近幾年,神經(jīng)網(wǎng)絡(luò)在眾多領(lǐng)域已經(jīng)取得了巨大的突破.激活函數(shù)在神經(jīng)網(wǎng)絡(luò)中扮演了 一個(gè)重要的組成部分,而ReLU激活函數(shù)的使用更是近來(lái)深度神經(jīng)網(wǎng)絡(luò)可以取得性能提升的一個(gè)重要因素.得益于深度神經(jīng)網(wǎng)絡(luò),人臉識(shí)別領(lǐng)域更是取得了長(zhǎng)足的發(fā)展.然而,深度學(xué)習(xí)在側(cè)面人臉上的精度卻要小很多;同時(shí)圖像的質(zhì)量也不盡相同,質(zhì)量差的圖像會(huì)拉低整體的識(shí)別精度.本文的研究課題正是想提出一種性能更好的激活函數(shù)和人臉識(shí)別算法.研究?jī)?nèi)容分為兩部分,一部分是設(shè)計(jì)激活函數(shù),提出Binary PReLU和Leaky PReLU兩種激活函數(shù),新的增強(qiáng)激活函數(shù)適應(yīng)性更強(qiáng).另一部分是改進(jìn)帶有旋轉(zhuǎn)角度和圖像質(zhì)量分?jǐn)?shù)人臉識(shí)別算法.利用人臉旋轉(zhuǎn)角度和中間特征,可以得到更好的人臉表達(dá).通過(guò)組合損失函數(shù)和預(yù)測(cè)的圖像質(zhì)量分?jǐn)?shù),既降低了對(duì)數(shù)據(jù)集的要求同時(shí)又可以得到一個(gè)較好的損失函數(shù).論文第一部分簡(jiǎn)要敘述了激活函數(shù)和人臉識(shí)別的研究背景以及本文的主要工作.第二部分詳細(xì)介紹了Binary PReLU和Leaky PReLU兩種激活函數(shù).第三部分,基于文獻(xiàn)[14][15],設(shè)計(jì)了帶有旋轉(zhuǎn)角度和圖像質(zhì)量分?jǐn)?shù)的人臉識(shí)別算法.最后一部分,在常見(jiàn)圖像數(shù)據(jù)集和常用網(wǎng)絡(luò)... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 激活函數(shù)介紹
    1.2 人臉識(shí)別介紹
    1.3 本文的主要工作和安排
第二章 設(shè)計(jì)新的激活函數(shù)
    2.1 一次樣條激活函數(shù)
        2.1.1 ReLU
        2.1.2 Leaky ReLU
        2.1.3 PReLU
    2.2 Binary PReLU
        2.2.1 激活函數(shù)特點(diǎn)
        2.2.2 反向傳播
        2.2.3 前向傳播算法
    2.3 Leaky PReLU
        2.3.1 激活函數(shù)特點(diǎn)
        2.3.2 前向傳播算法
    2.4 本章小結(jié)
第三章 帶有旋轉(zhuǎn)角度和圖像質(zhì)量分?jǐn)?shù)的人臉識(shí)別算法
    3.1 人臉旋轉(zhuǎn)角度估計(jì)
        3.1.1 基于PnP問(wèn)題的姿勢(shì)估計(jì)
        3.1.2 自動(dòng)估計(jì)人臉旋轉(zhuǎn)角度
    3.2 圖像質(zhì)量分?jǐn)?shù)估計(jì)
    3.3 本章小結(jié)
第四章 數(shù)據(jù)實(shí)驗(yàn)
    4.1 激活函數(shù)數(shù)據(jù)實(shí)驗(yàn)
        4.1.1 MNIST
        4.1.2 Cifar10
        4.1.3 Cifar100
        4.1.4 Caltech-256
        4.1.5 Fashion-MNIST
        4.1.6 PASCAL VOC
    4.2 人臉識(shí)別數(shù)據(jù)實(shí)驗(yàn)
    4.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
作者簡(jiǎn)介
致謝


【參考文獻(xiàn)】：
博士論文
[1]具有廣義分段線性激活函數(shù)的遞歸神經(jīng)網(wǎng)絡(luò)的多穩(wěn)定性分析[D]. 黃玉嬌.東北大學(xué) 2014



本文編號(hào)：3173517