基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法.本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性.     

车联网场景下数字孪生网络架构及关键技术研究

智能化已成为未来车辆的核心特征之一,通过在网络端建立数字孪生体,能够满足车辆智能化的多重需求。一方面,数字孪生体为车辆提供了非实时智能化辅助管理,另一方面,它支持车辆实时智能化辅助驾驶。该研究针对这一需求,对智能车辆的两大类智能场景进行了深入分析,并提出了一种车联网场景下数字孪生网络新型架构,还对车辆数字孪生体的感知构建、管理、迁移、联邦学习、仿真优化决策等关键技术进行了详尽分析,以解决孪生体孪生感知、高效管理、随车迁移和模型通用泛化等方面的挑战,为运营商服务智能车辆提供了有效、可行的实现方法和路径。     

基于深度学习算法的人脸识别管理系统

针对学生管理中人脸认证智能安防的需求,文中首先基于深度学习理论对人脸识别的相关算法进行了研究,在卷积神经网络的基础上,以提高人脸识别的准确率为目的,重新设计了包含11个卷积层和4个池化层的网络结构。网络使用标准人脸数据集CASIA-WebFace进行训练,在LTW库上的人脸识别准确率可以达到97. 8%以上。基于该深度学习网络,设计人脸识别管理系统,系统实现了1∶1的人脸认证和1∶N的人脸识别。由于深度学习算法的引入,人脸搜索系统的搜索时间小于0. 7s,大幅提高人脸识别技术的效率和实用性。     

多模型融合的孪生网络视觉跟踪

为提升孪生网络视觉跟踪算法的准确性,提出一种融合多任务差异化同质型模型的孪生网络视觉跟踪算法。首先在决策层对孪生网络视觉跟踪模型与目标分割模型进行融合,然后结合多尺度搜索区域、目标上下文特征、多学习率模型更新策略进行跟踪。在标准数据集VOT、OTB、LaSOT、UAV123上进行算法评估。实验结果表明,所提算法在遮挡、快速运动、光照变化等干扰下可以稳定跟踪目标。     

一种基于联想记忆神经网络的单训练样本人脸识别算法

通过在多值自联想记忆神经网络(MVAM)中引入大脑皮层中客观存在的"侧反馈"连接机制,提出了一种具有联机学习能力的基于侧反馈机制的多值自联想记忆模型(MVAM-LF),用于解决单训练样本人脸识别问题.与一般的人脸识别方法不同,本模型无需任何人工的几何特征提取工作.在部分FERET人脸数据库上的随机加噪和部分遮挡的识别实验表明,提出的MVAM-LF算法获得了比标准的eigenface和改进的(PC)2A算法更高的识别率,表现出了较强的鲁棒性.     

新的感知无线电信道模型及其容量分析

将新的感知无线电信道模型将交织型信道模型和干扰型信道模型结合在一起,引入开关的概念,将频谱空洞的检测融合在信道中,形成有部分主用户信息的感知无线电双用户信道模型.在这种新的信道模型中,将主用户和感知用户之间的信道看作是一个压缩信道,引入压缩率,感知用户通过一个压缩信道来感知主用户的部分信息.针对新的感知信道模型,分析并计算了相应信道容量.最后,仿真验证了理论模型的有效性和容量优势.     

基于深度学习的跨年龄人脸识别

年龄变化是影响人脸识别模型性能的主要原因之一,为解决年龄变化所带来的模型识别率低的问题,提出了一种基于深度学习的跨年龄卷积神经网络模型（CA-CNN）用于跨年龄人脸识别。首先,利用卷积神经网络提取人脸图像中的深度人脸特征;然后,提出一种高效的卷积注意力模块从深度人脸特征中获取年龄特征,并结合多层感知机和多任务监督学习,将深度人脸特征非线性分解为年龄特征和身份特征;最后,为了更好地区分身份特征和年龄特征,提出了一种批核典型相关性分析模块对分解后的身份特征和年龄特征进行相关性分析。经过对抗性学习训练后,相关性最小化,实现了跨年龄人脸识别。所提模型在MORPH Album 2数据集上的rank-1识别准确率达到了99.03%,在CALFM数据集上的人脸验证等错率为9.8%,表明了所提模型的有效性。     

