【《MobileNetV3多姿态人脸识别算法分析案例》2400字】_第1页
【《MobileNetV3多姿态人脸识别算法分析案例》2400字】_第2页
【《MobileNetV3多姿态人脸识别算法分析案例》2400字】_第3页
【《MobileNetV3多姿态人脸识别算法分析案例》2400字】_第4页
【《MobileNetV3多姿态人脸识别算法分析案例》2400字】_第5页
已阅读5页，还剩3页未读， 继续免费阅读

付费下载

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

MobileNetV3多姿态人脸识别算法分析案例目录TOC\o"1-3"\h\u25055MobileNetV3多姿态人脸识别算法分析案例 [21]。此数据集最大的特点就是数据集中的人脸姿态变化非常丰富，规模更大，场景丰富，方便我们更好的进行训练。我们将人脸各个姿态的图像，如下图展示，分别去训练模型，使得模型学会在不同姿态，不同角度的人脸特征，从而在执行前向推理的过程中能有效识别人脸。图4-4多姿态人脸数据集1.5.2实验参数设置与训练 （1）训练模型训练阶段采用动量项为0.9的异步随机梯度下降，我们可以用小批量随机梯度下降从而优化。将一个batch设置为64张图片，每训练完一个batch进行一次参数更新；subdivisions相当于分组个数，Batch/subdivisions得到的结果表示一次送到网络中的数量，然后需要送subdivisions次，这样能有效解决显存不足的问题。Learningrate为网络学习率，是指网络学习训练样本的速率。在训练的一开始的时候，可以将其设置的大一些，随着训练次数的不断增加，比如在1000次迭代后，减小学习速率，使其慢慢收敛到稳定。Decay代表权值衰减正则项，在训练中防止过拟合。表1.1参数配置表参数名称参数值Batch（样本数量）64Subdivisions（组数）16Learningrate（学习率）0.001Momentum（动量项）0.9Decay（衰减正则项）0.0001（2）评价指标其中如果对人脸检测正确并且检测框中心坐标和检测框维度在一定的范围内的检测结果记为Truepositives。Falsepositives指的是检测错误或者检测框不在设定的阀值之内。同时对于没有被检测到的人脸预测结果记为Falsenegatives，具体的定义如下图4-5所示:图4-5评测指标定义查全率（召回率）即被检测到目标个数与样本集中所有目标的比值。Rec查准率（精确率）在目标检测过程中，正确检测的目标占所检测目标个数的比值。Precision=TP1.5.3实验结果展示与分析 我们对两张转角分别为45°和135°的人脸照片进行测试，发现能够准确的识别出这两张人脸是zyl，如图4-6可以看出图片的人脸的名字已经显示在绿色的框中。图4-6人脸测试结果同时，使用WIDERFace数据集分别对原始的MobileNetV3和改进后的MobileNetV3进行实验，如表1.2所示，我发现改进损失函数后的模型在精确率和召回率上都有所提高了。表1.2基于两种模型的性能比较算法Prec

人人文库> 全部分类> 行业资料 > 工业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论