人脸识别背后的数据清理问题研究.doc

人脸识别背后的数据清理问题研究.doc

ID:51128442

大小:69.50 KB

页数:13页

时间:2020-03-19

人脸识别背后的数据清理问题研究.doc_第1页
人脸识别背后的数据清理问题研究.doc_第2页
人脸识别背后的数据清理问题研究.doc_第3页
人脸识别背后的数据清理问题研究.doc_第4页
人脸识别背后的数据清理问题研究.doc_第5页
资源描述:

《人脸识别背后的数据清理问题研究.doc》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、人脸识别背后的数据清理问题研究夏洋洋龚勋洪西进西南交通大学信息科学与技术学院台湾科技大学资讯工程系摘要:人脸识别技术在深度卷积神经网络(deepconvolutionneuralnetworks,DCNN)的快速发展下取得了显著的成就。这些成果主要体现在更深层次的DCNN架构和更大的训练数据库。然而,由大多数私人公司持有的大型数据库(百万级)并不对外公开,即使当前部分开放的大型数据库,因为标注信息过少,无法保证精度,会影响DCNN的训练。本文提出了一种易于使用的多角度清理图像方法來提高数据的准确性:通过人脸检测算法清除掉无法检测到人脸的图像;在清理后的数据集上利用已有模型提取

2、图像特征,并计算相似度,进而统计出一类人脸图像中每一张图像与其他图像不相似的数目,根据改进参数清理数据。实验表明,清理后的数据库训练模型在LFW和YoutubeFace数据集上测试的精度得到了提升,使用较小规模数据集情况下,在IFW数据集上取得了99.17%的准确率,在YoutubeFace数据集也达到了93.53%的准确率。关键词:深度卷积神经网络;DCW;清理图像;人脸识别;大型数据库;作者简介:龚勋.E-m竝订:xgong@swjtu.edu.cn,男,1980年生,副教授,博士,主要研究方向为图像处理及模式识别、三维人脸建模、人脸图像分析及识别。获国家发明专利2项,发

3、表学术论文30余篇,出版专著1部。作者简介:夏洋洋,男,1990年生,硕士研究生,主要研究方向为深度学习、图像处理、人脸识别。作者简介:洪西进,男,1957年生,特聘教授,博士,主要研究方向为信息安全、生物辨识、云计算与大数据、智能图像处理。发明专利13项,发表SCT期刊学术论文80余篇,国际学术会议论文110余篇。收稿日期:2017-06-08基金:国家自然科学基金项目(61202191)ResearchonthedatacleansingproblemforfacerecognitiontechnologyXIAYangyangGONGXunHONGXijinSchool

4、ofInformationScienceandTechnology,SouthwestJiaotongUniversity;Abstract:Facerecognitiontechnologyhasmadeasignificantprogressintherapiddevelopmentofdeepconvolutionneuralnetworks(DCNN)•ThesedevelopmentsaremainlyfocusedtowardadenserDCNNarchitectureandlargertrainingdatabase.However,DCNNtrainingi

5、saffectedbecausethelarge-scaledatabaseheldbymostprivatecompaniesarenotpublicallyaccessible.Moreover,currentlarge一scaleopendatabasesarenotaccessiblebecauseofthesiightavailabilityofthelabeledinformatioiiandhard-to-guaranteeaccuracy.Thisstudypresentsaneasy-to-useimagecleansingmethodtoimproveth

6、eaccuracyofdatafromthefollowingperspectives:First,deletingthefaceimagethatcannotbedetectedbyfacedetectioii;second,usingtheexistingmodeltoextractthefeaturesofanimageonthecleaneddatasetandcalculatethesimilarity;andfinally,countingthenumberofimagesthatareunliketheotherimages.Thedatawerecleanse

7、daccordingtotheimprovedparametersextractedfromtheabovementionedperspectives.TheexperimentalresultsrevealthatthecleanseddatabasetrainingmodelhasimprovedtheaccuracyoffacerecognitioninLEW(labeledfacesinthewi1d)andYouTubefacedatabase.Inthecaseofusingasmall-s

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。