Д.Ю. Романюта1, А.В. Коваленко2, А.В. Овсянникова3

1,2 Кубанский государственный университет (г. Краснодар, Россия)
3 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 dm.romanyuta@yandex.ru, 2 savanna-05@mail.ru, 3anna_ovsyannikov@bk.ru

Постановка проблемы. При разработке нейросетевых моделей для распознавания лиц актуальна проблема, связанная со скоростью обучения. Необходимо, чтобы модель могла обучаться с использованием параллельных методов при любых архитектурах.

Цель. Повысить эффективность разработки нейросетевых моделей для распознавания лиц, используя существующие методы параллельного обучения.

Результаты. Рассмотрены различные подходы к параллельной реализации обучения модели Arcface, включая распределенное обучение, многопоточные вычисления и использование графических процессоров. Представлен анализ эффективности различных подходов и проведено обучение модели Arcface параллельными методами.

Практическая значимость. Рассмотренный метод параллельного обучения нейросетевой модели ускоряет процесс обучения, что позволяет реализовывать более сложные архитектуры, например, архитектуру Arcface для распознавания лиц.

Романюта Д.Ю., Коваленко А.В., Овсянникова А.В. Реализация обучения модели Arcface с использованием параллель­ных методов // Нелинейный мир. 2024. Т. 22. № 4. С. 80–85. DOI: https://doi.org/10.18127/j20700970-202404-10

1. Кабышев О.А., Маслаков М.П., Кабышев А.М. Программная реализация алгоритма обучения нейронной сети // Инженерный вестник Дона. 2021. № 3. URL: ivdon.ru/ru/magazine/archive/n3y2021/6850/.
2. Arum R.K., Solayappan V. A., Sree S.S. Masked Deep Face Recognition using ArcFace and Ensemble Learning. Conference on Biomedical Engineering and Sciences. IEEE. 2021. URL: ieeexplore.ieee.org/document/9768777, Date accessed 20.05.2024.
3. ArcFace Knows the Gender, Too!. URL: arxiv.org/abs/2112.10101, Date accessed 22.05.2024.
4. Diffusion-Convolutional Neural Networks. URL: arxiv.org/abs/1511.02136, Date accessed 23.05.2024.
5. ArcFace: Additive Angular Margin Loss for Deep Face Recognition. URL: arxiv.org/abs/1801.07698, Date accessed 24.05.2024.
6. CosFace: Large Margin Cosine Loss for Deep Face Recognition. URL: arxiv.org/abs/1801.09414, Date accessed 24.05.2024.
7. SphereFace: Deep Hypersphere Embedding for Face Recognition. URL: arxiv.org/abs/1704.08063, Date accessed 25.05.2024.
8. A novel method for iris recognition using BP neural network and parallel computing by the aid of GPUs. URL: arxiv.org/pdf/2309.033901, Date accessed 26.05.2024.
9. Face Recognition-Based Mass Attendance Using YOLOv5 and ArcFace. URL: researchgate.net/publication/371480244_Face_ Recognition-Based_Mass_Attendance _Using_YOLOv5_and_ArcFace, Date accessed 27.05.2024.
10. Smart home Management System with Face Recognition Based on ArcFace Model in Deep Convolutional Neural Network, URL: researchgate.net/publication/365362063_Smart_home_Management_System_with_Face_Recognition_based_on_ArcFace_model_ in_Deep_Convolutional_Neural_Network, Date accessed 28.05.2024.
11. Романюта Д.Ю., Лукащик Е.П. Нейросетевая система биометрической идентификации личности по сетчатке глаза // Прикладная математика: современные проблемы математики, информатики и моделирования. Краснодар: ФГБУ «Российское энергетическое агентство» Минэнерго России Краснодарский ЦНТИ – филиал ФГБУ «РЭА» Минэнерго России. 2022.
12. Коваленко А.В. Нейронная сеть и нечеткие множества, как инструмент оценки кредитоспособности заемщика // Материалы VI объединенной научной конференции студентов и аспирантов факультета прикладной математики. Краснодар. 2006. С. 56–58.
13. Романюта Д.Ю., Коваленко А.В., Калайдина Г.В. Сравнение диффузионных сверточных сетей в решение задачи распознавания лиц // Прикладная математика: современные проблемы математики, информатики и моделирования. Краснодар. 2024.