基于卷积神经网络的人脸识别

随着科技的发展人脸识别技术得到了巨大的应用,实现人脸识别的方法也越来越多,本文先简单对比了MLP、RNN、CNN这三个神经网络,然后再对CNN的基础结构进行了一个较为详细的介绍,主要通过对LeNet-5卷积神经网络模型结构的分析来了解卷积神经网络,然后设计了一款针对Olivetti Faces人脸数据库的卷积神经网络模型,通过更改卷积层中卷积核个数以及学习速率来进行一系列实验,最终确定在本次实验当中,当学习速率为0.05时,第一层卷积层卷积核数目为20,第二层卷积层数目为40的时候,能够得到一个针对Olivetti Faces人脸数据库有着较高识别率的一个新的卷积神经网络模型。     

基于神经网络算法的人脸识别

本文基于神经网络算法在人脸识别中的应用进行了研究,结果表明当前神经网络算法人脸识别算法分为:卷积神经网络人脸识别、循环神经网络人脸识别。     

基于深度学习的人脸识别算法浅析

相较于指纹识别、虹膜识别、声纹识别,人脸识别具有自然、便捷、体验友好的特征,成为大多数人认可的生物识别技术。近年来,随着GPU技术的成熟和数据集规模越来越大,让人脸识别技术的关注方向从基于手工特征的传统方法和传统的机器学习技术转移到使用大数据集训练的深度神经网络。现在,基于深度学习的人脸识别技术在人证比对、实名认证、人机交互、考勤、安防、美颜、趣味拍照、直播、微动作识别(疲劳驾驶、课堂听讲、罪犯审判)等领域得到了广泛的关注。文章首先简述人脸识别的发展历程,之后从深度学习方法、人脸数据集、网络结构、损失函数这四个方面,对目前流行的基于深度学习方法的人脸识别技术做一个较为详细的综述。     

基于卷积神经网络的图像识别算法研究

针对深度学习下的图像识别技术,研究了图像识别和卷积神经网络的工作原理。分析了AlexNet模型、ResNet模型、MobileNet模型的卷积神经网络模型,以及三种算法模型的各自特点,实现了深度学习环境的搭建,通过实验对比三个模型的分类准确率和训练效率,为深度学习下的图像识别算法研究提供参考。     

基于深度卷积神经网络的人脸年龄分类

人脸包含了较多的可区分生物特征信息,这些信息除了可用于身份认证和识别外,还可用于人脸年龄分类等应用.为克服人脸所表征年龄信息会受到复杂的非线性因素例如个体的基因差异、居住环境、健康情况和种族差别等因素的影响,本文使用深度卷积神经网络,通过设计一系列的卷积、池化、全连接和归一化层,对人脸的年龄进行了有效地分类.本算法能克服传统SVM分类算法不能有效处理人脸图像和实际年龄间复杂的非线性关系而带来的准确率下降问题,在FG-NET人脸数据测试集上达到了94.4％的准确率,能有效地应用在安防、人机交互和娱乐影音等领域.     

基于深度卷积神经网络的红细胞识别算法研究

针对深度研究的项目特点,文章对卷积神经网络结构的研究现状进行分析,总结卷积神经网络结构及优化算法。旨在通过对这些内容的分析,针对红细胞图像提取特征,设计群优化算法的卷积神经网络结构,以提高图像检测的科学性、准确性,展现深度卷积神经网络的识别算法技术的使用价值。     

基于改进深度卷积神经网络的纸币识别研究

针对如何提高纸币识别率的问题,该文提出一种改进深度卷积神经网络(DCNN)的纸币识别算法。该算法首先通过融合迁移学习、带泄露整流(Leaky ReLU)函数、批量归一化(BN)和多层次残差单元构造深度卷积层,对输入的不同尺寸纸币进行稳定而快速的特征提取与学习;然后采用改进的多层次空间金字塔池化算法对提取的纸币特征实现固定大小的输出表示;最后通过网络全连接层和softmax层实现纸币图像分类。实验结果表明,该算法在分类性能、泛化能力与稳定性上明显优于常用的纸币分类算法;同时该算法也能够满足纸币清分系统的实时性要求。     

基于深度卷积神经网络的手势识别

在手势识别的过程中,手势变化的多样性和手势本身的复杂性会对手势识别的精确性和可靠性带来很大的影响。为了能够实现高准确率的手势识别,文章提出了一种基于深度卷积神经网络(CNN, Convolutional neural network)的手势识别方法。该方法针对22个英文字母(排除了G、S、J和Z)实现静态手势识别,首先选用合适的手势数据集,通过使用Keras(神经网络的高级API)实现卷积神经网络,最终获得较高的识别率,可以达到97%。实验表明,该方法可实现背景单一手势图像的精确识别。     

