基于Transformer的跨年龄人脸识别方法

人脸特征随着年龄变化而变化，会严重影响人脸识别的性能。提出一种基于Transformer的跨年龄人脸识别方法，首先通过改善的T2T-ViT模型提取人脸年龄和身份混合特征，然后通过残差因子分解获取人脸年龄特征和身份特征，再使用线性特征分解的去相关对抗式学习算法对人脸的年龄特征和身份特征去除相关性，从而实现年龄抗干扰性的人脸识别。相比基于卷积神经网络的DAL和MTLFace方法，所提方法在参数量、multiply-add operations(MACs)和计算耗时上均有明显降低，同时在基准数据集AgeDB-30、CACD＿VS、CALFW、LFW上取得了相媲美的准确率，证明了所提方法的有效性。     

基于卷积神经网络的跨年龄人脸识别系统研究

对年龄跨度具有鲁棒性的人脸识别系统在实际中具有广泛的应用,年龄的变化对人脸面部特征具有显著的影响,会导致人脸识别的准确率下降。提出一种基于卷积神经网络的跨年龄人脸识别系统,包含人脸检测、人脸预处理、卷积神经网络提取特征、期望最大化(EM)算法和余弦距离等部分。采用EM算法计算出身份特征,使得人脸识别系统对年龄变化具有鲁棒性。在MORPH-II和FG-NET跨年龄数据库中进行仿真实验,验证了人脸识别系统的有效性。     

基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。     

结合深度Q学习和注意模型的视频人脸识别

针对视频人脸识别中存在的动态人脸信息捕捉困难和局部人脸特征提取粗糙的问题,提出了一种基于深度Q学习和注意模型结合的视频人脸识别方法。首先,采用卷积神经网络(Convolutional Neural Network,CNN)训练视频数据可提取多维特征;其次,将视频特征输入注意模型,根据视频数据时间连续性信息得到局部人脸特征、人脸位置和时间记忆单元;最后,采用Q学习迭代计算注意模型的输出,找到含人脸的最优帧序列,并以此计算视频匹配准确度。实验结果表明,该方法有效提高了复杂背景下视频人脸识别的准确性。     

基于三元组损失函数的深度人脸哈希方法

大规模人脸数据集上的快速检索是人脸识别应用的关键问题.较短长度人脸哈希方法可降低人脸特征比对的计算量,有助于大规模人脸识别的应用.为此提出了一种基于三元组损失函数的深度人脸哈希方法,通过优化三元组损失函数训练深度卷积神经网络以提取图像深层特征,使得由该特征表征的同类图像在欧式空间中的距离尽可能小,不同类图像在欧式空间中...     

基于多任务卷积神经网络的人脸识别技术研究

深度神经网络是目前计算机机器学习领域的一个关键技术,可应用于图像处理。其中,多任务卷积神经网络(Multi-task Convolutional Neural Network,MTCNN)是一种基于卷积神经网络的多任务人脸检测框架,这里采用MTCNN人脸检测模型代替传统的卷积神经网络,在深度学习框架TensorFlow上进行人脸识别。首先,在数据预处理阶段利用灰度化方法将图像集转变为灰度图,降低图像通道。其次,基于MTCNN构建人脸检测模型,并利用Softmax函数进行分类识别。最后,实验过程中选择不同迭代次数进行准确性对比,在模型趋于稳定的情况下,得到较高的准确性。     

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。     

一种用于细粒度人脸识别的眼镜去除方法

为解决眼镜遮挡会降低人脸识别性能的难点,借鉴深度卷积神经网络在超分辨率方面的成功应用,该文提出一种用于细粒度人脸识别的眼镜自动去除方法ERCNN.用卷积层、池化层、MFM特征选取模块和反卷积层设计ERCNN网络模型,自动学习戴眼镜和未戴眼镜人脸图像对之间的映射关系,实现端到端的眼镜去除.然后,收集大量监控场景下的人脸图像,以及互联网上公开的人脸图像作为训练集;同时构建SLLFW数据集,作为眼镜去除和人脸识别的测试集.最后,通过与传统的眼镜去除方法进行对比试验,该文算法的各项评价指标优于传统方法,能有效的去除真实人脸图像中眼镜;同时在SLLFW人脸数据集上形成的全框眼镜、半框眼镜和无框眼镜人脸数据集上对多种人脸识别算法进行对比试验.试验表明,在FAR为1%的情况下,利用该文方法对F-SLLFW, H-SLLFW和R-SLLFW数据集的人脸图像进行眼镜去除后,SphereFace算法的TAR分别达到90.05%, 91.14%和92.33%,比未去除眼镜的识别率分别提高了3.92%, 3.08%和1.26%;同样,在FAR为0.1%的情况下,比SphereFace算法的TAR分别提高了10.06%, 4.29%和2.13%,说明该文方法有助于提升细粒度人脸识别的识别精度.     