基于身份感知模型的素描人脸识别方法

针对素描图像和光学图像之间存在较大的模态差异这一问题,提出了一种基于身份感知模型的素描人脸识别方法,实现跨模态图像生成和素描人脸识别。该方法应用新的感知损失来监督图像生成网络,生成更好的跨模态图像,减少模态差异带来的识别精度损失,并通过三元组损失来正则化类内和类间距离,增强识别模型的性能,用联合训练策略提升素描人脸识别能力。在UoM-SGFSv2、e-PRIP等素描人脸数据集上的实验结果表明,该方法识别效果优于其他对比算法。     

深度学习及其在人脸识别中的应用进展

深度学习是目前受到广泛关注的机器学习方法。通过构建深度神经网络且使用深度学习算法学习适合模式识别和分类的高层次特征是目前模式识别领域热门研究方向,特别是在人脸识别领域已经取得了目前最好的成果。文章首先介绍了深度学习概述,然后分析了基于深度学习的人脸识别方法及识别模型并对识别模型进行了分类。最后讨论了应用深度学习进行人脸识别还存在的问题。该文拟对将深度学习应用于人脸识别的研究人员有所帮助。     

面向无线电数字孪生的多感知节点卷积融合身份识别算法

电磁空间是赋能统筹海、陆、空、太空、网络的重要纽带,电磁目标识别为电磁空间的孪生构建提供了重要的无线电目标身份信息,使其可以在数字空间描述、刻画物理空间的电磁目标身份态势。然而,单个感知节点易受到干扰、识别性能受限,错误的识别结果将会为孪生提供虚实不一致的身份信息。为此,面向电磁空间无线电数字孪生的需求,首先构建了面向无线电数字孪生的无线电目标识别框架,然后提出了面向无线电数字孪生的多感知节点卷积神经网络个体身份融合识别算法。通过在实际场景中部署多节点识别网络,相比于距离最近的单感知节点,识别性能提高了6.29%,提供了更加准确的个体身份信息。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

迁移学习在天基红外目标识别中的应用

星载红外传感器对飞行的火箭进行识别时,因为观测数据有限,一般属于小样本甚至单样本学习的分类问题.本文建立了一种以一维全卷积为主体结构的孪生神经网络,将多分类问题转化为比较相似度的验证问题;并利用UCR时间序列数据集的预训练权重,对孪生神经网络的卷积特征提取部分进行知识迁移,最后使用公开文献中火箭红外辐射强度序列数据对网...     

角度空间三元组损失微调的人脸识别

针对角度Softmax损失强约束存在的问题,提出一种用角度空间三元组损失对角度Softmax损失预训练模型进行微调的算法。算法首先对原来的卷积神经网络结构进行改进,将1×1卷积核与池化层加在不同残差块间,以进行选择更有效的特征。然后用角度空间下的三元组损失对预训练模型进行微调,以降低困难样本的强约束条件。最后在测试时,分别提取原始人脸图像特征和水平翻转的人脸图像特征,对两个特征相加作为最终的人脸特征表达,以丰富人脸特征信息,提高识别率。实验结果表明,在LFW和YTF人脸数据集分别取得了99.25%和94.52%的识别率,在大规模人脸身份识别中,本文提出的方法在仅用单模型和比较小的训练集就能有效地提高人脸识别率。     

基于非对称卷积的孪生网络视觉跟踪算法

针对孪生网络对旋转变化目标特征表达能力不足的问题,该文提出了基于非对称卷积的孪生网络跟踪算法。首先利用卷积核的可加性构建非对称卷积核组,可以将其应用于任意卷积核大小的已有网络结构。接着在孪生网络跟踪框架下,对AlexNet的卷积模块进行替换,并在训练和跟踪阶段对网络进行分别设计。最后在网络的末端并联地添加3个非对称卷积核,分别经过相关运算后得到3个响应图,进行加权融合后选取最大值即为目标的位置。实验结果表明,相比于SiamFC,在OTB2015数据集上精度提高了8.7%,成功率提高了4.5%。     