一种优化的卷积神经网络深度学习算法

为了提高卷积神经网络的识别精度,提出网络权值优化操作。构建SOM网络对样本进行预学习,从而自组织地挖掘样本的本质分布,并且计算网络的学习精度,将最优学习结果的神经元用于初始化卷积神经网络;而后对卷积神经网络总体权值进行迭代,记录最佳模型作为识别网络,实验结果表明优化后的卷积神经网络识别精度得到了提高。     

基于深度卷积神经网络的食品包装缺陷检测算法研究

在薯片流水线生产中,如果直接使用YOLOv5网络进行包装缺陷目标检测,精度不够高、训练时间偏长,于是提出了一种基于SENet-YOLOv5的食品包装缺陷目标检测方法。首先,从数据增强这一角度出发,改用了基于Canny边缘检测算法对数据进行处理。然后,在原先DarkNet-53主干网络中融合SENet网络,把重要的特征进行强化来提升准确率。其次,将3处传统卷积层替换为深度可分离卷积层,减少参数量和计算量,最后训练候选区域数据,从而精确地实现定位与分类缺陷。仿真训练结果得出：SENet-YOLOv5模型的检测精度与速度皆得到了提升,对薯片食品包装缺陷的检测准确率为94.6%,检测的平均精度均值(mAP)达到了94.8%,相较干YOLOv5算法提高了7.9个百分点,识别速度大幅度提升。表明所提SENet-YOLOv5缺陷检测方法可应用于薯愿包装检测以提高企业的工作效率。     

基于深度谱卷积神经网络的高效视觉目标跟踪算法

提出了一种基于深度频谱卷积神经网络的视觉目标跟踪算法。该算法在深度模型训练阶段采用谱池化替代深度卷积神经网络中的最大池化过程,用贝叶斯分类器替代softmax损失层计算最大分类值,并将其整合到深度神经网络跟踪框架中,通过新网络计算输入正负样本的概率分布预测目标位置。该算法充分利用谱池化在频域下降维到任意维度且计算高效的优点,克服了最大池化采样造成大量空间信息丢失的不足,提升了计算速度。在权威多场景视频标准测试库上对所提算法进行验证,结果验证了该算法兼顾了效率和跟踪精度,有效提高跟踪器的性能,在相同测试条件下,文中算法性能优于同类对比算法。     

基于深度卷积神经网络的图像分类识别方法

图像分类是通过图片所给的特征信息将不同的事物进行识别的一种图像处理技术。随着科学技术的快速发展以及人们对生活质量越来越高的需求,图像的自动分类技术已经运用到各个发展领域当中。当我们在图像上进行分类操作时,传统的图像分类方法由于不能准确掌握识别对象之间的内在联系,同时传统方法也因数据的特征性维度太高而导致识别对象的特征表达受到限制,所以取得的实验结果并不理想。针对以上内容文章提出了一种基于卷积神经网络的图像检测方法,该实验的算法主要借鉴了深度学习及卷积神经网络。与以往的传统图像分类方法不同,深度卷积神经网络模型可以同时进行特征学习和图像分类。通过对实验的各个部分结构进行改进和对卷积神经网络模型进行优化,从而防止过拟合现象,继而提高图像检测的准确度,在CIFAR-10数据库上进行的实验表明,该方法改进后的深度学习模型在图像检测方面取得了有效的结果。     

基于卷积神经网络的CT图自动检测深度学习

针对肺结节良恶性诊断的难度,采用自定义卷积神经网络对其进行建模分析。通过多次实验分析,构建得到了可以实现7层肺结节检测的卷积神经网络模型,在每层中都含有训练参数,得到13×13的卷积核。测试肺结节的算法通过4个指标进行评价,分别为准确性和特异性、敏感性和假阳率。PndCnn-7参数优化结果得到,学习率lr介于[0. 4,1. 05]范围内,需要处理的批次达到最少0. 75。13×13卷积核能够实现网络的快速收敛,并且不会引起震荡的现象。当epoch增大至50,则会引起误差的明显减小,使网络达到良好的收敛状态。     

基于深度卷积神经网络的红外图像行人检测

红外图像中的行人检测一直是计算机视觉领域的研究热点与难点。针对传统的红外行人检测方法需要人工设计目标表达特征的弊端,本文从深度学习的角度出发,提出一种可以自动构建目标表达特征的红外行人检测卷积神经网络。在对卷积神经网络的实现原理进行分析的基础上,设计了红外行人检测卷积神经网络的初始结构,然后通过实验对初始结构进行调整,得到最终的检测神经网络。对实拍红外人体数据库进行行人检测的实验结果表明,该方法在保持低虚警率的同时可以对红外图像中的行人进行稳健检测,优于传统方法。     

深度卷积神经网络语义分割综述

得益于深度卷积神经网络在特征提取和语义理解的强大能力,基于深度神经网络的语义分割技术逐渐成为计算机视觉研究的热点课题.在无人驾驶、医学图像,甚至是虚拟交互、增强现实等领域都需要精确高效的语义分割技术.语义分割从图像像素级理解出发,为每个像素分配单独的类别标签.针对基于深度神经网络的语义分割技术,根据技术特性的差异,从编码-解码架构、多尺度目标融合、卷积优化、注意力机制、传统-深度结合、策略融合方面展开,对现有模型的优缺点进行梳理和分析,并当前主流语义分割方法在公共数据集实验结果进行对比,总结了该领域当前面临的挑战以及对未来研究方向的展望.     

