基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究

1、鑒于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉辨別研究鑒于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉辨別研究鑒于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉辨別研究鑒于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉鑒別研究深度卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用包括語(yǔ)音鑒別、圖像辦理、自然語(yǔ)言辦理等。本文就當(dāng)前大環(huán)境下研究了卷積神經(jīng)網(wǎng)絡(luò)模型在靜態(tài)環(huán)境下人臉鑒別領(lǐng)域的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)模型需要設(shè)計(jì)一個(gè)可行的網(wǎng)絡(luò)模型，將大量的人臉訓(xùn)練數(shù)據(jù)集加載到網(wǎng)絡(luò)模型中，爾后進(jìn)行自動(dòng)訓(xùn)練，這樣就可以獲取很好的鑒別率。把訓(xùn)練好的模型保存下來(lái)，那么這個(gè)模型就是一個(gè)端到端的人臉特色提取器。該方法誠(chéng)然操作簡(jiǎn)單，但是需要依照訓(xùn)練數(shù)據(jù)集設(shè)計(jì)合理的網(wǎng)絡(luò)結(jié)構(gòu)，而且最難的要點(diǎn)點(diǎn)是超參數(shù)的調(diào)整和優(yōu)化算法的設(shè)計(jì)。因此本文結(jié)合殘差網(wǎng)絡(luò)

2、和交融網(wǎng)絡(luò)成立了兩個(gè)與計(jì)算資源和數(shù)據(jù)資源相般配的網(wǎng)絡(luò)模型，并經(jīng)過(guò)屢次調(diào)整超參數(shù)和調(diào)試優(yōu)化器使其在訓(xùn)練集上可以收斂，最后還獲取較好的鑒別率。本文的主要研宄內(nèi)容和創(chuàng)新點(diǎn)以下：介紹了卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論知識(shí)。先從傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、前向和反向流傳算法進(jìn)行了詳細(xì)的解析；爾后過(guò)渡到卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論，對(duì)其重要組成部分如卷積層、激勵(lì)層、池化層和全連接層進(jìn)行了詳細(xì)的闡述；最后對(duì)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的一些注意事項(xiàng)進(jìn)行了說(shuō)明。人工神經(jīng)元是組成人工神經(jīng)網(wǎng)絡(luò)的基本計(jì)算單元，單個(gè)神經(jīng)元的模型結(jié)構(gòu)以以下圖所示。其中，Zw1x1bWTXbhw,h(x)f(z)1卷積神經(jīng)網(wǎng)路的基本結(jié)構(gòu)簡(jiǎn)單的池化過(guò)程：對(duì)深度學(xué)習(xí)

3、框架TensorFlow的系統(tǒng)架構(gòu)和編程模型作了一些說(shuō)明，并對(duì)人臉數(shù)據(jù)進(jìn)行預(yù)辦理，包括人臉檢測(cè)、數(shù)據(jù)增強(qiáng)、圖像標(biāo)準(zhǔn)化和人臉中心損失。TensorFlow的系統(tǒng)架構(gòu)以以下圖所示TensorFlow的編程模式系統(tǒng)當(dāng)?shù)啬Ｊ胶头植际侥Ｊ奖硎緢D提出了鑒于改進(jìn)的MyVGGNet和MySqueezeNet網(wǎng)絡(luò)的人臉鑒別。第一解析了模型VGGNet-16和SqueezeNe的網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)參數(shù)，爾后本文提出將原VGGNet-16和SqueezeNe的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，并在每個(gè)卷積層和激勵(lì)層之間增加批歸一化層，在VGGNet-16網(wǎng)絡(luò)尾端用1個(gè)1*1的卷積層代替三個(gè)全連接層，還增加全局平均池化層，獲取新的

4、MyVGGNet和MySqueezeNet模型，最后在LFW數(shù)據(jù)集上分別獲取94.3%和95.1%的正確率。VGGNet-16網(wǎng)絡(luò)結(jié)構(gòu)框圖MyVGGNet網(wǎng)絡(luò)框圖MyVGGNet網(wǎng)絡(luò)訓(xùn)練時(shí)LFW測(cè)試集的正確率走勢(shì)圖MyVGGNet網(wǎng)絡(luò)在LFW上的ROC曲線(xiàn)圖提出了鑒于二叉樹(shù)型融合網(wǎng)絡(luò)BTreeFuseNet_v1和BTreeFuseNet_v2的人臉鑒別。第一對(duì)深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化問(wèn)題和融合原理作了解析；爾后結(jié)合殘差學(xué)習(xí)，融入分支并行、交融和級(jí)聯(lián)三種結(jié)構(gòu)，采用ReLU函數(shù)、BN層、Dropout層、哈維爾方法和截?cái)喔咚购瘮?shù)初始化方法、Adam優(yōu)化器等技巧，成立了兩個(gè)層次深度為22和19的網(wǎng)絡(luò)模型BTreeFuseNet_v1和BTreeFuseNet_v2，并詳細(xì)說(shuō)了然這兩個(gè)網(wǎng)絡(luò)模型的基本組成、整體架構(gòu)和模型參數(shù)；最后在Facescmb數(shù)據(jù)集上連續(xù)訓(xùn)練，同時(shí)調(diào)整網(wǎng)絡(luò)參數(shù)，獲取較好的模型，再在LFW測(cè)試集進(jìn)步行人臉考據(jù)，而且分別獲取94.9%和95.5%的正確率。BTreeFuseNet_v1和BTreeFuseNet_v2在LFW數(shù)據(jù)集上的ROC曲線(xiàn)在深度交融網(wǎng)絡(luò)的基礎(chǔ)上提出二叉樹(shù)交融網(wǎng)絡(luò)，并詳細(xì)說(shuō)了然該網(wǎng)絡(luò)模型的基本組成、整體架構(gòu)和模