基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究

1、基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究深度卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用包括語音識(shí)別、圖像處理、自然語言處理等。本文就當(dāng)前大環(huán)境下研究了卷積神經(jīng)網(wǎng)絡(luò)模型在靜態(tài)環(huán)境下人臉識(shí)別領(lǐng)域的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)模型需要設(shè)計(jì)一個(gè)可行的網(wǎng)絡(luò)模型，將大量的人臉訓(xùn)練數(shù)據(jù)集加載到網(wǎng)絡(luò)模型中，然后進(jìn)行自動(dòng)訓(xùn)練，這樣就可以得到很好的識(shí)別率。把訓(xùn)練好的模型保存下來，那么這個(gè)模型就是一個(gè)端到端的人臉特征提取器。該方法雖然操作簡單，但是需要根據(jù)訓(xùn)練數(shù)據(jù)集設(shè)計(jì)合理的網(wǎng)絡(luò)結(jié)構(gòu)，而且最難的關(guān)鍵點(diǎn)是超參數(shù)的調(diào)整和優(yōu)化算法的設(shè)計(jì)。因此本文結(jié)合殘差網(wǎng)絡(luò)和融合網(wǎng)絡(luò)構(gòu)建了兩個(gè)與計(jì)算資源和數(shù)據(jù)資源相匹配的網(wǎng)絡(luò)模型，并通過反復(fù)調(diào)整超參數(shù)和調(diào)試優(yōu)化器使其在訓(xùn)練集

2、上能夠收斂，最終還取得較好的識(shí)別率。本文的主要研宄內(nèi)容和創(chuàng)新點(diǎn)如下：1.介紹了卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)理論知識(shí)。先從傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)、前向和反向傳播算法進(jìn)行了詳細(xì)的分析；然后過渡到卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論，對(duì)其重要組成部分如卷積層、激勵(lì)層、池化層和全連接層進(jìn)行了具體的闡述；最后對(duì)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的一些注意事項(xiàng)進(jìn)行了說明。人工神經(jīng)元是構(gòu)成人工神經(jīng)網(wǎng)絡(luò)的基本計(jì)算單元，單個(gè)神經(jīng)元的模型結(jié)構(gòu)如下圖所示。其中，Z=Ywx+b=WtX+b111h(x)=f(z)w,hf(z)=b(z)=f(z)=tanh(z)=ex+e-xex-e-x卷積神經(jīng)網(wǎng)路的基本結(jié)構(gòu)ConvolutiaiisPoolingCo

3、nvolutionsPoolingFullConnection簡單的池化過程：核大小:2x2步長：2原圖橡S64J*Br7比53.5i”.寸“I2,55池化結(jié)果2.對(duì)深度學(xué)習(xí)框架TensorFlow的系統(tǒng)架構(gòu)和編程模型作了一些說明，并對(duì)人臉數(shù)據(jù)進(jìn)行預(yù)處理，包括人臉檢測(cè)、數(shù)據(jù)增強(qiáng)、圖像標(biāo)準(zhǔn)化和人臉中心損失。TensorFlow的系統(tǒng)架構(gòu)如下圖所示InferencelibsTrainingLibrariesPythonchentC卄clientDistributedmasterDataflowexecutorTensorCAPIConstVarWlatmulConv2DReluQuueOpKern

4、e1ImplemcntationsgRPCrdma.NetworklayersCPUGPtJDevicelayersTensorFlow的編程模式drent1fufinglepnoc-esrnasterworkprpfKjesj3warJcerprocess2DRJ：系統(tǒng)本地模式和分布式模式示意圖3.提出了基于改進(jìn)的MyVGGNet和MySqueezeNet網(wǎng)絡(luò)的人臉識(shí)別。首先分析了模型VGGNet-16和SqueezeNe的網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)參數(shù)，然后本文提出將原VGGNet-16和SqueezeNe的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化，并在每個(gè)卷積層和激勵(lì)層之間添加批歸一化層，在VGGNet-16網(wǎng)絡(luò)末尾

5、用1個(gè)1*1的卷積層代替三個(gè)全連接層，還增加全局平均池化層，得到新的MyVGGNet和MySqueezeNet模型，最后在LFW數(shù)據(jù)集上分別獲得94.3%和95.1%的準(zhǔn)確率。VGGNet-16網(wǎng)絡(luò)結(jié)構(gòu)框圖MyVGGNet網(wǎng)絡(luò)框圖a95-AccuracyCurveWyVGijNet25D04J5BD3D75DC01ODEM50125OK50017SD0CTrainingMyVGGNet網(wǎng)絡(luò)訓(xùn)練時(shí)LFW測(cè)試集的準(zhǔn)確率走勢(shì)圖Gpe：tnqrd,.ct-n；rised&己4.提出了基于叉樹型融合網(wǎng)絡(luò)BTreeFuseNet_v1和BTreeFuseNet_v2的人臉識(shí)別。首先對(duì)深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化問題

6、和融合原理作了分析；然后結(jié)合殘差學(xué)習(xí)，融入分支并行、融合和級(jí)聯(lián)三種結(jié)構(gòu)，采用ReLU函數(shù)、BN層、Dropout層、哈維爾方法和截?cái)喔咚购瘮?shù)初始化方法、Adam優(yōu)化器等技巧，構(gòu)建了兩個(gè)層次深度為22和19的網(wǎng)絡(luò)模型BTreeFuseNet_vl和BTreeFuseNet_v2,并詳細(xì)說明了這兩個(gè)網(wǎng)絡(luò)模型的基本構(gòu)成、整體架構(gòu)和模型參數(shù)；最后在Facescmb數(shù)據(jù)集上連續(xù)訓(xùn)練，同時(shí)調(diào)整網(wǎng)絡(luò)參數(shù)，獲取較好的模型再在LFW測(cè)試集上進(jìn)行人臉驗(yàn)證，并且分別取得94.9%和95.5%的準(zhǔn)確率。ReciverOpera-tingCharBcteristics1.0G1ffTrteFuwNetlW.SO%!ffTfeeFuMNe0.40鼻祐Os$0FlsePSFtiveRateBTreeFuseNet_vl和BTreeFuseNet_v2在LFW數(shù)據(jù)集上的ROC曲線在深度融合網(wǎng)絡(luò)的基礎(chǔ)上提出二叉樹融合網(wǎng)絡(luò)