轻量化的人脸识别DCNN研究
发布时间：2022-02-13 22:14
目前很多人脸识别系统采用了深度卷积神经网络（Deep convolution neural network,DCNN）技术。在LFW数据集上测试,这些系统的平均准确率都达到了99%以上。但是现在实用的人脸识别产品或服务还不多,原因是多方面的,一个主要原因就是在LFW数据集上评测的DCNN模型庞大、要求大量的计算资源,而移动和嵌入式设备难以承担。针对此问题,本文主要就设计轻量级的人脸识别DCNN进行了研究。主要工作如下:在网络结构设计方面,本文采用深度可分卷积代替标准卷积,全局平均池化层代替全连接层,使得网络模型的参数数量和计算量大大减少,模型的尺寸也相应减小。针对softmax分类器在实际应用中不灵活的问题,提出DCNN直接学习原始图片到欧氏距离空间的映射的思想,用欧式空间的距离度量人脸之间的相似度。为了提高网络的训练速度,比较了多种激活函数和优化算法的性能,发现使用ELU激活函数和Adam优化算法能有效加快训练速度。为配合小批量训练网络的方式,每批次训练都随机划分minibatch。网络中还使用了batch normalization加快网络训练速度和避免过拟合。为了进一步减小模型尺...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
深度学习模型的示意图
输入图像提取一个相同的特征。这其中隐含的原理是，自然图像有，图像一部分的统计特性与其他部分是一样的。这个权值共享的操将一个卷积核(滤波器)在图像上做卷积的过程，这个卷积核就是去种特征。不同的卷积核提取不同的特征。 卷积层积层（ Convolutional layer），是由多个卷积核构成的，不同的卷同的特征，增加卷积核的数目，有利于增强网络的特征提取能力。积神经网络都含有多层卷积层，浅层的卷积层提取简单特征如边缘而深层的卷积层提取轮廓等高级特征。现有的卷积神经网络层次都被称为深度卷积神经网络(DCNN)。积操作如图 2-4 所示。Stride 表示卷积核在原图片中水平方向和次的步进长度，这里 stride=2，每次在水平方向和垂直方向步进长4 中等式右侧的网格图中的 91 是通过如下计算方式得到。2 × 3 + 3 × 4+7 × 4+6 × 1+6 × 0+9 × 2+3 × ( -1) +4 × 0+8 × 3=91
图 2-5 卷积层工作方式Fig 2-5 Working method ofconvolution layer2.1.6 池化层池化层是 CNN 中的另一个重要的概念，它实际上是一种向下采样的操作。它的操作是把输入区域划分成若干个矩形子区域，对于每一个子区域都会输出一个采样值，用采样值来表示这个子区域。直觉上，这种机制能够有效地原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置的关系重要。经过卷积层得到输入图像的特征后，虽然能够直接利用特征来处理分类任务，然而这种做法会出现极大的运算量，并且容易出现过拟合的情况。在卷积层之后接入池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。通常来说，CNN 的卷积层之间都会周期性地插入池化层。在池化层的采样操作通常有以下两种方法：max pooling(最大池化)：输出池化窗口内的最大值。如图 2-6 所示。
【参考文献】：
期刊论文
[1]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[2]基于马氏距离的一维距离像识别算法仿真[J]. 黄飞,周军,卢晓东. 计算机仿真. 2010(03)
[3]通过哈夫曼编码实现文件的压缩与解压[J]. 王防修,周康. 武汉工业学院学报. 2008(04)
[4]基于聚类分析的K-means算法研究及应用[J]. 张建萍,刘希玉. 计算机应用研究. 2007(05)
[5]基于局部特征分析的人脸识别方法[J]. 焦峰,山世光,崔国勤,高文,李锦涛. 计算机辅助设计与图形学学报. 2003(01)
[6]隐马尔可夫模型的原理与实现[J]. 刘河生,高小榕,杨福生. 国外医学.生物医学工程分册. 2002(06)
[7]支持向量机[J]. 张浩然,韩正之,李昌刚. 计算机科学. 2002(12)
[8]数据挖掘中决策树算法的探讨[J]. 唐华松,姚耀文. 计算机应用研究. 2001(08)
[9]实用人脸识别系统的本征脸法实现[J]. 陈刚,戚飞虎. 计算机研究与发展. 2001(02)
本文编号：3624017
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
深度学习模型的示意图
输入图像提取一个相同的特征。这其中隐含的原理是，自然图像有，图像一部分的统计特性与其他部分是一样的。这个权值共享的操将一个卷积核(滤波器)在图像上做卷积的过程，这个卷积核就是去种特征。不同的卷积核提取不同的特征。 卷积层积层（ Convolutional layer），是由多个卷积核构成的，不同的卷同的特征，增加卷积核的数目，有利于增强网络的特征提取能力。积神经网络都含有多层卷积层，浅层的卷积层提取简单特征如边缘而深层的卷积层提取轮廓等高级特征。现有的卷积神经网络层次都被称为深度卷积神经网络(DCNN)。积操作如图 2-4 所示。Stride 表示卷积核在原图片中水平方向和次的步进长度，这里 stride=2，每次在水平方向和垂直方向步进长4 中等式右侧的网格图中的 91 是通过如下计算方式得到。2 × 3 + 3 × 4+7 × 4+6 × 1+6 × 0+9 × 2+3 × ( -1) +4 × 0+8 × 3=91
图 2-5 卷积层工作方式Fig 2-5 Working method ofconvolution layer2.1.6 池化层池化层是 CNN 中的另一个重要的概念，它实际上是一种向下采样的操作。它的操作是把输入区域划分成若干个矩形子区域，对于每一个子区域都会输出一个采样值，用采样值来表示这个子区域。直觉上，这种机制能够有效地原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置的关系重要。经过卷积层得到输入图像的特征后，虽然能够直接利用特征来处理分类任务，然而这种做法会出现极大的运算量，并且容易出现过拟合的情况。在卷积层之后接入池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。通常来说，CNN 的卷积层之间都会周期性地插入池化层。在池化层的采样操作通常有以下两种方法：max pooling(最大池化)：输出池化窗口内的最大值。如图 2-6 所示。
【参考文献】：
期刊论文
[1]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[2]基于马氏距离的一维距离像识别算法仿真[J]. 黄飞,周军,卢晓东. 计算机仿真. 2010(03)
[3]通过哈夫曼编码实现文件的压缩与解压[J]. 王防修,周康. 武汉工业学院学报. 2008(04)
[4]基于聚类分析的K-means算法研究及应用[J]. 张建萍,刘希玉. 计算机应用研究. 2007(05)
[5]基于局部特征分析的人脸识别方法[J]. 焦峰,山世光,崔国勤,高文,李锦涛. 计算机辅助设计与图形学学报. 2003(01)
[6]隐马尔可夫模型的原理与实现[J]. 刘河生,高小榕,杨福生. 国外医学.生物医学工程分册. 2002(06)
[7]支持向量机[J]. 张浩然,韩正之,李昌刚. 计算机科学. 2002(12)
[8]数据挖掘中决策树算法的探讨[J]. 唐华松,姚耀文. 计算机应用研究. 2001(08)
[9]实用人脸识别系统的本征脸法实现[J]. 陈刚,戚飞虎. 计算机研究与发展. 2001(02)
本文编号：3624017
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3624017.html
