การพัฒนาแบบจำลองรู้จำใบหน้าแมวด้วยการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
ปัจจุบันจำนวนสัตว์เลี้ยงในประเทศไทยมีจำนวนสูงมากขึ้นในทุกปี ปัญหาที่เกิดขึ้นกับการเลี้ยงสัตว์คือการที่สัตว์เลี้ยงสูญหายหรือพลัดหลง แมวเป็นหนึ่งในสัตว์เลี้ยงที่มีความนิยม มีอัตราพลัดหลงแล้วกลับมาเพียงร้อยละ 64 นอกจากนั้นอัตราของการเสียชีวิตระหว่างสูญหายของแมวยังสูงกว่าสุนัขถึง 2 เท่า การระบุตัวตนแมวสามารถช่วยทำให้ระบุตำแหน่ง หรือให้ข้อมูลเกี่ยวกับแมวที่พลัดหลงได้ โดยวิธีการระบุตัวตนแมวแบบเดิม เช่น การสักหู การฝังชิป มีข้อจำกัดหลายประการ ไม่ว่าจะเป็นความรุนแรงต่อสัตว์ ความเสี่ยงต่อการติดเชื้อ หรือโอกาสที่อุปกรณ์จะสูญหาย บทความนี้นำเสนอวิธีการระบุตัวตนของแมวด้วย ซึ่งเป็นวิธีการไม่รุนแรงและมีต้นทุนต่ำ โดยเป็นการประยุกต์ใช้วิธีจากการระบุตัวตนด้วยใบหน้าของมนุษย์ โดยได้นำเสนอวิธีการรู้จำใบหน้าแมวโดยประกอบไปด้วย 3 ขั้นตอน 1) ขั้นตอนการตรวจจับใบหน้าแมวในภาพ ซึ่งสามารถตรวจจับใบหน้าและตำแหน่งของ หู ตา และจมูกของแมวได้ 2) ขั้นตอนตรวจสอบใบหน้า เพื่อเรียนรู้คุณลักษณะจากภาพใบหน้าคู่เหมือนของแมวตัวเดียวกันและคู่ต่างของแมวคนละตัว 3) ขั้นตอนการระบุตัวตน เป็นกระบวนการที่จะนำคุณลักษณะที่สกัดได้จากใบหน้าแมวมาใช้เพื่อจัดเรียงหรือเปรียบเทียบข้อมูลชุดอื่น ๆ โดยใช้วิธีการ K-NN เพื่อหาจำนวนใบหน้าคล้ายคลึงและระบุว่าเป็นแมวตัวใดในฐานข้อมูล ผลการทดลองพบว่า แบบจำลองสำหรับการตรวจจับใบหน้าที่พัฒนาขึ้น มีค่า mAP เท่ากับ 0.995 โดยขั้นตอนการระบุตัวตน 5 อันดับแรก โดยมีความแม่นยำอยู่ที่ 89%
Article Details
เอกสารอ้างอิง
ณัฐโชติ พรหมฤทธิ์, & สัจจาภรณ์ ไวจรรยา. (2564). Fundamental of deep learning in practice. Hytexts Interactive Limited.
ปริญญา สงวนสัตย์. (2562). Artificial intelligence with machine learning, AI สร้างได้ด้วยแมชชีนเลิร์นนิ่ง. Infopress.
Chen, Y. C., Hidayati, S. C., Cheng, W. H., Hu, M. C., & Hua, K. L. (2016). Locality constrained sparse representation for cat recognition. In MultiMedia Modeling (pp. 140-151).
Ethem, A. (2010). Introduction to machine learning second edition. The MIT Press Cambridge.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
Hermans, A., Beyer, L., & Leibe, B. (2017). In defense of the triplet loss for person re-identification. arXiv preprint arXiv:1703.07737.
Kantar Worldpanel. (2022, December 5). Thailand pet food market trends. https://www.kantarworldpanel.com/th/news/2022-Thailand-Pet-Food-Market-Trends
Klein, A. (2019). Pet cat face verification and identification. Stanford University, CS230 Fall 2019.
Kumar, S., & Singh, S. K. (2018). Monitoring of pet animal in smart cities using animal biometrics. Indian Institute of Technology.
Kumar, S., & Singh, S. (2014). Biometric recognition for pet animal. Journal of Software Engineering and Applications, 7, 470-482.
Lai, K., Tu, X., & Yanushkevich, S. (2019). Dog identification using soft biometrics and neural networks. In International Joint Conference on Neural Networks (IJCNN) (pp. 1-8).
Lin, T. Y., & Kuo, Y. F. (2018). Cat face recognition using deep learning. ASABE Annual International Meeting.
Liu, J., Kanazawa, A., Jacobs, D., & Belhumeur, P. (2012). Dog breed classification using part localization. In Computer Vision – ECCV 2012 (pp. 172-185).
Montenegro, L., Abreu, M., Fred, A., & Machado, J. M. (2022). Human-assisted vs. deep learning feature extraction: An evaluation of ECG features extraction methods for arrhythmia classification using machine learning. Applied Sciences.
Moreira, T. P., Perea, M. L., Werneck, R. O., & Valle, E. (2017). Where is my puppy? Retrieving lost dogs by facial features. Multimedia Tools and Applications, 76, 15325-15340.
Mougeot, G., Li, D., & Jia, S. (2019). A deep learning approach for dog face verification and recognition. In PRICAI 2019: Trends in Artificial Intelligence (pp. 418-430).
Qi, D., Tan, W., Yao, Q., & Liu, J. (2022). YOLO5Face: Why reinventing a face detector. arXiv preprint arXiv:2105.12931. Retrieved from https://arxiv.org/abs/2105.12931
Redmon, J., Divvala, S. K., Girshick, R. B., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. arXiv preprint arXiv:1506.02640. Retrieved from https://arxiv.org/abs/1506.02640
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39, 1137-1149. https://doi.org/10.1109/TPAMI.2016.2577031
Ruan, Z., Wang, G., Xue, J., Lin, X., & Jiang, Y. (2014). Detection of user-registered dog faces. Neurocomputing, 142, 256-266.
Yoon, B., So, H., & Rhee, J. (2021). A methodology for utilizing vector space to improve the performance of a dog face identification model. Applied Sciences, 11, 2074.
Zhang, X., Yu, F. X., Kumar, S., & Chang, S. F. (2017). Learning spread-out local feature descriptors. In IEEE International Conference on Computer Vision (ICCV) (pp. 4605-4613).
