CNN人臉識別模型中的結構和特征度量算法研究.pdf

1、近年來，卷積神經網絡在各個計算機視覺領域都得到了巨大發(fā)展，同時基于卷積神經網絡的算法也逐漸的被應用于日常生活中。快速增長的計算資源以及大量數據集的出現，使得卷積神經網絡的深度學習方法為提高人臉識別的準確率提供了很多可能性。隨著具體場景應用對于性能的要求逐步提高，設計合理的深度人臉識別網絡結構已經成為決定網絡性能的關鍵因素?，F有的深度人臉網絡主要通過添加多層卷積層以提取更為高效的特征向量，這種加深網絡結構實現性能提升的方法使得網絡結構龐大

2、、參數過多并且忽略了每層網絡的寬度對于性能的影響。同時，研究者對于各種人臉識別網絡所提取特征以及統(tǒng)計人臉特征之間的關系沒有很好地進行分析并加以有效利用。
　　本文通過對現有的深度學習人臉識別網絡結構進行分析，并基于互信息理論進行如下工作：
　?。?）以卷積神經網絡中的深度和寬度概念作為基礎，根據實驗數據庫中人臉圖片的特點，在已有的網絡結構如DeepID，DeepID2，FaceNet等現有模型設計方式的基礎上提出了一個通過平

3、衡深度和寬度之間關系的人臉網絡設計優(yōu)化方法：當深度人臉網絡結構的深度和寬度值接近一致時，其識別效果有顯著提高。通過此優(yōu)化方法設計的深度人臉網絡能夠在取得理想識別率的同時，將網絡結構控制在一定的深度范圍并避免訓練中所出現的過擬合現象。
　?。?）運用提出的網絡設計優(yōu)化方法并基于 ResNet超深網絡設計全新的多級人臉識別平衡網絡。通過在FERET，FRGC，LFW，YouTube Face等多個數據集上的對比結果證明，引入本文所提出