本文選題：人臉檢測(cè) + 深度學(xué)習(xí)��； 參考：《浙江大學(xué)》2017年碩士論文

【摘要】：本文的主要內(nèi)容是實(shí)現(xiàn)一個(gè)基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法。近兩年已經(jīng)出現(xiàn)了許多基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法,這些算法和基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法相比,在人臉檢測(cè)的精度上提高了很多。但是他們的網(wǎng)絡(luò)模型都比較龐大,不適合移植到移動(dòng)設(shè)備上。我們的目標(biāo)是使人臉檢測(cè)算法在保持一定準(zhǔn)確率的基礎(chǔ)上,實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)模型的壓縮和提高人臉檢測(cè)的速度。本文首先設(shè)計(jì)了一種基于輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法,我們首次將SqueezeNet,RPN網(wǎng)絡(luò)結(jié)合在一起,實(shí)現(xiàn)了一個(gè)用于人臉檢測(cè)的專用網(wǎng)絡(luò)。該網(wǎng)絡(luò)與基于VGG16的人臉檢測(cè)算法相比,在檢測(cè)速度、模型大小等方面都更具有優(yōu)勢(shì)。其次,我們將SqueezeNet卷積網(wǎng)絡(luò)中多個(gè)卷積特征進(jìn)行融合,形成了一個(gè)更能反映人臉本質(zhì)的特征,進(jìn)而讓算法的精度有一定的提高。最后,我們使用了兩種方法對(duì)檢測(cè)網(wǎng)絡(luò)進(jìn)行壓縮,一種是采用更小的全連接層作為檢測(cè)網(wǎng)絡(luò),另一種是對(duì)全連接層進(jìn)行SVD分解。這兩種方法都在一定程度上使網(wǎng)絡(luò)的模型更小,人臉檢測(cè)的速度更快。
[Abstract]:The main content of this paper is to implement a face detection algorithm based on lightweight convolution neural network. There have been many face detection algorithms based on convolution neural network in the last two years. Compared with the traditional machine learning algorithms, the accuracy of face detection has been improved a lot. But their network models are too large to be ported to mobile devices. Our goal is to achieve the compression of the network model and improve the speed of face detection on the basis of maintaining a certain accuracy of the human face detection algorithm. In this paper, we first design a face detection algorithm based on lightweight convolution neural network. For the first time, we combine the SqueezeNet RPN network to realize a special face detection network. Compared with the face detection algorithm based on VGG16, the network has more advantages in detection speed, model size and so on. Secondly, we fuse several convolution features in SqueezeNet convolution network to form a feature that can reflect the essence of human face, and improve the accuracy of the algorithm. Finally, we use two methods to compress the detection network, one is to use a smaller full connection layer as the detection network, the other is to decompose the full connection layer by SVD. To some extent, these two methods make the network model smaller and the face detection faster.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 曾素娣;范九榮;李一民;;基于膚色和幾何特征的人臉檢測(cè)算法[J];電腦知識(shí)與技術(shù);2006年36期

2 趙東方;楊明;鄧世濤;;幾種人臉檢測(cè)算法的對(duì)比研究[J];內(nèi)江科技;2011年10期

3 王仕民;葉繼華;羅文兵;占明艷;;嵌入式人臉檢測(cè)算法的研究與實(shí)現(xiàn)[J];江西通信科技;2011年02期

4 金鑫;李晉惠;;基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法研究[J];科技信息;2008年35期

5 翟懿奎;黃聿;謝劍華;吳志龍;郭承剛;;基于膚色的實(shí)時(shí)人臉檢測(cè)算法研究[J];電子設(shè)計(jì)工程;2011年09期

6 王小蘭;蔡燦輝;朱建清;;一種改進(jìn)的快速人臉檢測(cè)算法[J];微型機(jī)與應(yīng)用;2013年15期

7 張煒;耿新;陳兆乾;陳世福;;一種基于可疑人臉區(qū)域發(fā)現(xiàn)的人臉檢測(cè)方法[J];計(jì)算機(jī)科學(xué);2004年04期

8 羅三定;周磊;沙莎;;一種新的快速多人臉檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用研究;2008年04期

9 喬曉芳;吳小俊;王士同;楊靜宇;;一種改進(jìn)的人臉檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用;2008年04期

10 徐顯日;;視頻中實(shí)時(shí)的人臉檢測(cè)算法[J];福建電腦;2012年08期

相關(guān)會(huì)議論文 前2條

1 付朝霞;韓焱;王黎明;;復(fù)雜背景下視頻運(yùn)動(dòng)目標(biāo)的人臉檢測(cè)算法[A];第十三屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2013年

2 陳健;錢蕓蕓;;用DSP實(shí)現(xiàn)實(shí)時(shí)人臉檢測(cè)[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)博士學(xué)位論文 前2條

1 周薇娜;人臉檢測(cè)算法及其芯片實(shí)現(xiàn)關(guān)鍵技術(shù)研究[D];復(fù)旦大學(xué);2012年

2 郭聳;人臉檢測(cè)若干關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 趙玉亭;基于ARM9的便攜式監(jiān)控取證系統(tǒng)的研究與設(shè)計(jì)[D];西安工業(yè)大學(xué);2015年

2 袁成林;基于支持向量機(jī)的笑臉識(shí)別算法研究[D];廣西大學(xué);2015年

3 楊萬振;視頻人臉檢測(cè)算法研究及其DSP實(shí)現(xiàn)[D];東北大學(xué);2013年

4 劉吉;基于自學(xué)習(xí)特征融合的人臉檢測(cè)算法研究[D];中國(guó)海洋大學(xué);2015年

5 馬慧;人臉檢測(cè)算法的設(shè)計(jì)與實(shí)現(xiàn)[D];東南大學(xué);2015年

6 鄒奇文;非對(duì)稱人臉檢測(cè)算法的研究與實(shí)現(xiàn)[D];華中科技大學(xué);2014年

7 江銳;基于Cortex-A8的人臉檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2014年

8 張雪楠;基于PCA降維的快速人臉檢測(cè)算法研究[D];燕山大學(xué);2016年

9 羅富麗;單目可量測(cè)快速人臉檢測(cè)算法[D];昆明理工大學(xué);2016年

10 毛須偉;基于單目視覺的疲勞駕駛檢測(cè)方法研究[D];長(zhǎng)春理工大學(xué);2016年

，

本文編號(hào)：1830476