基于深度卷积神经网络的人脸识别研究

1、鉴于深度卷积神经网络的人脸辨别研究鉴于深度卷积神经网络的人脸辨别研究鉴于深度卷积神经网络的人脸辨别研究鉴于深度卷积神经网络的人脸鉴别研究深度卷积神经网络主要应用包括语音鉴别、图像办理、自然语言办理等。本文就当前大环境下研究了卷积神经网络模型在静态环境下人脸鉴别领域的应用。卷积神经网络模型需要设计一个可行的网络模型，将大量的人脸训练数据集加载到网络模型中，尔后进行自动训练，这样就可以获取很好的鉴别率。把训练好的模型保存下来，那么这个模型就是一个端到端的人脸特色提取器。该方法诚然操作简单，但是需要依照训练数据集设计合理的网络结构，而且最难的要点点是超参数的调整和优化算法的设计。因此本文结合残差网络

2、和交融网络成立了两个与计算资源和数据资源相般配的网络模型，并经过屡次调整超参数和调试优化器使其在训练集上可以收敛，最后还获取较好的鉴别率。本文的主要研宄内容和创新点以下：介绍了卷积神经网络的基础理论知识。先从传统人工神经网络的模型结构、前向和反向流传算法进行了详细的解析；尔后过渡到卷积神经网络的相关理论，对其重要组成部分如卷积层、激励层、池化层和全连接层进行了详细的阐述；最后对卷积神经网络训练时的一些注意事项进行了说明。人工神经元是组成人工神经网络的基本计算单元，单个神经元的模型结构以以下图所示。其中，Zw1x1bWTXbhw,h(x)f(z)1卷积神经网路的基本结构简单的池化过程：对深度学习

3、框架TensorFlow的系统架构和编程模型作了一些说明，并对人脸数据进行预办理，包括人脸检测、数据增强、图像标准化和人脸中心损失。TensorFlow的系统架构以以下图所示TensorFlow的编程模式系统当地模式和分布式模式表示图提出了鉴于改进的MyVGGNet和MySqueezeNet网络的人脸鉴别。第一解析了模型VGGNet-16和SqueezeNe的网络结构及相关参数，尔后本文提出将原VGGNet-16和SqueezeNe的网络结构和参数进行优化，并在每个卷积层和激励层之间增加批归一化层，在VGGNet-16网络尾端用1个1*1的卷积层代替三个全连接层，还增加全局平均池化层，获取新的

4、MyVGGNet和MySqueezeNet模型，最后在LFW数据集上分别获取94.3%和95.1%的正确率。VGGNet-16网络结构框图MyVGGNet网络框图MyVGGNet网络训练时LFW测试集的正确率走势图MyVGGNet网络在LFW上的ROC曲线图提出了鉴于二叉树型融合网络BTreeFuseNet_v1和BTreeFuseNet_v2的人脸鉴别。第一对深度神经网络的优化问题和融合原理作了解析；尔后结合残差学习，融入分支并行、交融和级联三种结构，采用ReLU函数、BN层、Dropout层、哈维尔方法和截断高斯函数初始化方法、Adam优化器等技巧，成立了两个层次深度为22和19的网络模型BTreeFuseNet_v1和BTreeFuseNet_v2，并详细说了然这两个网络模型的基本组成、整体架构和模型参数；最后在Facescmb数据集上连续训练，同时调整网络参数，获取较好的模型，再在LFW测试集进步行人脸考据，而且分别获取94.9%和95.5%的正确率。BTreeFuseNet_v1和BTreeFuseNet_v2在LFW数据集上的ROC曲线在深度交融网络的基础上提出二叉树交融网络，并详细说了然该网络模型的基本组成、整体架构和模