用于人脸验证的余弦损失算法研究

发布时间：2024-11-02 16:16

　　人脸验证作为一种非受控、易获取的生物特征识别技术,是最常见的计算机视觉任务之一,已广泛用于视频监控、公共安全、在线支付和图像搜索等领域。传统的人脸验证算法仅提取人脸的浅层特征,对于复杂的非线性脸部表情变化,其缺乏良好的鲁棒性,无法提取稳定的人脸特征,来抵抗无约束环境下的脸部变化。得益于深度神经网络技术的迅速发展和大型人脸数据集的广泛使用,基于深度学习模型进行人脸验证的验证准确率远高于传统方法和人类目测水平。在深度学习模型性能如此优异的今天,如何能再进一步提高人脸验证模型精度性能,是当今计算机视觉学术界和工业界的研究热点和难点。损失函数是深层卷积神经网络的中枢,对整个网络的梯度优化有着导向性的作用,论文将深入研究损失函数的作用机理,并对当前的主流损失函数进行改进,使其更适合人脸验证任务的学习和训练。论文的主要工作有:(1)AM-Softmax损失函数在类间保持不变的决策边界,这意味着其对所有特征进行相同程度的惩罚,对于类内特征和类间特征,无法进行针对性判别学习。针对这个问题,提出一种聚合判别多任务学习算法,将从卷积神经网络提取的特征向量分解为两个分量,通过采用聚合类内特征任务和判别类间身份...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究意义
    1.2 主要困难
    1.3 研究历史和现状
        1.3.1 人脸验证的研究历史和现状
        1.3.2 深度学习的研究历史和现状
    1.4 论文结构安排
第2章 深度学习基础理论
    2.1 人工神经网络
        2.1.1 感知机
        2.1.2 前馈神经网络
        2.1.3 误差反向传播
    2.2 卷积神经网络
        2.2.1 卷积层
        2.2.2 激活函数
        2.2.3 池化层
        2.2.4 全连接层
        2.2.5 过拟合的处理
    2.3 本章小结
第3章 人脸验证系统
    3.1 图像获取与去重
    3.2 人脸检测与对齐
    3.3 数据增强
    3.4 人脸验证
    3.5 本章小结
第4章 基于多任务学习的人脸验证算法
    4.1 基本原理
        4.1.1 Softmax损失
        4.1.2 A-Softmax损失
        4.1.3 AM-Softmax损失
    4.2 聚合判别多任务学习
    4.3 实验结果与分析
        4.3.1 实验设置
        4.3.2 消融实验
        4.3.3 与现有方法对比实验
    4.4 本章小结
第5章 基于改进网络结构和余弦损失的人脸验证算法
    5.1 基本原理
        5.1.1 Alex Net
        5.1.2 VGGNet
        5.1.3 Inception Net
        5.1.4 Res Net
    5.2 改进的Res Net
    5.3 改进的余弦损失函数
    5.4 实验结果与分析
        5.4.1 实验设置
        5.4.2 消融实验
        5.4.3 与现有方法对比实验
    5.5 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
附录A 个人简历
附录B 硕士期间发表的学术论文
附录C 论文中的用图
附录D 论文中的用表



本文编号：4009784