基于SDCNN的人臉識別研究.pdf

1、人臉識別是機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)研究熱點(diǎn)，近年來在實(shí)際工程中應(yīng)用越來越廣泛。人臉識別相關(guān)的技術(shù)多樣化，包括淺層特征提取后分類、深層結(jié)構(gòu)直接學(xué)習(xí)等。卷積神經(jīng)網(wǎng)絡(luò)是一種適應(yīng)二維人臉圖像識別場景的有效學(xué)習(xí)方式，被大量文獻(xiàn)用于解決人臉識別問題。然而，目前卷積神經(jīng)網(wǎng)絡(luò)在其池采樣過程中使用固定的采樣策略會(huì)增大層間有效信息丟失的可能性，從而降低網(wǎng)絡(luò)的識別性能和泛化能力;另外，已有結(jié)構(gòu)的相鄰層間的卷積運(yùn)算多為確定的全連接方式，無法有效降低待訓(xùn)

2、練參數(shù)的數(shù)量。
　　針對這些問題，本文提出了隨機(jī)深層卷積神經(jīng)網(wǎng)絡(luò)(Stochastic DeepConvolutional Neural Networks，簡稱SDCNN)，在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行深層化并對卷積層的池采樣方法和層間特征圖譜的部分連接方式均進(jìn)行了隨機(jī)化改進(jìn)，同時(shí)構(gòu)建了接收多層次輸入特征圖譜的全連通特征層，最終將其應(yīng)用在人臉識別任務(wù)中。首先，在卷積網(wǎng)絡(luò)子采樣層的池采樣函數(shù)選取研究中，本文提出的新方法根據(jù)池采樣區(qū)域內(nèi)具

3、體元素值的平方作為概率計(jì)算的依據(jù)進(jìn)行隨機(jī)采樣，解決傳統(tǒng)算法采樣值過于單一的問題。然后，在不同層間的卷積運(yùn)算中，提出了隨機(jī)部分連接參數(shù)的方法，使得隨機(jī)池采樣層到卷積層的連接更為高效和全面，同時(shí)降低了網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)數(shù)量。最后，對于高層結(jié)構(gòu)的設(shè)計(jì)，本文將不同層次的特征圖譜與一個(gè)全連接層和soft-max回歸層依次連接進(jìn)行有監(jiān)督的訓(xùn)練以便得到正確的分類結(jié)果。
　　實(shí)驗(yàn)結(jié)果證明，在特定訓(xùn)練參數(shù)和人臉數(shù)據(jù)庫測試下，本文提出的SDCNN結(jié)構(gòu)