基于深度卷积神经网络的人脸识别与属性分析

发布时间：2021-08-01 13:01

　　人脸是每个人最直接的一种外在表示,也是最自然的一种生物特征。人脸识别就是利用人的脸部特征信息对个体进行身份识别认证的生物识别技术。随着科技文明的发展,人脸识别技术被运用到了生活中的方方面面,给人类世界带来了极大的便利。而人证识别就是人脸识别中的一个具体应用,是使用自然拍摄的图片与系统注册的证件照进行比对的识别技术;它与正常的人脸识别有着相同之处,又有着细微的差别。在人脸识别的过程中,往往伴随着人脸属性分析,即通过算法分析得到该人脸的相应属性,比如,性别,年龄,表情等;这些属性有助于我们在实际场景中做进一步的判断和应用。近些年来,深度卷积神经网络在计算机视觉领域被广泛应用,极大地提高了分类问题的准确率。研究者们主要围绕着如何搭建更深的模型,获取更多的数据、设计更好的优化函数展开研究,从而得到更具表达性的深度特征。在卷积神经网络中,我们通常采用Softmax损失函数来监督网络的训练过程,最后将Softmax损失函数的前一层网络输出结果作为特征进行使用。为了让网络学习到更有区分度的人脸特征,本文围绕网络结构的设计、损失函数的优化、多任务学习等方面进行探索,主要研究内容如下:首先,本文对Sof... 

【文章来源】：深圳大学广东省

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

函数曲线当k值越大时，函数f()的斜率越大，更新的梯度也越大，这样网络会更

基于深度卷积神经网络的人脸识别与属性分析NIST 手写数字识别的 Mini 实验.2 节中改进的 Softmax 损失函数用 MNIST[58]手写数字[30]网络将特征进行可视化，对比了不同参数设置对结据库是常用的手写数字数据库，它总共有 10 种类型的图片；可以分为训练集和测试集两部分，训练集有 6 万张，每张图片的大小为 28x28，图 2 中的 a、b 分别是

基于深度卷积神经网络的人脸识别与属性分析视化对比实验首先使用 LeNets++网络和传统的 Softmax 损失函数对 MNIST 训验所在平台是 Ubuntu16.04，所使用的深度学习工具是 Pytorch一块 NVIDIA Tesla P100 GPU 进行实验，网络的初始学习率为 0.01练的图片数量为 256，当迭代训练到 10000 和 15000 次时将学习率终当迭代次数达到 20000 次时停止训练。接着将 MNIST 测试集网络中，输出 2 维的特征，最后将 2 维特征在平面坐标系中画出所示的特征分布图，不同颜色代表着不同的数字类别。


本文编号：3315575