【摘要】：人臉識別技術(shù)在深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolution neural networks,DCNN)的快速發(fā)展下取得了顯著的成就。這些成果主要體現(xiàn)在更深層次的DCNN架構(gòu)和更大的訓(xùn)練數(shù)據(jù)庫。然而,由大多數(shù)私人公司持有的大型數(shù)據(jù)庫(百萬級)并不對外公開,即使當(dāng)前部分開放的大型數(shù)據(jù)庫,因為標(biāo)注信息過少,無法保證精度,會影響DCNN的訓(xùn)練。本文提出了一種易于使用的多角度清理圖像方法來提高數(shù)據(jù)的準(zhǔn)確性:通過人臉檢測算法清除掉無法檢測到人臉的圖像;在清理后的數(shù)據(jù)集上利用已有模型提取圖像特征,并計算相似度,進而統(tǒng)計出一類人臉圖像中每一張圖像與其他圖像不相似的數(shù)目,根據(jù)改進參數(shù)清理數(shù)據(jù)。實驗表明,清理后的數(shù)據(jù)庫訓(xùn)練模型在LFW和Youtube Face數(shù)據(jù)集上測試的精度得到了提升,使用較小規(guī)模數(shù)據(jù)集情況下,在LFW數(shù)據(jù)集上取得了99.17%的準(zhǔn)確率,在Youtube Face數(shù)據(jù)集也達到了93.53%的準(zhǔn)確率。
[Abstract]:Face recognition technology has made remarkable achievements with the rapid development of deep convolution neural network (deep convolution neural networks,DCNN). These results are mainly reflected in a deeper DCNN architecture and a larger training database. However, large databases (millions of levels) held by most private companies are not open to the public, even if the currently partially open large databases have too little information to guarantee accuracy and affect DCNN training. In this paper, an easy-to-use multi-angle image cleaning method is proposed to improve the accuracy of the data. The face detection algorithm is used to remove the image that can not detect the face, and the existing models are used to extract the image features from the cleaned data set. The similarity degree is calculated, and the number of dissimilar images between each image and other images in a human face image is calculated, and the data is cleaned according to the improved parameters. Experimental results show that the accuracy of the training model is improved on LFW and Youtube Face datasets, and 99.17% accuracy is achieved on LFW data sets using smaller data sets. The accuracy of Youtube Face data set is 93.53%.
【作者單位】： 西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院;臺灣科技大學(xué)資訊工程系;
【基金】：國家自然科學(xué)基金項目(61202191) 計算智能重慶市重點實驗室開放基金項目(CQ-LCI-2013-06) 國家重點研發(fā)計劃項目(2016YFC0802209)
【分類號】：TP183;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 張爾強;創(chuàng)建SAS數(shù)據(jù)集的技巧[J];數(shù)理醫(yī)藥學(xué)雜志;2003年01期

2 ;數(shù)據(jù)集N鄽2[J];航空材料;1959年09期

3 江海洪 ,羅長坤;首套中國數(shù)字化可視人體數(shù)據(jù)集在第三軍醫(yī)大學(xué)研制成功[J];中華醫(yī)學(xué)雜志;2003年09期

4 陳相穎;數(shù)據(jù)集記錄快速定位與篩選方法之探討[J];計量與測試技術(shù);2005年06期

5 王宏鼎;唐世渭;董國田;;數(shù)據(jù)集成中數(shù)據(jù)集特征的檢測方法[J];中國金融電腦;2006年03期

6 張華;郁書好;;時空數(shù)據(jù)集的連接處理和優(yōu)化方法研究[J];皖西學(xué)院學(xué)報;2006年02期

7 苗卿;單立新;裘昱;;信息熵在數(shù)據(jù)集分割中的應(yīng)用研究[J];電腦知識與技術(shù)(學(xué)術(shù)交流);2007年05期

8 陳德誠;丘平珠;唐炳莉;;廣西氣象數(shù)據(jù)集設(shè)計與制作[J];氣象研究與應(yīng)用;2007年04期

9 趙鳳英;王崇駿;陳世福;;用于不均衡數(shù)據(jù)集的挖掘方法[J];計算機科學(xué);2007年09期

10 馮璐;冷伏海;;基于領(lǐng)域分析需求和目標(biāo)的領(lǐng)域分析數(shù)據(jù)集界域研究[J];圖書情報工作;2009年24期

相關(guān)會議論文 前7條

1 田捷;;三維醫(yī)學(xué)影像數(shù)據(jù)集處理的集成化平臺[A];2003年全國醫(yī)學(xué)影像技術(shù)學(xué)術(shù)會議論文匯編[C];2003年

2 范明;魏芳;;挖掘基本顯露模式用于分類[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

3 段磊;唐常杰;左R，

本文編號：2281330