ANALISIS MODEL CNN GHOSTFACENET, MOBILEFACENET DAN MOBILENETV3 MENGGUNAKAN ARCFACE LOSS PADA PENGENALAN WAJAH

Wahyu Setiawan, - (2024) ANALISIS MODEL CNN GHOSTFACENET, MOBILEFACENET DAN MOBILENETV3 MENGGUNAKAN ARCFACE LOSS PADA PENGENALAN WAJAH. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_RPL_1909282_Title.pdf Download (312kB)
	Text S_RPL_1909282_Chapter1.pdf Download (148kB)
	Text S_RPL_1909282_Chapter2.pdf Restricted to Staf Perpustakaan Download (3MB)
	Text S_RPL_1909282_Chapter3.pdf Download (432kB)
	Text S_RPL_1909282_Chapter4.pdf Restricted to Staf Perpustakaan Download (8MB)
	Text S_RPL_1909282_Chapter5.pdf Download (137kB)

Abstract

Teknologi pengenalan wajah (face recognition) menjadi salah satu area riset dalam bidang visi komputer. Teknologi pengenalan wajah telah digunakan secara luas pada perangkat smarphone yang diterapkan di aplikasi tertanam seperti pengenalan keamanan, pengenalan identitas, verifikasi pembayaran dan lain-lain. Namun, sumber daya komputasi yang terbatas pada perangkat smartphone mengakibatkan model pengenalan wajah tidak hanya memiliki tingkat akurasi yang tinggi, melainkan memiliki ukuran yang kecil dan kinerja yang cepat. Saat ini, Convolutional Neural Network (CNN) menjadi standar sistem pengenalan wajah dikarenakan peningkatan akurasi yang signifikan dari metode lainnya. Penelitian ini akan membandingkan kinerja model CNN GhostFaceNet, MobileFaceNet dan MobileNetV3 yang dilatih dengan fungsi ArcFace dan Sub-center ArcFace. Pelatihan model menggunakan dataset CASIA-WebFace dan dievaluasi menggunakan dataset LFW, CFP-FP dan AgeDB-30. Kemudian, model tersebut akan dievaluasi tingkat kompleksitas dengan metrik FLOPs dan diukur kecepatan prediksi pada perangkat android. Hasil penelitian menunjukkan bahwa MobileFaceNet memiliki performa terbaik pada tingkat akurasi diikuti MobileNetV3 dan GhostFaceNet. Fungsi loss Sub-center ArcFace K = 3 ↓ 1 yang merupakan pelatihan lanjutan dari fungsi loss Sub-center ArcFace K = 3 menghasilkan tingkat akurasi terbaik pada semua model yang dilatih bahkan meningkatkan tingkat akurasi sebesar 0.07% pada dataset AgeDB-30 dari penelitian sebelumnya. Selain itu, MobileNetV3 menunjukkan kecepatan terbaik dibandingkan GhostFaceNet dan MobileFaceNet menjadi pilihan yang lebih cepat untuk perangkat mobile. ----------- The field of computer vision has seen significant research advancements in facial recognition technology. Widely deployed on smartphones, this technology finds applications in embedded systems such as security, identity verification, and payment authentication. However, the limited computing resources on smartphones pose a challenge to facial recognition models, necessitating not only high accuracy but also compact size and swift performance. Currently, Convolutional Neural Network (CNN) stands as the standard in facial recognition systems due to its substantial improvement in accuracy compared to other methods. This research aims to compare the performance of CNN models, namely GhostFaceNet, MobileFaceNet, and MobileNetV3, trained with ArcFace and Sub-center ArcFace functions. The models are trained using the CASIA-WebFace dataset and evaluated with the LFW, CFP-FP, and AgeDB-30 datasets. Additionally, the complexity of the models is assessed using FLOPs metrics, and prediction speed is measured on Android devices. The results reveal that MobileFaceNet exhibits the best performance in terms of accuracy, followed by MobileNetV3 and GhostFaceNet. The Sub-center ArcFace loss function with K = 3 ↓ 1, an advanced training from Sub-center ArcFace loss function with K = 3 yields the highest accuracy across all trained models, even improving accuracy by 0.07% on the AgeDB-30 dataset compared to previous research. Furthermore, MobileNetV3 demonstrates superior speed compared to GhostFaceNet and MobileFaceNet, making it a faster choice for mobile devices.

Item Type:	Thesis (S1)
Uncontrolled Keywords:	: Pengenalan Wajah; Convolutional Neural Network; ArcFace Loss; Smartphone; Model Ringan;,
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak
Depositing User:	Wahyu Setiawan
Date Deposited:	06 Mar 2024 03:09
Last Modified:	06 Mar 2024 03:09
URI:	http://repository.upi.edu/id/eprint/115971

Actions (login required)

View Item