Face recognition is becoming an imp

Face recognition is becoming an important application for smart cameras. However, up till now, the processing required
for real-time detection, prohibits integration of the whole application into a small sized, consumer type of
camera. This paper showed that by:
1. Proper selection of algorithms, both for face detection
and recognition,
2. Adequate choice of processing architecture, supporting
both SIMD and ILP types of parallelism,
3. Tuning the mapping of algorithms to the selected architecture,this integration can be achieved. We implemented the algorithms on a small smart camera. As a result we can recognize one face per NGJms, when we are searching for
persons, with LIE% recognition rate and only Q% failure rate. Future research will focus on further tuning the mapping
of the algorithms, e.g. by replacing oating point operations with xed point, trying other (cheaper) activation functions (see eq. 8), and further parallelization of the RBF neural network. This should allow for further speedups needed when searching in much larger databases that can contain large numbers of identiable faces. Furthermore,the recognition will be enhanced by using multiple cameras with different viewpoints.

ผลลัพธ์ (ไทย) 1:

จดจำใบหน้าเป็น โปรแกรมประยุกต์ที่สำคัญสำหรับกล้องสมาร์ท อย่างไรก็ตาม จนถึงตอนนี้ การประมวลผลต้อง
ตรวจแบบเรียลไทม์ ห้ามรวมของโปรแกรมประยุกต์ทั้งหมดเป็นขนาดเล็กขนาด ชนิดผู้บริโภค
กล้อง เอกสารนี้ชี้ให้เห็นว่าโดย:
1 การเลือกใช้อัลกอริทึม ตรวจจับใบหน้าทั้ง
และการรับ รู้,
2 พอเลือกประมวลผลสถาปัตยกรรม สนับสนุน
ชนิด SIMD และ ILP parallelism,
3 ปรับเปลี่ยนการแม็ปของอัลกอริทึมการเลือกสถาปัตยกรรม รวมนี้สามารถบรรลุ เราใช้อัลกอริทึมที่บนกล้องสมาร์ทขนาดเล็ก ดังนั้น เราสามารถจดจำใบหน้าหนึ่งต่อ N GJms เมื่อเรากำลังค้นหา
คน โกหก%อัตราการรู้จำและอัตราความล้มเหลว% Q เท่านั้น งานวิจัยในอนาคตจะเน้นเพิ่มเติม ปรับเปลี่ยนการแม็ป
ของอัลกอริทึม เช่น ด้วยการแทนที่ oating จุด การดำเนินงานกับ xed ชี้ พยายามฟังก์ชั่นเรียกใช้งานอื่น ๆ (ถูกกว่า) (ดู eq. 8), และเพิ่มเติม parallelization เครือข่าย RBF ประสาท นี้ควรอนุญาตสำหรับ speedups เพิ่มเติมจำเป็นต้องใช้เมื่อค้นหาในฐานข้อมูลขนาดใหญ่มากที่ประกอบด้วยจำนวนมากของใบหน้าสามารถ identi นอกจากนี้การรู้จะเพิ่มได้ โดยใช้กล้องหลายมุมมองที่แตกต่างกัน

ผลลัพธ์ (ไทย) 2:

การจดจำใบหน้าจะกลายเป็นโปรแกรมที่สำคัญสำหรับกล้องสมาร์ท อย่างไรก็ตามจนถึงขณะนี้การประมวลผลที่จำเป็น
สำหรับการตรวจสอบเวลาจริงห้ามไม่ให้บูรณาการของการประยุกต์ใช้ทั้งในขนาดชนิดของผู้บริโภคที่มีขนาดเล็กของ
กล้อง บทความนี้แสดงให้เห็นว่าโดย:
1 เลือกที่เหมาะสมของขั้นตอนวิธีทั้งสำหรับตรวจจับใบหน้า
และการรับรู้
2 ทางเลือกที่เหมาะสมของการประมวลผลสถาปัตยกรรมสนับสนุน
ทั้ง SIMD และ ILP ประเภทขนาน
3 ปรับขั้นตอนวิธีการทำแผนที่ของสถาปัตยกรรมที่เลือกให้บูรณาการนี้สามารถทำได้ เราดำเนินการขั้นตอนวิธีในกล้องสมาร์ทเล็ก ๆ เป็นผลให้เราสามารถรับรู้อย่างใดอย่างหนึ่งต่อใบหน้ายังไม่มี ?? GJms เมื่อเรากำลังมองหา
คนที่มีอัตราการรู้จำ% โกหกและ Q% อัตราความล้มเหลว การวิจัยในอนาคตจะมุ่งเน้นไปที่การปรับแต่งเพิ่มเติมการทำแผนที่
ของขั้นตอนวิธีการเช่นโดยการเปลี่ยน? การดำเนินงานจุด oating กับจุดคงพยายามที่อื่น ๆ (ราคาถูกกว่า) ฟังก์ชั่นยืนยันการใช้งาน (ดู EQ 8.) และแบบขนานต่อไปของเครือข่ายประสาท RBF นี้จะช่วยให้สำหรับ speedups เพิ่มเติมจำเป็นเมื่อค้นหาในฐานข้อมูลขนาดใหญ่ที่สามารถมีจำนวนมากของการระบุ? ใบหน้าสามารถ นอกจากนี้การรับรู้จะเพิ่มขึ้นโดยใช้กล้องหลายตัวที่มีมุมมองที่แตกต่างกัน

ผลลัพธ์ (ไทย) 3:

ใบหน้าเป็นโปรแกรมที่สำคัญสำหรับกล้องสมาร์ท อย่างไรก็ตาม จนถึงขณะนี้ การประมวลผลที่จำเป็นสำหรับการตรวจสอบเวลาจริง
, ห้ามการรวมกลุ่มของโปรแกรมทั้งหมดลงในขนาดเล็ก ประเภทของผู้บริโภค
กล้อง กระดาษนี้ พบว่า โดย :
1 การเลือกที่เหมาะสมของขั้นตอนวิธี ทั้งใบหน้าและตรวจจับ
5
2 ทางเลือกที่เพียงพอของสถาปัตยกรรมการประมวลผล
, สนับสนุนทั้ง simd ILP และชนิดของความขนาน ,
3 ปรับแต่งแผนที่ของขั้นตอนวิธีเพื่อสถาปัตยกรรมที่เลือก , การรวมนี้สามารถลุ้นรับ เราใช้ขั้นตอนวิธีการในขนาดเล็ก Smart กล้อง เป็นผลให้เราสามารถจดจำใบหน้า / N  gjms เมื่อเราค้นหา
คน มีอัตราการยอมรับโกหก % และอัตราความล้มเหลว q % เท่านั้น การวิจัยในอนาคตจะมุ่งเน้นไปที่การปรับแต่งแผนที่
เพิ่มเติมของอัลกอริทึม เช่นโดยการเปลี่ยนการ  oating จุด ด้วย  xed จุด พยายามอื่น ๆ ( ราคาถูก ) ฟังก์ชันกระตุ้น ( เห็นอีคิว 8 ) และ parallelization ไปเพิ่มเติมของ RBF เครือข่ายประสาท . นี้ควรให้ speedups เพิ่มเติมที่จำเป็นเมื่อการค้นหาในฐานข้อมูลขนาดใหญ่มากที่สามารถมีตัวเลขขนาดใหญ่ของ identi  ได้ใบหน้า นอกจากนี้การรับรู้จะถูกเพิ่มโดยการใช้กล้องหลายตัวด้วยมุมมองที่แตกต่างกัน