基于深度学习的人脸美丽吸引力评价与分析
发布时间：2022-02-04 17:09
人脸美丽吸引力长期以来受到了来自社会科学和自然科学不同领域的关注和研究。心理学上的研究表明人脸吸引力表征与评价具有某种的数据驱动性与客观性,这为机器实现人脸吸引力的智能评价提供了可能性。近年来,随着机器学习尤其是深度学习的发展,人脸美丽吸引力受到了许多学者的关注,人脸吸引力评价系统也逐渐在辅助医疗美容、社交网站的个性化推荐和人脸美化系统等不同的场景中得到广泛应用。本课题将从不同的角度来研究人脸美丽吸引力评价的特征学习和预测模型,构建智能化人脸吸引力评价系统。具体来说,针对传统机器学习方法中特征工程与分类器分阶段优化的不足,人脸吸引力标准数据库评价范式单一,人脸吸引力评价方法缺乏相对审美机制、人脸属性信息的引导、以及个性化评价等因素的建模,本文基于深度学习方法,从构建人脸美丽数据库、人脸美丽评价算法以及个性化人脸美丽评价算法这几个方向进行展开研究,从而实现了让机器具有和人类一样的审美感知能力。本文的主要工作和创新点主要包括以下几个方面:（1）针对目前缺乏规模较大的、属性多样的人脸美丽数据库的难题,本文构建了一个多范式的人脸美丽吸引力数据库（SCUT-FBP5500数据库）。更大规模的数据...
【文章来源】：华南理工大学广东省211工程院校985工程院校教育部直属院校
【文章页数】：143 页
【学位级别】：博士
【部分图文】：
图２－１?ＬｅＮｅｔ－５网络结构［＿??——
；２）不需要对图??像做过多的预处理，以图像像素值就可以作为输入，避免了复杂的特征过程；３）?ＣＮＮ??特征对于图像的缩放、平移、旋转等畸变具有不变性，所以具有很强的泛化性能＾目前??的卷积神经网络中主要包含有卷积层、激活层、池化层、全连後层等基本单元接下来，??我们对这几个塞本单元分别进行详细的介绍。??（１）卷积层??杏彳??—０、、＇、＇、－、、??＿｜：二＿：与??■跋二???＾?°?＾?输入大小＝６ｘ６，??０?＞?１?卷碰大小＝３ｘ３，??步长＝３??图２－２二维卷积示意图??卷积层的功能是对输入数据进行提取特征，其内部包含有多个卷积核。每个卷积核??在工作时，会以一定步长扫过输入的特征图，在每一步扫描时卷积核对输入特征中的感??受野区域进行按元素相乘再求和，求和的值作为输出特征图中相对应的神经元。因此可??以说，输入特征图中不同空间位置的神经元共享同一个卷积核，并且输出特征图中每个??祌经元都与前一层中感受野区域内的多个神经元相连，这就是卷积层权值共享、局部连??接的特性。为了更直观地理解，图２－２中展示了当输入特征图大小６ｘ６，卷积核大小为??３?Ｘ?３，步长为３时的＾维卷积本意＿圓．》??由于现实中卷积核都是三维的，我们将二维卷积拓展到三维卷积。假设一个Ｈ维卷??积核的空间尺寸为／ｃｘ／ｃ，通道个数为Ｃ?（同时也代表输入特征的通道数），则该卷积核??在工作时，每一步扫描都会对输入特征的所有通道的／ｃ?ｘ?大小的感受野区域进行矩阵??元素乘法求和。也就是说，每一次卷积都会产生Ｃｘ／ｃｘ／ｃ次乘法操作》图２－３中展示了??１９??
?华南理工大学博士学位论文???最大池化是指将特征图根据池化区域大孝步长、填充等参数划分成着于个子ｇ域，??对每个子域取最大值作为输出。平均池化则是对每个子区域取平均值作为输出图２－??４分别展示了输入特征大小为６?Ｘ?６，池化区域３?Ｘ?３，步长为３的最大池化和平均池化。??平均池化??最大池化??＞＜??１，６?＾．１?ｚ??彳４１２?ｒｌｊ?全局平均池化??图２－４不同的池化方式示意图??全局〒均池化［１１６］则是指不再划分子区域，将整张特征图当成池化区域进行乎均池??化的操作，类似操作还有全ＪＩ最大池化。这种全局池化的做法可以保证固定的输出大小，??将特征图从任何空间大小降为１?ｘ?１。因此，全局池化一般放在模型中第一层全连接层的??前面，对特征图进行统一降维，从而可以对模型输入任何尺寸的图片，而不再需要改变??全连接层的神经元数量了（因为全连接层的输入神经元个数是固定的）。??根据以上的描述，总结出池化层具有以下的特点与优势：１）特征不变性，对输入特??征的平移和旋转具有不变性，更加关注具有某些特征而不是特征的位置；２）在空间尺度??上对特征进行下采样，减小了输出尺寸，从而减少了参数量和计算开销，使模型可以向??更深更宽的维度进行扩展；３）模型的参数量减少，将在一定程度上防止过拟合。??（４）全连接层??一般来说，卷积神经网络中的卷积层和池化层的作用是对输入图像进行特征提取，??而全连接层是对所提取的特征进行非线性组合从而达到预测的目的。■此，全连接层一??般作为卷积神经网络的最后部分。全连接层实际上相当于感知器中的隐含层、可通过公??式（２－５）进行表示：??２２??
