و زمان دستیابی سریع نیز می باشد. تشخیص چهره در محیط های کنترل شده از دقت بالایی در تشخیص برخوردار است ولی در محیط های غیرکنترل شده دقت تشخیص چهره برای اهداف تعیین شده بسیار پائین است . در محیط های خاص مانند بهداشت و سیستم های سری زمانی نیاز است که تشخیص خیلی سریع و واقعی اتفاق بیفتد. در این مقاله یک الگوریتم یادگیری عمیق به شکل یک سیستم درختی برای حفظ دقت واقعی تشخیص چهره استفاده می شود. در ساختار درختی پایه هر حجم ورودی به چندین حجم تقسیم میشود که هر درخت نشان یک حجم و به ترتیب حجم هر درخت ورودی بعدی کاهش می یابد. در این مقاله ساختار درختی بصورت ترتیب کاهش حجم انتخاب نمیشود و ترتیب انتخاب حجم ورودی براساس خروجی الگوریتم یادگیری عمیق و به شرط کاهش خطا در بازخورد بعدی انتخاب می شود. با اینکار آموزش در درون یادگیری عمیق راحت تر صورت میپذیرد و سرعت اجرای دوره های تکرار الگوریتم را افزایش و کیفیت دقت بهبود می یابد. الگوریتم یادگیری مورد استفاده نیز CNN (۲(MTCNN,CNNRBM,DeepCNN,CNN- با باکس مستطیلی برای تشخیص است که میزان دقتی هر سه به ترتیب از چب به راست برابر ۷,۹۸, ۲,۹۷،۵,۹۶ می باشد. پیاده سازی روش فوق برای بخش محیط ابری براساس فرضه های تعبیه شده بوسیله توابع و نه محیط واقعی ابری است .

کلیدواژه ها:

تشخیص چهره ، رایانش ابری ، اینترنت اشیاء ، یادگیری عمیق ، شبکه عصبی کانولوش