基于一种改进的卷积神经网络的人脸识别系

近年来,人脸识别技术由于其直接、友好等特性,易于为用户所接受,逐渐在众多生物识别技术中脱颖而出。根据现场采集环境不同,人脸识别技术可以分为受控场景人脸识别和非受控场景人脸识别。受控场景下的人脸识别技术目前已经相当成熟,但非受控场景下的人脸识别技术由于受到光照、遮挡等一系列非可控因素的影响,使得人脸识别系统的识别准确率急剧下降。因此,针对由姿态变化或者饰物遮挡等原因造成的"数据缺失"现象,本课题设计出全连接层同时与卷积层和池化层全连接的CNN模型。鉴于卷积神经网络层数越高视野域越大的特性,这样的连接方式可以既考虑局部的特征,又考虑全局的特征。融合整体和局部的特征表示能够更好的应对数据缺失问题。     

基于改进卷积神经网络的人体检测研究

为了解决梯度方向直方图在复杂背景下行人检测性能不足的问题,引入深度学习算法进行人体特征提取和行人检测。为了减少卷积神经网络的训练样本数量需求,在保证原数据库背景分布和行人分辨率的基础上使用基于内容的图像检索方法进行数据扩充以便于训练。为了提高算法在复杂背景下的检测效率,在卷积神经网络反射传播权值更新时引入费舍尔约束准则,使用误差反向传播算法获取样本类内类间约束函数的权值,在考虑误差的同时保证算法的分类精度。对INIRIA数据库检测结果表明,改进后算法的漏检率、检测率等性能得到一定提高,在大多数复杂背景下可以成功检测出行人。     

基于改进卷积神经网络的羊行为识别

本文根据羊不同行为的特征,提出一种基于改进卷积神经网络的羊行为识别方法。构建卷积核尺寸全部为3×3的卷积神经网络(Convolutional Neural Networks, CNN);使用缩放指数线性单元(scaled exponential linear units,SeLU)为激活函数,使网络具有自归一化功能;以最大池化(max pooling)为下采样;在全连接层中采用丢弃(Alpha dropout)操作提高网络泛化能力,使用余弦退火动态学习率进行动态微调;进一步使用softmax分类器作为网络输出,最终构建出羊行为识别网络模型。实验结果表明：本文方法对羊进食行为识别准确率达到90.30%,站立行为识别准确率达到94.16%。坐卧行为识别准确率能达到91.90%。该模型能够实现羊不同行为的监测,且有较高的准确性,有助于提高畜牧管理效率和养殖智能化水平。     

一种基于融合深度卷积神经网络与度量学习的人脸识别方法

现有的卷积神经网络方法大多以增大类间距离为学习目标,而忽略类内距离的减小,这对于人脸识别来说,将导致一些非限制条件下(如姿态、光照等)的人脸无法被准确识别,为了解决此问题,提出一种基于融合度量学习算法和深度卷积神经网络的人脸识别方法。首先,提出一种基于多Inception结构的人脸特征提取网络,使用较少参数来提取特征;其次,提出一种联合损失的度量学习方法,将分类损失和中心损失进行加权联合;最后,将深度卷积神经网络和度量学习方法进行融合,在网络训练时,达到增大类间距离同时减小类内距离的学习目标。实验结果表明,该方法能提取出更具区分性的人脸特征,与分类损失方法及融合了其他度量学习方式的方法相比,提升了非限制条件下的人脸识别准确率。     

基于卷积神经网络的肺部CT图像分类算法研究

对医学CT图像进行高效精确地自动分类可以有效帮助医生减轻工作负担,切实提升医生对患者病情诊断的效率,应对现今医院CT图像数量迅速增长而相关医务人员严重缺乏的问题。卷积神经网络自提出以来,已被广泛应用于各种图像分类任务中。为切实提高肺部CT图像分类任务的准确率与速度,文中具体分析了VGG16网络模型的结构以及将其应用于肺结节CT图像分类任务中的优劣势。通过实验对比,验证了迁移学习的VGG16和基于VGG16改进的模型对肺部CT图像分类任务的有效性。