本文選題：卷積神經(jīng)網(wǎng)絡 + DeepID��； 參考：《吉林大學》2017年碩士論文

【摘要】：人臉作為人類身體上先天的生物特征之一在不同人類個體之間與指紋、聲紋等一樣具有很強的區(qū)分性,其獨特的唯一性和不易再現(xiàn)性為身份鑒別提供必要的先決條件。前人對于處于自然環(huán)境下的人臉的識別方法進行過很多嘗試,研究早期效果較為出色的方法通常是使用完備的低級特征描述的淺層模型。而近年來隨著硬件性能的提升,深度學習以其獨特的自適應性、極高的靈活性、強大的擬合性,逐步在各個領域中嶄露頭角。它能夠從多種由不同類型的值構成的樣本中學習得到我們所需要的函數(shù)。這種強大的逼近目標函數(shù)的能力使其成為解決某些特定類型問題(如學習由傳感器得到的數(shù)據(jù)(圖像、聲音、雷達反射信號等))的最有效的方法。多年以前人們就開始嘗試將神經(jīng)網(wǎng)絡方法應用到人臉識別中去。它能夠適應多種情景且具有很強的實用性。卷積神經(jīng)網(wǎng)絡(CNN)已經(jīng)被證實能夠有效的提取我們需要的高級視覺特征。人臉圖像中的各個特征之間是存在內(nèi)部聯(lián)系的,而這種特性恰好可以由人工神經(jīng)網(wǎng)絡中各個單元之間的相互關系來對應表示。在人臉識別領域表現(xiàn)最為優(yōu)秀的莫過于Deep ID,它提供了一種使用卷積神經(jīng)網(wǎng)絡學習高級完備特征并建立深度模型的方法。本文通過對三代Deep ID模型各層數(shù)據(jù)的分析,尋找網(wǎng)絡中存在的一般規(guī)律;再通過實驗驗證網(wǎng)絡中各種參數(shù)對分類精度的影響;最終通過科學的結構精簡與改良成功的改進了該網(wǎng)絡的性能,提高了神經(jīng)網(wǎng)絡的精確度、降低了網(wǎng)絡對數(shù)據(jù)集的依賴性,提升了網(wǎng)絡在較小數(shù)據(jù)集上的表現(xiàn)。并且網(wǎng)絡的參數(shù)規(guī)模得到了較大幅度的縮減,模型的運行速度也獲得了較為顯著的提升。
[Abstract]:As one of the innate biological characteristics of human body, human face has a strong distinction between different human individuals, such as fingerprint, voiceprint, etc. Its unique uniqueness and non-reproducibility provide the necessary prerequisite for identity identification. Many attempts have been made on the recognition of human faces in the natural environment. The most effective early methods are shallow models which are described with complete low-level features. In recent years, with the improvement of hardware performance, depth learning has gradually emerged in various fields with its unique adaptability, high flexibility and strong fit. It can learn from a variety of samples of different types of values to get the functions we need. This powerful ability to approach the target function makes it the most effective way to solve some specific types of problems such as learning the data (image, sound, radar reflection signal, etc.) obtained from the sensor. Neural networks have been applied to face recognition for many years. It can adapt to a variety of scenarios and has strong practicability. Convolution Neural Network (CNN) has been proved to be effective in extracting the advanced visual features we need. There is an internal relation between the features in the face image which can be represented by the relationship between the units in the artificial neural network. The best performance in the field of face recognition is Deep ID.It provides a method for learning advanced and complete features and building depth models using convolutional neural networks. Based on the analysis of the data of each layer of the third generation deep ID model, the general rules of the network are found, and the influence of various parameters in the network on the classification accuracy is verified by experiments. Finally, the performance of the network is improved successfully through the scientific structure reduction and improvement, which improves the accuracy of the neural network, reduces the dependence of the network on the data set, and improves the performance of the network on the smaller data set. The parameter scale of the network is greatly reduced, and the running speed of the model is improved significantly.
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 楊曉帥 ,付玫;神經(jīng)網(wǎng)絡技術讓管理更輕松[J];軟件世界;2000年11期

2 云中客;新的神經(jīng)網(wǎng)絡來自于仿生學[J];物理;2001年10期

3 唐春明,高協(xié)平;進化神經(jīng)網(wǎng)絡的研究進展[J];系統(tǒng)工程與電子技術;2001年10期

4 李智;一種基于神經(jīng)網(wǎng)絡的煤炭調(diào)運優(yōu)化方法[J];長沙鐵道學院學報;2003年02期

5 程科,王士同,楊靜宇;新型模糊形態(tài)神經(jīng)網(wǎng)絡及其應用研究[J];計算機工程與應用;2004年21期

6 王凡,孟立凡;關于使用神經(jīng)網(wǎng)絡推定操作者疲勞的研究[J];人類工效學;2004年03期

7 周麗暉;從統(tǒng)計角度看神經(jīng)網(wǎng)絡[J];統(tǒng)計教育;2005年06期

8 趙奇 ,劉開第 ,龐彥軍;灰色補償神經(jīng)網(wǎng)絡及其應用研究[J];微計算機信息;2005年14期

9 袁婷;;神經(jīng)網(wǎng)絡在股票市場預測中的應用[J];軟件導刊;2006年05期

10 尚晉;楊有;;從神經(jīng)網(wǎng)絡的過去談科學發(fā)展觀[J];重慶三峽學院學報;2006年03期

相關會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡的混沌性[A];1996中國控制與決策學術年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術及其應用學術會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡的新機遇——紀念中國神經(jīng)網(wǎng)絡10周年[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡與圖論[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡釋用預報應用[A];1999年中國神經(jīng)網(wǎng)絡與信號處理學術會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡在中學生創(chuàng)造力評估中的應用[A];第十二屆全國心理學學術大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的故障診斷方法研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡及其在控制中的應用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡的混沌性及幾類時滯神經(jīng)網(wǎng)絡的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關鍵技術研究[D];東南大學;2015年

相關碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經(jīng)網(wǎng)絡降維算法研究與應用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經(jīng)網(wǎng)絡的上證指數(shù)預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡的穩(wěn)定性分析[D];渤海大學;2015年

，

本文編號：2039258