發(fā)布時(shí)間：2020-10-13 21:12

　　 本文探索如何利用能夠自適應(yīng)計(jì)算的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建一個(gè)高效、準(zhǔn)確且能應(yīng)用在實(shí)際場(chǎng)景的人臉識(shí)別系統(tǒng)。人臉識(shí)別系統(tǒng)的主體部分是人臉檢測(cè)和人臉識(shí)別,我們將從這兩個(gè)方面入手,研究如何利用能夠動(dòng)態(tài)自適應(yīng)計(jì)算的神經(jīng)網(wǎng)絡(luò)來(lái)高效地完成人臉檢測(cè)任務(wù),以及如何利用有效的工程方法和算法完成實(shí)際場(chǎng)景的人臉識(shí)別任務(wù)。人臉檢測(cè)是一個(gè)對(duì)實(shí)時(shí)性要求較高的任務(wù),現(xiàn)今大部分優(yōu)秀的人臉檢測(cè)算法通過(guò)設(shè)計(jì)特定的網(wǎng)絡(luò)結(jié)構(gòu)或做權(quán)重裁剪來(lái)縮減計(jì)算成本,但一般未考慮模型輸入樣本自身的特點(diǎn)以及計(jì)算過(guò)程本身的特點(diǎn),因而缺乏靈活性。鑒于此,我們將設(shè)計(jì)能夠基于輸入樣本自身特點(diǎn),進(jìn)行動(dòng)態(tài)自適應(yīng)計(jì)算的神經(jīng)網(wǎng)絡(luò),以此來(lái)構(gòu)建和優(yōu)化模型;縮減冗余的計(jì)算量,做到保證精度的前提下,大幅的降低計(jì)算成本,同時(shí)具備很好的靈活性,能夠泛化到其他任務(wù)和領(lǐng)域。另一方面,現(xiàn)今的人臉識(shí)別算法可以在一些公開(kāi)的人臉識(shí)別數(shù)據(jù)集上做到非常高的水準(zhǔn),但在一些實(shí)際場(chǎng)景下的精度表現(xiàn)并不盡如人意,我們探索如何利用工程的方法在人臉識(shí)別流程上改進(jìn)算法和模型的訓(xùn)練方法,以適應(yīng)實(shí)際的非受限場(chǎng)景下的亞裔人臉識(shí)別的任務(wù),提高識(shí)別精度,降低人臉識(shí)別的誤識(shí)率。最后,我們會(huì)將整套人臉識(shí)別的系統(tǒng)應(yīng)用到一個(gè)大規(guī)模人臉檢索任務(wù)上來(lái)測(cè)試我們方法的性能。
【學(xué)位單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

圖 1-1 本文的主要研究?jī)?nèi)容1.3 論文章節(jié)安排本文的組織結(jié)構(gòu)具體如下：第一章：介紹了人臉識(shí)別研究領(lǐng)域的背景和意義以及本文的貢獻(xiàn)，最后概括了本論文的組織結(jié)構(gòu)；第二章：提出了動(dòng)態(tài)自適應(yīng)計(jì)算的神經(jīng)網(wǎng)絡(luò)來(lái)處理人臉檢測(cè)的任務(wù)，該方法基于深度學(xué)習(xí)算法和相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)，可以在保證精度的前提下大大降低計(jì)算成本，利用ResNet 結(jié)構(gòu)和空間自適應(yīng)計(jì)算的策略來(lái)完成自適應(yīng)計(jì)算神經(jīng)網(wǎng)絡(luò)的構(gòu)建。我們?cè)O(shè)計(jì)的自適應(yīng)計(jì)算策略可以讓模型在計(jì)算成本和精度上保持很好的均衡，同時(shí)很容易泛化到其他任務(wù)。

判斷是否是人臉。第一個(gè)神經(jīng)網(wǎng)絡(luò)估計(jì)出的角度用于對(duì)檢測(cè)窗口做旋轉(zhuǎn)，然后利用二個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)旋轉(zhuǎn)后的待檢窗口做二分類。Rowley 的方法在當(dāng)時(shí)精度較高，只由于其模型的復(fù)雜結(jié)構(gòu)而致使速度較慢。AdaBoost 架構(gòu)是利用集成學(xué)習(xí)算法，通多個(gè)簡(jiǎn)單的弱分類器級(jí)聯(lián)，形成精度較高的強(qiáng)分類器。例如 Viola 等人提出的人臉測(cè)方法[17]，使用 Haar-Like 特征和級(jí)聯(lián)的 AdaBoost 分類器來(lái)構(gòu)建檢測(cè)模型，在保精度的情況下大大提升了算法的速度，人們稱之為 VJ 架構(gòu)。它奠定 AdaBoost 目標(biāo)檢測(cè)框架的基礎(chǔ)。AdaBoost 算法的思想是，級(jí)聯(lián)多個(gè)分類器，依序?qū)斎肴四樆蛉四樳M(jìn)行分類，相當(dāng)于流水線作業(yè)，判定輸入是人臉圖片與否。前面的弱分類器的作用是快速排除大量負(fù)樣本，所以設(shè)計(jì)較為簡(jiǎn)單，但準(zhǔn)確率并沒(méi)有很高的保障，所以后續(xù)需要強(qiáng)分類器進(jìn)一步篩選，當(dāng)某個(gè)樣本經(jīng)過(guò)了所有的分類器的篩選則被認(rèn)為是正樣本。級(jí)聯(lián)分類器的示意如下圖 1-2。

