07/25

排程更動：F68環境與package有問題，因此先做人臉辨識，目前F68與人臉辨識兩個專案都有進度。

F68 (暫緩)

1. 目前deblur frame辨識的結果沒有變好，因此正在觀察有哪些原始沒被偵測到的frame在deblur後的detection inference有框框出現。
   1. 降低confidence的參數?
2. 從1. 的結果中比較frame的前後差異以解釋1.的現象

人臉辨識

1. 資料儲存在哪（List? Dictionary?），以及是否有dataframe以用圖表紀錄與分析
2. 存放每張被inference的frame，以同步化原始video與deblur frame的inference，並利用左上角的資訊比對deblur的效果。
3. 由於每張frame的inference時間接近一秒，因此嘗試縮小frame size（crop）以測試inference time是否能縮短

總結

• 人臉辨識由Jay調整1、2的設定後，由我做後續的dataframe紀錄、圖表分析，與同步化影片並比對原始video與deblur video的數值
• 由我負責人臉辨識第三點，在不破壞frame畫質的情況下測試
• F68目前排程暫時延後到這週人臉辨識的目標之後

08/02

F68

• 目前能抓出辨識分數，而我預計從原始video與deblur video裡取這些分數的數量並比較，如果deblur video的辨識分數數量有比較多，就能證明deblur能提升辨識效能

人臉辨識

• 針對inference結果做統計，統計出來的結論指向deblur確實能提模型在辨識時的判斷
  • 整體模糊度的分析
  • 偵測到臉（detection）與認出人（recognition）的frame在原始影像與deblur影像的區別
  • 信心分數比較
• 定義裁切的區塊：在後續將人臉辨識整合到其他專案，並把辨識不出的臉以bounding box裁切的方式並導入做及時deblur?
• Deblur如何使用在real-time場景
• 影像在低fps做還原時會出現扭曲，可以利用這個部分的結構化資料查看扭曲影像與原圖的差別

總結

• 繼續進行由扭曲影像組成的video的分析

• 實習時程規劃

  08/02 ~ 08/05	測試人臉辨識扭曲的video的inference效果並量化
  	製作部門分享投影片報告投影片
  	當週五分享去模糊化整體如何優化應用在人臉辨識上的detection model
  08/08 ~ 08/12	F68檢查deblur是否有優化detection model
  	整理source code與紀錄技術筆記
  	研究人臉辨識（08/05）分享的問題
  	當週五分享F68去模糊化的後的效果與整體實習去模糊化開發的Q&A