Pengenalan Wajah Resolusi Rendah Menggunakan Arsitektur Lightweight VarGFaceNet dengan Adaptive Margin Loss

Abstract

Pengenalan wajah merupakan solusi keamanan modern yang cepat dan mudah di integrasikan pada kebanyakan device yang ada saat ini, sehingga sistem ini banyak diterapkan pada beberapa domain sebagai salah satu otorisasi keamanan. Pengembangan model pengenalan wajah menggunakan arsitektur mainstream (AlexNet, VGGNet, GoogleNet, ResNet, dan SENet) dapat menyebabkan model pengenalan wajah sulit diimplementasikan pada perangkat mobile dan embedded system. Selain itu input dengan resolusi yang rendah seperti pada footage kamera pengawas CCTV ataupun drone menyebabkan model kesulitan untuk mengenali wajah yang di input-kan karena gambar tidak punya cukup petunjuk untuk dikenali. Oleh karena itu penelitian ini akan menganalisis performa model pengenalan wajah yang dikembangkan dengan arsitektur lightweight VarGFaceNet dengan fungsi adaptive margin loss AdaFace pada dataset gambar resolusi rendah. Berdasarkan hasil evaluasi pada dataset LFW, didapatkan akurasi sebesar 99.08% pada data resolusi tinggi (112x112 piksel), sedangkan pada data resolusi rendah sintetis dengan resolusi terendah (14x14 piksel) didapatkan akurasi sebesar 79.87% dengan batuan model super resolution Real-ESRGAN dan GFP-GAN. Pada dataset TinyFace, tanpa melakukan fine tune, didapatkan akurasi Rank-1 sebesar 46.08% tanpa menggunakan model super resolution dan 45.03% dengan menggunakan model super resolution.

Keywords

• lightweight cnn
• pengenalan wajah
• resolusi rendah
• super resolusi