人臉檢測算法為身份驗證、人機交互、安全監(jiān)控、公安偵查等領(lǐng)域提供了技術(shù)支持,傳統(tǒng)的人臉檢測算法對于人臉特征的信息提取有限,尤其對小人臉、被遮擋的人臉和復(fù)雜環(huán)境下的人臉信息的提取存在漏檢、誤檢等問題。卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度學(xué)習(xí)(DL)在人臉檢測領(lǐng)域的有效算法之一,但是基于CNN的人臉檢測算法依然存在不足之處,比如算法內(nèi)部計算量過大、對參數(shù)更新的優(yōu)化算法收斂不穩(wěn)定、人臉的檢測精度不高等問題。因此,本文對基于CNN的人臉檢測算法進行研究并對激活函數(shù)和優(yōu)化算法進行了改進。論文主要工作如下:(1)針對CNN進行人臉檢測時,在非線性特征及負(fù)值特征上出現(xiàn)學(xué)習(xí)效率不高和神經(jīng)元壞死的問題,提出了一種基于CNN的SE(Softsign-ELU)激活函數(shù)。該激活函數(shù)結(jié)合了ELU和Softsign的優(yōu)勢,既解決了現(xiàn)有激活函數(shù)在負(fù)值時神經(jīng)元壞死的問題,又避免了在正值時激活函數(shù)的輸出值無限大于0的偏移現(xiàn)象,從而提高了網(wǎng)絡(luò)的表達能力,也降低了計算量。本文采用Retinaface人臉檢測網(wǎng)絡(luò),在公開人臉數(shù)據(jù)集widerface上分別對Softsign、Tanh、Re LU、SE四個函數(shù)在三種不同等級Hard、Me...

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)研究歷史與現(xiàn)狀
        1.2.2 人臉檢測算法
        1.2.3 激活函數(shù)
        1.2.4 優(yōu)化算法
    1.3 本文主要研究內(nèi)容
第二章 卷積神經(jīng)網(wǎng)絡(luò)相關(guān)基礎(chǔ)理論
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的特點
        2.1.1 局部連接
        2.1.2 權(quán)值共享
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 全連接層
        2.2.4 分類器
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化訓(xùn)練
        2.3.1 激活函數(shù)
        2.3.2 前向傳播與反向傳播
        2.3.3 優(yōu)化算法
    2.4 本章小結(jié)
第三章 Retinaface 人臉檢測算法中激活函數(shù)的改進
    3.1 Retinaface 人臉檢測網(wǎng)絡(luò)
    3.2 常見的激活函數(shù)
    3.3 SE激活函數(shù)
    3.4 實驗仿真
        3.4.1 實驗數(shù)據(jù)集
        3.4.2 實驗環(huán)境及評價指標(biāo)
        3.4.3 實驗結(jié)果與分析
    3.5 本章小結(jié)
第四章 人臉檢測算法中優(yōu)化算法的改進
    4.1 常見的優(yōu)化算法
    4.2 改進的 Adam 優(yōu)化算法(S-Adam)
    4.3 理論分析與證明
        4.3.1 S-Adam算法在目標(biāo)函數(shù)為凸函數(shù)下的收斂性
        4.3.2 S-Adam算法在目標(biāo)函數(shù)為非凸隨機優(yōu)化下的收斂性
    4.4 仿真實驗
        4.4.1 實驗數(shù)據(jù)集
        4.4.2 實驗環(huán)境與評價指標(biāo)
        4.4.3 實驗結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻



本文編號：3992794