欢迎来到天天文库
浏览记录
ID:28067588
大小:17.66 KB
页数:4页
时间:2018-12-08
《基于卷积神经网络的人脸识别研究》由会员上传分享,免费在线阅读,更多相关内容在应用文档-天天文库。
1、为了确保“教学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。基于卷积神经网络的人脸识别研究 摘要:传统的人脸识别多采用浅层结构提取人脸特征,这类方法提取人脸图像能力有限,效果相对较差。针对上述缺陷,提出基于卷积神经网络的高效识别人脸方法。该方法所设计的模型,结合了VGGNet模型的层次结构优势并融合跨层次结构的上采样特征,大大提高了人脸识别的准确性及识别精度。该模型在Caffe下训练出样本集后在MATLAB上得到了验证。 关键词:人脸识别;卷积神
2、经网络;UbuntuCaffe;MATLAB DOIDOI:/ 中图分类号:TP301 文献标识码:A文章编号文章编号: Abstract:Traditionalfacerecognitionusesshallowstructuretoextractfacialmethodhaslimitedabilitytoextractfaceimages,andtheeffectisrelativelythedevelopmentofcognitivescienceandbrainscience,anefficientfacerecognitionmethodbase
3、donconvolutionalneuralnetworkisproposedmodelcombinesthehierarchicalstructureofVGGNetmodelandcombinesthesampledfeaturesacrosshierarchicalstructures,afterthemodelistrained为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常
4、使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。underCaffe,theresultisverifiedonmethodgreatlyimprovestheaccuracyoffacerecognitionandimprovestherecognitionaccuracy. KeyWords:facerecognition;convolutionalneuralnetwork;UbuntuCaffe;MATLAB 0引言 卷�e神经网络是近年发展起来的一种高效识别方法。20世
5、纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时,发现其独特的网络结构可以有效降低反馈神经网络的复杂性,继而提出了卷积神经网络。现在,CNN已成为众多科学领域的研究热点之一,特别是在模式分类领域,由于该网络避免了图像前期复杂的预处理,可直接输入原始图像,因而得到了广泛的应用[1]。在1980年首次提出了新识别机制,随后很多科研工作者对该网络进行了改进[23]。 1神经网络 浅层网络与深层网络为了充分发挥“教学点数字教育资源全覆盖”项目设备的作用,我们不仅把资源运用于课堂教学,还利用系统的特色栏目开展课外活动,对学生进行安全教育
6、、健康教育、反邪教教育等丰富学生的课余文化生活。为了确保“教学点数字教育资源全覆盖”项目设备正常使用,我校做到安装、教师培训同步进行。设备安装到位后,中心校组织各学点管理人员统一到县教师进修学校进行培训,熟悉系统的使用和维护。 浅层网络通常也叫做传统的神经网络。神经网络来源于尝试寻找生物系统信息处理的数字表示。这个模型被广泛使用,许多模型过分夸张地宣称其具有生物的可信性[4]。然而,从模式识别的应用角度来说,模仿生物的真实性会带来相当多的限制。因此,应着重研究作为统计模式识别的高效神经网络,即多层感知器[5]。 卷积神经网络 卷积神经网络本质上是一个多层神经网
7、络,但不同于传统的神经网络,每一层上都会有许多的二维平面,并且这些二维平面都含有独立的神经元,大致结构如图1所示[6]。 图1给定一副输入图像,C1层就是卷积神经网络中非常特殊的卷积层。可以看到输入图像经过C1层得到了3张特征映射图,这是因为在C1层上人为设定了3个不同的卷积核,每一张特征映射图都对应于卷积核中的权重[79]。S2层是卷积神经网中常见的下采样层,它通过一个固定窗口对特征图像进行聚合统计,实现特征图像分辨率的下采样。同理,C3层获取更抽象的特征图,S4层继续下采样降低学习难度。最终网络的最后一层或几层设计成全连接层,目的是为了提取更少、更好的特征
此文档下载收益归作者所有