卷积神经网络级联

卷积神经网络级联

ID:82687737

大小:1.56 MB

页数:14页

时间:2023-06-14

上传者:胜利的果实
卷积神经网络级联_第1页
卷积神经网络级联_第2页
卷积神经网络级联_第3页
卷积神经网络级联_第4页
卷积神经网络级联_第5页
卷积神经网络级联_第6页
卷积神经网络级联_第7页
卷积神经网络级联_第8页
卷积神经网络级联_第9页
卷积神经网络级联_第10页
资源描述:

《卷积神经网络级联》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

卷积神经网络级联的人脸测试来源CVPR2015paper AConvolutionalNeuralNetworkCascadeforFaceDetection HaoxiangLi,ZheLin,XiaohuiShen,JonathanBrandt,GangHua组员:刘波、金壮、陈楠、松寨1.

1一、介绍CNN二、如何实现基于CNN来检测人脸 三、最终结果展示2.

2一、介绍CNN1.1CNN的原理1-13.

34.

41.2CNN的模型(1)卷积 能够将一个很多权值参数的图像经过卷积核之后变为一个权值参数很少的图像。如图1-1所示,在5×5的图像和3×3的卷积核作卷积操作后,重新输出一个3×3的矩阵,称为特征图。这个扫描是可以有重叠部分的,就如同你的目光扫视也是连续一样。5.

5(2)池化池化的作用就是减小特征图,也就是压缩,池化规模一般为2×2。常用的池化方法有:最大值池化和均值池化。其中最大值池化就是就是取2×2中四个点的最大值;均值池化就是取2×2中四个点的平均值。图1-2就是池化规模10×10对特征图处理,取其中最大一个特征值代表那一区域的特征值即图中1。图1-26.

6(3)光栅化图像经过卷积、池化之后得到的是一些列的特征图,而感知器输入的是一个向量,因此需要将这些特征图中的像素依次取出,排成一列向量。7.

71.3CNN的优点传统的检测人脸都是基于各种模型的检测方法,然后再经过一系列的训练和验证来改价原有模型进而实现更加先进的检测精度。而CNN则与传统的基于模型的方法不同,由于CNN具有强大的学习功能,它可以直接从图像中学习分类器,而不是手工制作模型,可以更好的区分来自高度混乱背景的面孔同时,我们的检测器比基于模型和基于示例的检测系统快了许多倍。8.

8二如何实现基于CNN来检测人脸2.1总体介绍检测结构一共为三阶级联上图就是人间检测的过程:(1)是原始图片经过12网络和12校准网络先后使用NMS去掉重合方框,剩余图片经过裁剪和整理。(2)整理过的图片再经过24网络和24校准网络后再使用NMS去掉重合方框,再次经过裁剪和整理。(3)整理过的图片经过48网络之后进行全局NMS得到了唯一人脸方框,经过48校准网络后得出最终人脸框。9.

92.212网络12网络是指第一个CNN,12网络是一种非常浅的二进制分类CNN,是用于快速扫描测试图像。它的检测窗口是12×12,以4像素为间隔扫描尺寸为W×H的图像等价于用12网络扫描整个图像将会获得((W-12)/4+1)×((H-12)/4+1)信度分数图,信度分数图上面的每个点都是12×12的检测窗口。CNN结构图10.

102.312校准网络12校准网络是指在12网络之后的CNN用于人脸方框的校准,是一个浅的CNN。首先定义一个N,它是N个校准模式的三维缩放变化和偏离设置向量。{[sn,xn,yn]}Nn=1sn∈{0.83,0.91,1.0,1.10,1.21}xn∈{−0.17,0,0.17}N=5×3×3=45yn∈{−0.17,0,0.17}11.

1112校准网络的输入图像为N模式其中一个模式参数校准方框后的图片。经过12网络校准后可以得到一个信度分数C1,经过N次后可以得到[C1,C2.....Cn],我们可以把高信度分数留下来并且取平均值最为最后人脸方框调整。t是除掉低信度分数的阈值。12.

12三最终结果展示13.

13结束放映谢谢观看14.

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。
关闭