一种用于细粒度人脸识别的眼镜去除方法

为解决眼镜遮挡会降低人脸识别性能的难点,借鉴深度卷积神经网络在超分辨率方面的成功应用,该文提出一种用于细粒度人脸识别的眼镜自动去除方法ERCNN。用卷积层、池化层、MFM特征选取模块和反卷积层设计ERCNN网络模型,自动学习戴眼镜和未戴眼镜人脸图像对之间的映射关系,实现端到端的眼镜去除。然后,收集大量监控场景下的人脸图像,以及互联网上公开的人脸图像作为训练集;同时构建SLLFW数据集,作为眼镜去除和人脸识别的测试集。最后,通过与传统的眼镜去除方法进行对比试验,该文算法的各项评价指标优于传统方法,能有效的去除真实人脸图像中眼镜;同时在SLLFW人脸数据集上形成的全框眼镜、半框眼镜和无框眼镜人脸数据集上对多种人脸识别算法进行对比试验。试验表明,在FAR为1%的情况下,利用该文方法对F-SLLFW, H-SLLFW和R-SLLFW数据集的人脸图像进行眼镜去除后,SphereFace算法的TAR分别达到90.05%, 91.14%和92.33%,比未去除眼镜的识别率分别提高了3.92%, 3.08%和1.26%;同样,在FAR为0.1%的情况下,比SphereFace算法的TAR分别提高了10.06%, 4.29%和2.13%,说明该文方法有助于提升细粒度人脸识别的识别精度。     

基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。     

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。     

基于数据增强和特征嵌入的自动调制识别

基于端到端的深度学习模型已经被广泛应用于自动调制识别。现有的深度学习方案大多数依赖于丰富的样本分布,而大批量的标记训练集通常很难获得。提出了一种基于数据驱动和选择性核卷积神经网络(Convolutional Neural Network,CNN)的自动调制识别框架。首先开发深度密集生成式对抗网络增强5种调制信号的原始数据集;其次选择平滑伪Wigner-Ville分布作为信号的时频表示,并将注意力模块用于聚焦时频图像分类中的差异区域;最后将真实信号输入轻量级卷积神经网络进行时间相关性提取,并融合信号的时频特征完成分类。实验结果表明,所提算法提高了在低信噪比情况下的识别精度,表现出较强的鲁棒性。     

基于深度残差网络模型压缩的局部遮挡人脸识别

尽管卷积神经网络使遮挡人脸识别效果有所改善,但随着性能的提高会造成结构复杂、网络参数增加、耗时长的问题。针对此问题,提出一种基于深度残差网络模型压缩的局部遮挡人脸识别方法。首先,采用多任务级联卷积神经网络(MTCNN)对人脸图像进行预处理;其次,选择残差网络作为主体网络,以残差块的卷积层为基本单位,通过结构化剪枝修剪卷积层滤波器,实现对深度残差网络模型压缩的同时移除滤波器输出的特征映射;最后,学习掩码特征去除遮挡损坏的特征元素对人脸进行识别。实验结果表明在准确率影响不大的情况下,网络参数量减少,识别速度有明显的提升。     

基于PaddlePaddle和CNN的戴口罩人脸识别系统设计

针对疫情期间在公共场合都需要佩戴口罩并进行人脸识别的情况,该课题设计了一款基于百度飞桨(PaddlePaddle)和卷积神经网络(CNN)的戴口罩人脸识别系统。选择支持Python的PaddlePaddle深度学习平台,搭建了一个CNN模型进行人脸识别。通过读取网络爬取的图片和自拍整合的自制数据集检测出要识别的人脸,在提取人脸中的几何特征之后进行20轮训练,显示出训练的模型,然后进行人脸识别。经测试,最后系统的精准度基本稳定在0.95以上,能实现较高精度的戴口罩人脸识别。     

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。     

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。     

基于双激活层深度卷积特征的人脸美丽预测研究

目前,人脸美丽预测存在数据规模小、分类难度大、深度特征研究不足等问题.为此,本文提出基于双激活层深度卷积特征的人脸美丽预测研究的解决方案.首先,采用数据增强和人脸对齐方法来增加训练集的样本数量和提高数据库的数据质量.其次,提出一种双激活层改进CNN模型,使其更适合人脸美丽预测应用.实验结果表明,本文所提方法在分类和回归预测方面均大幅度优于传统人脸美丽预测方法;同时,在主流的CNN模型中取得了较好的实时性和准确性,基于2000测试集的分类准确率达到61.1%,回归相关度达到0.8546.因此,双激活层在深层人脸美丽特征学习中发挥了重要作用,可广泛应用于人脸图像识别与处理.     

基于鱼眼摄像头的一种人脸识别技术

针对普通人脸识别算法无法准确处理360°环境下的人脸信息,提出一种基于鱼眼摄像头的人脸识别技术。首先提取摄像头中的实时信息图像,根据球面投影校正的原理得到多方向的平面透视图;运用深度学习中的卷积神经网络提取校正后的全景图像中的人脸特征,从而与数据库中人脸特征比对,得出结果。算法增加了人脸识别技术的应用场景和范围,提升了人脸识别技术的处理能力。最后的实验结果证明了此方法的有效性。     

基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

基于卷积神经网络的球鞋鉴定方法

卷积神经网络是深度学习模型中最常用的网络模型之一,它已在图像处理、语音识别等领域展现了良好的性能。考虑到卷积神经网络模型简单、参数量少且适应性强,在研究卷积神经网络的基础上,提出了一种球鞋真伪鉴定方法。所提方法通过卷积神经网络自动地学习不同品牌球鞋图像的特征并进行鉴定,将采集多视角的球鞋图像构建数据集,并将提出的方法在构建的数据集上进行训练和测试,然后将训练好的模型对用户输入的球鞋图像进行特征提取和识别,进而输出鉴定结果。实验验证了所提方法的有效性,可以让用户以较低的成本方便快捷地判断购买球鞋的真伪,可实现从销售源头检测仿冒球鞋和在销售终端快速响应消费者的鉴定需求,有效地解决当前球鞋仿冒问题。