基于深度卷積神經網絡的人臉識別研究

1、鑒于深度卷積神經網絡的人臉辨別研究鑒于深度卷積神經網絡的人臉辨別研究鑒于深度卷積神經網絡的人臉辨別研究鑒于深度卷積神經網絡的人臉鑒別研究深度卷積神經網絡主要應用包括語音鑒別、圖像辦理、自然語言辦理等。本文就當前大環(huán)境下研究了卷積神經網絡模型在靜態(tài)環(huán)境下人臉鑒別領域的應用。卷積神經網絡模型需要設計一個可行的網絡模型，將大量的人臉訓練數(shù)據(jù)集加載到網絡模型中，爾后進行自動訓練，這樣就可以獲取很好的鑒別率。把訓練好的模型保存下來，那么這個模型就是一個端到端的人臉特色提取器。該方法誠然操作簡單，但是需要依照訓練數(shù)據(jù)集設計合理的網絡結構，而且最難的要點點是超參數(shù)的調整和優(yōu)化算法的設計。因此本文結合殘差網絡

2、和交融網絡成立了兩個與計算資源和數(shù)據(jù)資源相般配的網絡模型，并經過屢次調整超參數(shù)和調試優(yōu)化器使其在訓練集上可以收斂，最后還獲取較好的鑒別率。本文的主要研宄內容和創(chuàng)新點以下：介紹了卷積神經網絡的基礎理論知識。先從傳統(tǒng)人工神經網絡的模型結構、前向和反向流傳算法進行了詳細的解析；爾后過渡到卷積神經網絡的相關理論，對其重要組成部分如卷積層、激勵層、池化層和全連接層進行了詳細的闡述；最后對卷積神經網絡訓練時的一些注意事項進行了說明。人工神經元是組成人工神經網絡的基本計算單元，單個神經元的模型結構以以下圖所示。其中，Zw1x1bWTXbhw,h(x)f(z)1卷積神經網路的基本結構簡單的池化過程：對深度學習

3、框架TensorFlow的系統(tǒng)架構和編程模型作了一些說明，并對人臉數(shù)據(jù)進行預辦理，包括人臉檢測、數(shù)據(jù)增強、圖像標準化和人臉中心損失。TensorFlow的系統(tǒng)架構以以下圖所示TensorFlow的編程模式系統(tǒng)當?shù)啬Ｊ胶头植际侥Ｊ奖硎緢D提出了鑒于改進的MyVGGNet和MySqueezeNet網絡的人臉鑒別。第一解析了模型VGGNet-16和SqueezeNe的網絡結構及相關參數(shù)，爾后本文提出將原VGGNet-16和SqueezeNe的網絡結構和參數(shù)進行優(yōu)化，并在每個卷積層和激勵層之間增加批歸一化層，在VGGNet-16網絡尾端用1個1*1的卷積層代替三個全連接層，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網絡結構框圖MyVGGNet網絡框圖MyVGGNet網絡訓練時LFW測試集的正確率走勢圖MyVGGNet網絡在LFW上的ROC曲線圖提出了鑒于二叉樹型融合網絡BTreeFuseNet_v1和BTreeFuseNet_v2的人臉鑒別。第一對深度神經網絡的優(yōu)化問題和融合原理作了解析；爾后結合殘差學習，融入分支并行、交融和級聯(lián)三種結構，采用ReLU函數(shù)、BN層、Dropout層、哈維爾方法和截斷高斯函數(shù)初始化方法、Adam優(yōu)化器等技巧，成立了兩個層次深度為22和19的網絡模型BTreeFuseNet_v1和BTreeFuseNet_v2，并詳細說了然這兩個網絡模型的基本組成、整體架構和模型參數(shù)；最后在Facescmb數(shù)據(jù)集上連續(xù)訓練，同時調整網絡參數(shù)，獲取較好的模型，再在LFW測試集進步行人臉考據(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曲線在深度交融網絡的基礎上提出二叉樹交融網絡，并詳細說了然該網絡模型的基本組成、整體架構和模