圖 1-3 MTCNN 的輸入預(yù)處理以及 P-net，R-net，O-net 流程圖Face R-CNN[22]是基于 Faster R-CNN[23]經(jīng)典檢測(cè)算法做人臉檢測(cè)，在原有的兩階段檢測(cè)框架上對(duì)于人臉檢測(cè)任務(wù)做了優(yōu)化：增加了center loss的損失項(xiàng)以及onlinehard example mining[39]和多尺度訓(xùn)練的策略， 對(duì)檢測(cè)精度有一定的提升。人臉檢測(cè)算法 SSH[24]的特點(diǎn)是尺度不變性，不同于 MTCNN 需要分別預(yù)測(cè)多個(gè)尺度的輸入圖片，SSH 只需要處理一個(gè)尺度的輸入。它的處理方法是在卷積神經(jīng)網(wǎng)絡(luò)的多個(gè)深度的層上引出 3 個(gè)分支，各個(gè)分支都使用相同的計(jì)算流程，對(duì)特征進(jìn)行分類和邊界框回歸。通過(guò)將不同尺度的特征作為預(yù)測(cè)分支的輸入，間接的實(shí)現(xiàn)了多尺度的人臉檢測(cè)。而 PyramidBox[25]算法主要是對(duì)各種策略和算法的的組合應(yīng)用，包括基于錨點(diǎn)（anchor）的上下文輔助方法用于監(jiān)督小尺度模糊或部分遮擋人臉的上下文特征的監(jiān)督信息；底層特征金字塔網(wǎng)絡(luò)來(lái)更好的融合特征；利用上下文敏感的預(yù)測(cè)模塊從合并的特征中了解精確的位置和分類；同時(shí)提出了基于尺度感知的數(shù)據(jù)增強(qiáng)方法，用以改進(jìn)對(duì)訓(xùn)
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 郎為民;安海燕;姚晉芳;;移動(dòng)設(shè)備自適應(yīng)計(jì)算卸載研究[J];電信快報(bào);2017年01期

2 曲強(qiáng);金明錄;;分?jǐn)?shù)階傅里葉變換的自適應(yīng)計(jì)算[J];系統(tǒng)仿真學(xué)報(bào);2009年23期

3 王正華;自適應(yīng)計(jì)算提高了IC的性能[J];今日電子;2001年12期

4 ;國(guó)際新聞[J];中國(guó)集成電路;2018年04期

5 Paul Master,彭京湘;自適應(yīng)計(jì)算減少Q(mào)CELP功率[J];電子產(chǎn)品世界;2001年05期

6 Paul Master,岳云;自適應(yīng)計(jì)算為MPEG-4注入新的動(dòng)力[J];今日電子;2001年11期

7 柳豐收;郭保穩(wěn);;基于SYSTOLIC陣列的空頻聯(lián)合自適應(yīng)調(diào)零算法[J];全球定位系統(tǒng);2017年05期

8 代偉;自適應(yīng)計(jì)算技術(shù)在無(wú)線移動(dòng)通信中的應(yīng)用[J];電子產(chǎn)品世界;2002年06期

9 王瑩;;自適應(yīng)計(jì)算架構(gòu)可應(yīng)對(duì)靈活多變的創(chuàng)新——訪靈思總裁兼首席執(zhí)行官Victor Peng[J];電子產(chǎn)品世界;2020年01期

10 ;超越FPGA功能的新型自適應(yīng)計(jì)算產(chǎn)品[J];今日電子;2018年04期

相關(guān)博士學(xué)位論文 前1條

1 趙紀(jì)坤;各向異性局部重構(gòu)型后驗(yàn)誤差估計(jì)及自適應(yīng)計(jì)算[D];鄭州大學(xué);2016年

相關(guān)碩士學(xué)位論文 前8條

1 陳坤鵬;基于自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)和識(shí)別[D];華中科技大學(xué);2019年

2 劉紅;虛擬多介質(zhì)三維電容提取的性能改進(jìn)算法研究[D];清華大學(xué);2005年

3 李留強(qiáng);h型自適應(yīng)有限元法計(jì)算重力壩應(yīng)力的控制標(biāo)準(zhǔn)及改善壩踵區(qū)應(yīng)力分布的方法探討[D];大連理工大學(xué);2006年

4 趙京昌;自適應(yīng)間斷有限元方法在中子輸運(yùn)問(wèn)題中的應(yīng)用[D];華北電力大學(xué)(北京);2016年

5 饒瑋;短波接收機(jī)前端強(qiáng)干擾噪聲自適應(yīng)對(duì)消實(shí)現(xiàn)[D];華中科技大學(xué);2009年

6 魏玉果;基于自適應(yīng)計(jì)算階次跟蹤的旋轉(zhuǎn)機(jī)械階次分析系統(tǒng)[D];重慶大學(xué);2007年

7 王亮;寬帶移動(dòng)多載波系統(tǒng)的測(cè)距和峰均比降低技術(shù)研究[D];中國(guó)科學(xué)院研究生院（上海微系統(tǒng)與信息技術(shù)研究所）;2008年

8 岳永恒;基于Agent教學(xué)系統(tǒng)中關(guān)鍵問(wèn)題的研究[D];長(zhǎng)沙理工大學(xué);2005年

本文編號(hào)：2839709