CNN人臉識(shí)別模型中的結(jié)構(gòu)和特征度量算法研究.pdf

1、近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)在各個(gè)計(jì)算機(jī)視覺(jué)領(lǐng)域都得到了巨大發(fā)展，同時(shí)基于卷積神經(jīng)網(wǎng)絡(luò)的算法也逐漸的被應(yīng)用于日常生活中?？焖僭鲩L(zhǎng)的計(jì)算資源以及大量數(shù)據(jù)集的出現(xiàn)，使得卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法為提高人臉識(shí)別的準(zhǔn)確率提供了很多可能性。隨著具體場(chǎng)景應(yīng)用對(duì)于性能的要求逐步提高，設(shè)計(jì)合理的深度人臉識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)已經(jīng)成為決定網(wǎng)絡(luò)性能的關(guān)鍵因素?，F(xiàn)有的深度人臉網(wǎng)絡(luò)主要通過(guò)添加多層卷積層以提取更為高效的特征向量，這種加深網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)性能提升的方法使得網(wǎng)絡(luò)結(jié)構(gòu)龐大

2、、參數(shù)過(guò)多并且忽略了每層網(wǎng)絡(luò)的寬度對(duì)于性能的影響。同時(shí)，研究者對(duì)于各種人臉識(shí)別網(wǎng)絡(luò)所提取特征以及統(tǒng)計(jì)人臉特征之間的關(guān)系沒(méi)有很好地進(jìn)行分析并加以有效利用。
　　本文通過(guò)對(duì)現(xiàn)有的深度學(xué)習(xí)人臉識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析，并基于互信息理論進(jìn)行如下工作：
　?。?）以卷積神經(jīng)網(wǎng)絡(luò)中的深度和寬度概念作為基礎(chǔ)，根據(jù)實(shí)驗(yàn)數(shù)據(jù)庫(kù)中人臉圖片的特點(diǎn)，在已有的網(wǎng)絡(luò)結(jié)構(gòu)如DeepID，DeepID2，F(xiàn)aceNet等現(xiàn)有模型設(shè)計(jì)方式的基礎(chǔ)上提出了一個(gè)通過(guò)平

3、衡深度和寬度之間關(guān)系的人臉網(wǎng)絡(luò)設(shè)計(jì)優(yōu)化方法：當(dāng)深度人臉網(wǎng)絡(luò)結(jié)構(gòu)的深度和寬度值接近一致時(shí)，其識(shí)別效果有顯著提高。通過(guò)此優(yōu)化方法設(shè)計(jì)的深度人臉網(wǎng)絡(luò)能夠在取得理想識(shí)別率的同時(shí)，將網(wǎng)絡(luò)結(jié)構(gòu)控制在一定的深度范圍并避免訓(xùn)練中所出現(xiàn)的過(guò)擬合現(xiàn)象。
　?。?）運(yùn)用提出的網(wǎng)絡(luò)設(shè)計(jì)優(yōu)化方法并基于 ResNet超深網(wǎng)絡(luò)設(shè)計(jì)全新的多級(jí)人臉識(shí)別平衡網(wǎng)絡(luò)。通過(guò)在FERET，F(xiàn)RGC，LFW，YouTube Face等多個(gè)數(shù)據(jù)集上的對(duì)比結(jié)果證明，引入本文所提出