人工智能：人物图片识别

《人工智能：人物图片识别》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、NANCHANGUNIVERSITY课程实验报告（2016年）课程人工智能学院：信息工程系计算机专业班级：网络工程131班目录摘要3Abstract3第一章引言41.1背景4第二章相关背景知识42.1神经网络42.2深度学习52.3度量学习6第三章人物图片识别与相似度比较63.1问题描述63.2可行性研究73.3卷积神经网络与softmax回归73.4Mahalanobis度量层7第四章实验内容74.1实验平台选取74.2数据集选择84.3数据集预处理84.4实验过程及结果9第五章总结11摘要信息技术的飞速发展使得人工智能的应用范围变得越

2、来越广，而人物图片识别作为其中的一个重要方面，一直是人工智能研究的重要方向。人物识别是人类的一项基本智能，随着近几年深度学习的兴起，人物图片识别能力有了巨大的进步。它与人工智能其他方面也有着不可分割的关系，并被应用在生活中的许多邻域。本文的目的在于通过应用人工智能中的深度学习和度量学习，对人物图片识别和人物图片相似度问题给出一个较好的解决方案。关键词：人物图片识别；深度学习；度量学习AbstractWiththerapiddevelopmentofinformationtechnology,theapplicationofartifici

3、alintelligencebecomesmoreandmorewidely,andtherecognitionofcharacterimageasanimportantaspectofithasbeenanimportantdirectionofartificialintelligenceresearch.Characterrecognitionisabasichumanintelligence,withtheriseofdepthlearninginrecentyears,theabilitytoidentifyimageshasma

4、degreatprogress.Italsohasaninseparablerelationshipwithotheraspectsofartificialintelligence,andhasbeenappliedinmanyneighborhoodsoflife.Thepurposeofthispaperistoapplythedepthlearningandmetriclearninginartificialintelligencetogiveabettersolutiontothecharacterimagerecognition

5、andthesimilarityofthefigureimage.Keyword:personimageidentification;deeplearning;metriclearning第一章引言1.1背景当计算机出现后，人类开始真正有了一个可以模拟人类思维的工具，在以后的岁月中，无数科学家为这个目标努力着。随着生物科学以及计算机科学多学科交叉领域的发展，近年来，人工智能发展十分迅速，已经成为计算机科学方面十分火热的研究领域，而其中，人工智能在机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定

6、理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等方面的应用发展迅猛。本学期开设的人工智能课程正是为今后的学习与工作打下基础。我们选择了关于计算机视觉方面的项目进行操作。第二章相关背景知识2.1神经网络有一种假说：“智能来源于单一的算法(OneLearningAlgorithm)”。如果这一假说成立，那么利用单一的算法(神经网络)处理世界上千变万化的问题就成为可能。我们不必对万事万物进行编程，只需采用以不变应万变的策略即可。有越来越多的证据证明这种假说，例如人类大脑发育初期，每一部分的职责分工是不确定的，也就是说，

7、人脑中负责处理声音的部分其实也可以处理视觉影像。模拟大脑的人工神经网络ANN是由许多叫做人工神经细胞（Artificialneuron，也称人工神经原，或人工神经元）的细小结构模块组成。人工神经细胞就像真实神经细胞的一个简化版，但采用了电子方式来模拟实现。一个人工神经网络中需要使用多少个数的人工神经细胞，差别可以非常大。有的神经网络只需要使用10个以内的人工神经细胞，而有的神经网络可能需要使用几千个人工神经细胞。这完全取决于这些人工神经网络准备实际用来做什么。图2-1-1人工神经网络示意图如上图所示，左边几个灰底圆中所标字母w代表浮点数，

8、称为权重（weight，或权值，权数）。进入人工神经细胞的每一个input(输入)都与一个权重w相联系，正是这些权重将决定神经网络的整体活跃性。因为权重可正可负，故能对与它关联的输入施加不同的