【参考文献】：
博士论文
[1]人脸图像的自适应美化与渲染研究[D]. 梁凌宇.华南理工大学 2014
[2]人脸美丽吸引力的特征分析与机器学习[D]. 毛慧芸.华南理工大学 2011
硕士论文
[1]基于深度学习的人脸美丽吸引力预测[D]. 许杰.华南理工大学 2017
[2]人脸美丽的特征分析及其云系统设计[D]. 谢多睿.华南理工大学 2017
本文编号：3613602
【文章来源】：华南理工大学广东省211工程院校985工程院校教育部直属院校
【文章页数】：143 页
【学位级别】：博士
【部分图文】：
图２－１?ＬｅＮｅｔ－５网络结构［＿??——
；２）不需要对图??像做过多的预处理，以图像像素值就可以作为输入，避免了复杂的特征过程；３）?ＣＮＮ??特征对于图像的缩放、平移、旋转等畸变具有不变性，所以具有很强的泛化性能＾目前??的卷积神经网络中主要包含有卷积层、激活层、池化层、全连後层等基本单元接下来，??我们对这几个塞本单元分别进行详细的介绍。??（１）卷积层??杏彳??—０、、＇、＇、－、、??＿｜：二＿：与??■跋二???＾?°?＾?输入大小＝６ｘ６，??０?＞?１?卷碰大小＝３ｘ３，??步长＝３??图２－２二维卷积示意图??卷积层的功能是对输入数据进行提取特征，其内部包含有多个卷积核。每个卷积核??在工作时，会以一定步长扫过输入的特征图，在每一步扫描时卷积核对输入特征中的感??受野区域进行按元素相乘再求和，求和的值作为输出特征图中相对应的神经元。因此可??以说，输入特征图中不同空间位置的神经元共享同一个卷积核，并且输出特征图中每个??祌经元都与前一层中感受野区域内的多个神经元相连，这就是卷积层权值共享、局部连??接的特性。为了更直观地理解，图２－２中展示了当输入特征图大小６ｘ６，卷积核大小为??３?Ｘ?３，步长为３时的＾维卷积本意＿圓．》??由于现实中卷积核都是三维的，我们将二维卷积拓展到三维卷积。假设一个Ｈ维卷??积核的空间尺寸为／ｃｘ／ｃ，通道个数为Ｃ?（同时也代表输入特征的通道数），则该卷积核??在工作时，每一步扫描都会对输入特征的所有通道的／ｃ?ｘ?大小的感受野区域进行矩阵??元素乘法求和。也就是说，每一次卷积都会产生Ｃｘ／ｃｘ／ｃ次乘法操作》图２－３中展示了??１９??
?华南理工大学博士学位论文???最大池化是指将特征图根据池化区域大孝步长、填充等参数划分成着于个子ｇ域，??对每个子域取最大值作为输出。平均池化则是对每个子区域取平均值作为输出图２－??４分别展示了输入特征大小为６?Ｘ?６，池化区域３?Ｘ?３，步长为３的最大池化和平均池化。??平均池化??最大池化??＞＜??１，６?＾．１?ｚ??彳４１２?ｒｌｊ?全局平均池化??图２－４不同的池化方式示意图??全局〒均池化［１１６］则是指不再划分子区域，将整张特征图当成池化区域进行乎均池??化的操作，类似操作还有全ＪＩ最大池化。这种全局池化的做法可以保证固定的输出大小，??将特征图从任何空间大小降为１?ｘ?１。因此，全局池化一般放在模型中第一层全连接层的??前面，对特征图进行统一降维，从而可以对模型输入任何尺寸的图片，而不再需要改变??全连接层的神经元数量了（因为全连接层的输入神经元个数是固定的）。??根据以上的描述，总结出池化层具有以下的特点与优势：１）特征不变性，对输入特??征的平移和旋转具有不变性，更加关注具有某些特征而不是特征的位置；２）在空间尺度??上对特征进行下采样，减小了输出尺寸，从而减少了参数量和计算开销，使模型可以向??更深更宽的维度进行扩展；３）模型的参数量减少，将在一定程度上防止过拟合。??（４）全连接层??一般来说，卷积神经网络中的卷积层和池化层的作用是对输入图像进行特征提取，??而全连接层是对所提取的特征进行非线性组合从而达到预测的目的。■此，全连接层一??般作为卷积神经网络的最后部分。全连接层实际上相当于感知器中的隐含层、可通过公??式（２－５）进行表示：??２２??
【参考文献】：
博士论文
[1]人脸图像的自适应美化与渲染研究[D]. 梁凌宇.华南理工大学 2014
[2]人脸美丽吸引力的特征分析与机器学习[D]. 毛慧芸.华南理工大学 2011
硕士论文
[1]基于深度学习的人脸美丽吸引力预测[D]. 许杰.华南理工大学 2017
[2]人脸美丽的特征分析及其云系统设计[D]. 谢多睿.华南理工大学 2017
本文编号：3613602
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3613602.html
