本文關(guān)鍵詞：門限玻爾茲曼機(jī)在人臉識(shí)別中的魯棒性研究，由筆耕文化傳播整理發(fā)布。

【摘要】：人臉信息作為生物特征中最重要的一種,具有極易獲取、多信息量、舒適感強(qiáng)、可靠性高的特點(diǎn),愈來愈廣泛地被應(yīng)用在需要身份識(shí)別的領(lǐng)域。然而,識(shí)別過程中存在很多影響因素,包括年齡、表情、發(fā)型、眼鏡、光照、角度、姿態(tài)等,給人臉識(shí)別技術(shù)帶來了巨大的挑戰(zhàn)。本文基于深度學(xué)習(xí)在圖像識(shí)別的相關(guān)理論,分析了深度學(xué)習(xí)的基本模型和方法,并在相關(guān)人臉數(shù)據(jù)集上實(shí)驗(yàn)應(yīng)用；并且提出了一種改進(jìn)算法,具體工作內(nèi)容如下：(1)深入研究了玻爾茲曼機(jī)及其魯棒性較強(qiáng)的衍生結(jié)構(gòu)：限制玻爾茲曼機(jī)(RBM),掀起深度學(xué)習(xí)浪潮的深度信念網(wǎng)絡(luò)(DBN),卷積限制玻爾茲曼機(jī)(CRBM),高斯玻爾茲曼機(jī)(Gaussian RBM),門限的玻爾茲曼機(jī)(Gated RBM)等模型結(jié)構(gòu)與特點(diǎn)。(2)分析卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNNs)的基本原理,訓(xùn)練過程和模型結(jié)構(gòu)。其中卷積層通過卷積運(yùn)算,可以使原信號(hào)增強(qiáng),并且降低噪聲,提高信噪比；降采樣對(duì)卷積層的圖像進(jìn)行子抽樣,在保證了有用信息不降低的基礎(chǔ)上,減少數(shù)據(jù)處理量。(3)研究了以上深度學(xué)習(xí)模型結(jié)構(gòu)與特點(diǎn)后,針對(duì)人臉識(shí)別中面臨的不可控因素問題,設(shè)計(jì)了卷積門限的玻爾茲曼機(jī)結(jié)構(gòu)。詳細(xì)推導(dǎo)了卷積門限玻爾茲曼機(jī)模型的能量函數(shù)和推斷。文章中實(shí)驗(yàn)針對(duì)提出的卷積門限玻爾茲曼機(jī)算法的訓(xùn)練效果和在遮擋數(shù)據(jù)下進(jìn)行測(cè)試。文中使用常見的人臉識(shí)別中具有魯棒性的算法與本文算法對(duì)比,經(jīng)過對(duì)比文中的降噪性能與識(shí)別性能較另外幾種算法優(yōu)秀。
【關(guān)鍵詞】：深度學(xué)習(xí) 不可控環(huán)境人臉識(shí)別 玻爾茲曼機(jī) 魯棒性
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-10
• 1 引言10-21
• 1.1 課題研究背景10-13
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀13-18
• 1.2.1 國(guó)內(nèi)外人臉識(shí)別研究現(xiàn)狀13-15
• 1.2.2 國(guó)內(nèi)外深度學(xué)習(xí)方法研究現(xiàn)狀15-16
• 1.2.3 基于深度學(xué)習(xí)方法的生物特征識(shí)別應(yīng)用的研究現(xiàn)狀16-18
• 1.3 課題研究主要內(nèi)容18-19
• 1.4 本文組織結(jié)構(gòu)19-21
• 2 深度學(xué)習(xí)模型進(jìn)展研究21-40
• 2.1 人工神經(jīng)網(wǎng)絡(luò)(ANN)21-25
• 2.1.1 單個(gè)神經(jīng)元21-22
• 2.1.2 神經(jīng)網(wǎng)絡(luò)模型22-24
• 2.1.3 前饋反向傳播算法24-25
• 2.2 常見深度學(xué)習(xí)模型25-30
• 2.2.1 卷積神經(jīng)網(wǎng)絡(luò)(CNNs)27-28
• 2.2.2 玻爾茲曼機(jī)(BM)28-30
• 2.3 玻爾茲曼機(jī)衍生模型30-39
• 2.3.1 限制玻爾茲曼機(jī)(RBM)30-34
• 2.3.2 深度信念網(wǎng)絡(luò)(DBN)34-35
• 2.3.3 卷積限制玻爾茲曼機(jī)(Convolutional RBM)35-37
• 2.3.4 高斯玻爾茲曼機(jī)(Gaussian-RBM)37-38
• 2.3.5 單一門限的玻爾茲曼機(jī)(Gated-RBM)38-39
• 2.4 本章小結(jié)39-40
• 3 卷積門限玻爾茲曼機(jī)40-45
• 3.1 門限玻爾茲曼機(jī)結(jié)構(gòu)40-43
• 3.1.1 玻爾茲曼機(jī)模型總結(jié)40-41
• 3.1.2 門限玻爾茲曼機(jī)模型結(jié)構(gòu)41-42
• 3.1.3 卷積門限玻爾茲曼機(jī)模型結(jié)構(gòu)42-43
• 3.2 門限玻爾茲曼機(jī)模型參數(shù)調(diào)整43-44
• 3.3 本章小結(jié)44-45
• 4 實(shí)驗(yàn)仿真及結(jié)果分析45-55
• 4.1 實(shí)驗(yàn)仿真45-49
• 4.1.1 訓(xùn)練效果45-47
• 4.1.2 去噪實(shí)驗(yàn)效果47-49
• 4.2 識(shí)別實(shí)驗(yàn)49-53
• 4.2.1 Yale人臉數(shù)據(jù)庫49-51
• 4.2.2 AR人臉數(shù)據(jù)庫51-52
• 4.2.3 Yale Extended B人臉數(shù)據(jù)庫52-53
• 4.3 調(diào)節(jié)參數(shù)總結(jié)53-54
• 4.4 本章小結(jié)54-55
• 5 總結(jié)與展望55-57
• 5.1 總結(jié)55
• 5.2 展望55-57
• 參考文獻(xiàn)57-61
• 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果61-63
• 學(xué)位論文數(shù)據(jù)集63

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前3條

1 劉來福，唐志宇，匡錦瑜;向量玻爾茲曼機(jī)[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);1996年04期

2 秦勝君;盧志平;;基于限制玻爾茲曼機(jī)的無極性標(biāo)注情感分類研究[J];科學(xué)技術(shù)與工程;2013年35期

3 ;[J];;年期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前7條

1 李娟;基于RBM的小分子活性及選擇性研究[D];蘭州大學(xué);2015年

2 葉睿;基于深度學(xué)習(xí)的人臉檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 張衛(wèi)東;深度信念網(wǎng)絡(luò)及其在手寫字體識(shí)別中的應(yīng)用[D];成都理工大學(xué);2015年

4 施維劏;門限玻爾茲曼機(jī)在人臉識(shí)別中的魯棒性研究[D];北京交通大學(xué);2015年

5 王海麟;通過信息幾何方法挖掘玻爾茲曼機(jī)的不變性[D];天津大學(xué);2014年

6 仝少敏;基于受限玻爾茲曼機(jī)的面部運(yùn)動(dòng)識(shí)別方法研究[D];哈爾濱工業(yè)大學(xué);2014年

7 李平;監(jiān)督概率主題模型研究[D];安徽工業(yè)大學(xué);2014年

  本文關(guān)鍵詞：門限玻爾茲曼機(jī)在人臉識(shí)別中的魯棒性研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：436092