【摘要】：隨著計(jì)算機(jī)視覺(jué)的發(fā)展和人臉識(shí)別的廣泛應(yīng)用,人臉檢測(cè)與識(shí)別成為了具有重大研究意義的課題。人臉技術(shù)分為人臉檢測(cè),人臉對(duì)齊與人臉識(shí)別3部分。本文主要針對(duì)非受控環(huán)境中的人臉檢測(cè)與識(shí)別問(wèn)題進(jìn)行了研究。具體的研究工作如下:針對(duì)人臉檢測(cè),(1)設(shè)計(jì)了一種基于區(qū)域推薦網(wǎng)絡(luò)(Region ProposalNetwork,RPN)的一階段人臉檢測(cè)器。使得在保持檢測(cè)性能基本不變的情況下,速度得到提升且模型尺寸小;(2)提出了一種新型精準(zhǔn)檢測(cè)框分?jǐn)?shù)訓(xùn)練方法PreciseBoxScore(PBS)來(lái)對(duì)網(wǎng)絡(luò)性能進(jìn)行提升,可以從訓(xùn)練集中提取到更多且更準(zhǔn)確的信息,從而使得在保持訓(xùn)練集和網(wǎng)絡(luò)結(jié)構(gòu)不變的情況下,明顯提升了網(wǎng)絡(luò)的精確度;(3)提出了一種簡(jiǎn)單但有效的模型壓縮方法SEMCM,即,用精度較高的大模型去訓(xùn)練精度較低的小模型,也就是將大模型的信息傳遞到小模型中,從而使得小模型的性能在原有的基礎(chǔ)上,得到進(jìn)一步的提升。針對(duì)人臉識(shí)別,提出了一種基于度量學(xué)習(xí)的輔助損失函數(shù),contrastive-center loss。新的監(jiān)督信號(hào)可以有效的提升人臉識(shí)別模型的精度,并且不會(huì)增加模型的運(yùn)行時(shí)間。并且,本文針對(duì)相似度搜索對(duì)于人臉識(shí)別的影響進(jìn)行了研究,相關(guān)研究成果應(yīng)用在了 MS-Celeb-1M的challenge 2的競(jìng)賽中。針對(duì)人臉技術(shù)的應(yīng)用問(wèn)題,分別設(shè)計(jì)并實(shí)現(xiàn)了人臉圖像搜索系統(tǒng)和人臉監(jiān)控系統(tǒng)。
【圖文】：

也就是借鑒了邋Ｆａｓｔｅｒ－ＲＣＮＮ的ＲＰＮ的思想，但是并不是提取感興趣的逡逑區(qū)域，而是直接提取人臉區(qū)域。經(jīng)過(guò)精細(xì)的參數(shù)設(shè)計(jì)和模型訓(xùn)練，，從而得到了一逡逑個(gè)具有一定精度和較快速度的人臉檢測(cè)器，如圖２－２所示。原始的Ｆａｓｔｅｒ－ＲＣＮＮ逡逑是一種兩階段的檢測(cè)器，而這里設(shè)計(jì)的人臉檢測(cè)器是一階段的。因此，整體上模逡逑型的尺寸和模型計(jì)算量都會(huì)得到下降。逡逑p哄澹悖歟幔螅螅椋媯椋澹蟈義

本文編號(hào)：2598287