基于SURF特征的栈式自编码网络人脸对齐算法

人脸对齐是人脸识别系统中的一个核心部分,定位的准确性和定位速度直接影响到人脸识别的效果。人脸图像存在不同姿态、不同表情、不同光照条件等因素的影响,真实场景下的人脸对齐成为一个难题。本文提出了一种基于SURF特征的栈式自编码网络人脸对齐方法,首先通过粗糙定位网络找到近似人脸特征点,并提取局部的SURF特征,输入到局部细化网络,通过级联结构,进一步精确化人脸特征点的具体位置。最后,在人脸数据集AFLW和HELEN上与近几年的对齐方法进行对比实验,平均错误率8.80%,i5四核CPU,2.3Hz主频硬件平台下计算时间7.6ms。我们的人脸对齐方法在真实场景下(包括单人和多人)具有较好的鲁棒性,可以实现准确定位。     

空地协同场景下通信干扰智能识别方法

针对现有通信干扰智能识别方法在小样本条件下识别精度低、网络模型欠拟合的问题,并形成通信干扰识别的空中与地面布设能力,该文提出一种空地协同场景下基于孪生网络的通信干扰智能识别方法。首先在空中无人机与地面设备之间构建空地协同的通信干扰认知架构,并通过提取所接收的通信干扰信号的时频图、分数阶傅里叶变换和星座图,对通信干扰信号进行智能表征,以作为网络的输入。然后搭建基于密集连接网络的网络结构,并设计双输入权值共享的孪生网络。最后,利用随机样本对孪生网络进行训练,并通过孪生单边网络构建基准通信干扰类型特征库进而实现通信干扰的智能识别。该方法通过度量两个样本之间的特征距离来判断样本的相似性,并通过相似度度量扩大了训练样本数量并训练了孪生网络模型。仿真结果表明,所提方法不但在较小数据集的条件下可有效地实现通信干扰的智能识别,而且相比现有的智能识别方法,所提方法的识别性能显著提升。     

稀疏特征重用的人脸特征提取网络

为了提高人脸特征提取网络的性能,进而提高人脸识别算法的准确率,本文对基于卷积神经网络的人脸特征提取网络进行研究,提出了 SFRNet(Sparse Feature Reuse Network).首先,基于稀疏特征重用、混合特征融合、中心-高斯池化三个创新点,给出了 SFRNet的网络结构.然后,在图像分类数据集Imag...     

SiamDA: Dual attention Siamese network for real-time visual tracking

Fully convolutional Siamese network (SiamFC) has demonstrated high performance in the visual tracking field, but the learned CNN features are redundant and not discriminative to separate the object from the background. To address the above problem, this paper proposes a dual attention module that is integrated into the Siamese network to select the features both in the spatial and channel domains. Especially, a non-local attention module is followed by the last layer of the network, and this benefit to obtain the self-attention feature map of the target from the spatial dimension. On the other hand, a channel attention module is proposed to adjust the importance of different channels’ features according to the corresponding responses generated by each channel feature and the target. Additionally, the GOT10k dataset is employed to train our dual attention Siamese network (SiamDA) to improve the target representation ability, which enhances the discrimination of the model. Experimental results show that the proposed algorithm improves the accuracy by 7.6% and the success rate by 5.6% compared with the baseline tracker.     

基于ICA与BP神经网络相结合的人脸识别研究

提出了独立成分分析和BP神经网络相结合的人脸识别方法。首先对人脸图像进行小渡分解。提取人脸图像的低频子带图像，然后用被立成分分析方法对低频子带图像进行特征提取，并用改进的BP神经网络时所提取的人脸特征进行分类识别。在AR人脸图像库中进行的实验表明，此方法取得了较高的识别率。