得益于獨(dú)特的物理屬性和非接觸、非侵占性,人臉識別技術(shù)已經(jīng)成為了最重要的身份識別技術(shù)之一,在眾多領(lǐng)域都得到了廣泛的應(yīng)用。在人臉識別算法中,如何提取高質(zhì)量的人臉特征是決定算法性能的關(guān)鍵所在。在深度學(xué)習(xí)技術(shù)興起之前,主流的人臉識別算法主要依靠專家精心設(shè)計(jì)的手工特征進(jìn)行特征提取。手工特征一般針對某些特定場景或需求設(shè)計(jì),依賴于這些領(lǐng)域的先驗(yàn)知識,開發(fā)成本高昂且應(yīng)用場景受限。深度學(xué)習(xí)技術(shù)是機(jī)器學(xué)習(xí)領(lǐng)域的熱門領(lǐng)域,它旨在通過多層級聯(lián)的復(fù)雜非線性結(jié)構(gòu)直接從樣本中學(xué)習(xí)潛在的模式和表征,從而打破手工特征的限制并實(shí)現(xiàn)自動特征提取。近年來,作為深度學(xué)習(xí)技術(shù)的代表之一,卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network,CNN）已經(jīng)成為人臉識別領(lǐng)域的研究熱點(diǎn)。隨著卷積神經(jīng)網(wǎng)絡(luò)模型的深度和性能不斷增加,其訓(xùn)練過程中的計(jì)算量也在不斷增大,以至于大部分高性能模型的訓(xùn)練都依賴于昂貴的專用設(shè)備。所以,如何在保持模型性能的情況下實(shí)現(xiàn)模型的輕量化和小型化是基于深度學(xué)習(xí)的人臉識別算法進(jìn)一步發(fā)展和應(yīng)用的關(guān)鍵。本文以基于深度學(xué)習(xí)的人臉識別算法為主要研究對象,認(rèn)真研究它們的算法思想和缺點(diǎn),分析其缺陷并提出改進(jìn)算法,從... 

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 人臉識別的發(fā)展歷程
    1.3 人臉識別算法的研究現(xiàn)狀分析
        1.3.1 網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)
        1.3.2 損失函數(shù)的改進(jìn)
        1.3.3 網(wǎng)絡(luò)輕量化的改進(jìn)
    1.4 本文結(jié)構(gòu)安排
第二章 深度學(xué)習(xí)基礎(chǔ)及相關(guān)算法
    2.1 深度學(xué)習(xí)算法基礎(chǔ)及常見結(jié)構(gòu)
    2.2 本文相關(guān)算法介紹
        2.2.1 基于一范數(shù)的主成分分析(L1-PCA)
        2.2.2 基于一范數(shù)的二維主成分分析(L1-2DPCA)
        2.2.3 增量主成分分析(CCIPCA)
        2.2.4 主成分分析網(wǎng)絡(luò)(PCANet)
    2.3 本文使用到的數(shù)據(jù)集介紹
        2.3.1 EYB人臉數(shù)據(jù)集
        2.3.2 AR人臉數(shù)據(jù)集
        2.3.3 FERET人臉數(shù)據(jù)集
        2.3.4 LFW人臉數(shù)據(jù)集
        2.3.5 CIFAR-10數(shù)據(jù)集
        2.3.6 MNIST手寫數(shù)字?jǐn)?shù)據(jù)集
    2.4 本章小結(jié)
第三章 L1-2D~2PCANet:一種輕量級深度學(xué)習(xí)人臉識別網(wǎng)絡(luò)
    3.1 引言
    3.2 基于一范數(shù)的主成分分析網(wǎng)絡(luò)
        3.2.1 L1-PCANet的訓(xùn)練過程
        3.2.2 L1-PCANet的推理過程
    3.3 基于一范數(shù)的雙向二維主成分分析網(wǎng)絡(luò)
        3.3.1 L1-2D~2PCANet的訓(xùn)練過程
        3.3.2 L1-2D~2PCANet的推理過程
    3.4 實(shí)驗(yàn)分析和討論
        3.4.1 Extended Yale B
        3.4.2 AR
        3.4.3 FERET
        3.4.4 Yale
        3.4.5 LFW-A
        3.4.6 實(shí)驗(yàn)結(jié)果分析及討論
    3.5 本章小結(jié)
第四章 一種基于奇異向量典型相關(guān)分析的卷積神經(jīng)網(wǎng)絡(luò)模型性能評估新方法
    4.1 引言
    4.2 奇異向量典型相關(guān)分析
    4.3 基于奇異向量典型相關(guān)分析的卷積神經(jīng)網(wǎng)絡(luò)模型性能評估
    4.4 實(shí)驗(yàn)分析和討論
        4.4.1 CIFAR-10
        4.4.2 MNIST
    4.5 本章小結(jié)
第五章 IPCANet:一種增量的深度學(xué)習(xí)人臉識別算法
    5.1 引言
    5.2 雙向二維增量主成分分析算法(2D~2IPCA)
    5.3 雙向二維增量主成分分析網(wǎng)絡(luò)
        5.3.1 IPCANet的訓(xùn)練過程
        5.3.2 IPCANet的推理過程
    5.4 實(shí)驗(yàn)分析和討論
        5.4.1 EYB
        5.4.2 FERET
        5.4.3 AR
    5.5 本章小結(jié)
主要結(jié)論與展望
    主要結(jié)論
    展望
致謝
參考文獻(xiàn)
附錄:作者在攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)綜述[J]. 景晨凱,宋濤,莊雷,劉剛,王樂,劉凱倫.  計(jì)算機(jī)應(yīng)用與軟件. 2018(01)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[3]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動化學(xué)報(bào). 2016(09)
[4]基于時序特性的自適應(yīng)增量主成分分析的視覺跟蹤[J]. 蔡自興,彭夢,余伶俐.  電子與信息學(xué)報(bào). 2015(11)
[5]基于增量核主成分分析的數(shù)據(jù)流在線分類框架[J]. 吳楓,仲妍,吳泉源.  自動化學(xué)報(bào). 2010(04)
[6]人臉識別技術(shù)綜述[J]. 張翠平,蘇光大.  中國圖象圖形學(xué)報(bào). 2000(11)



本文編號：3655867