基于SVM及RF的CNN分類模型及其在人臉檢測(cè)中的應(yīng)用研究.pdf

1、信息的飛速膨脹促進(jìn)了“大數(shù)據(jù)”時(shí)代的來(lái)臨，如何高效、快速的處理大數(shù)據(jù)成為信息領(lǐng)域一個(gè)重要的課題。深度學(xué)習(xí)通過(guò)模擬人腦的工作方式來(lái)獲取數(shù)據(jù)的重要信息，成為現(xiàn)階段處理數(shù)據(jù)的一種重要的手段。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）作為深度學(xué)習(xí)的一種，主要特征包括權(quán)值數(shù)量、局部感受野以及卷積運(yùn)算，這些特點(diǎn)保證了它良好的應(yīng)用效果,解決了信息處理中特征提取前需要大量預(yù)處理工作的問(wèn)題。本文主要研究基于支持向量

2、機(jī)及隨機(jī)森林的卷積神經(jīng)網(wǎng)絡(luò)分類模型，并應(yīng)用于人臉檢測(cè)領(lǐng)域中。主要?jiǎng)?chuàng)新工作如下：
　?。?）提出了一種基于支持向量機(jī)（Support Vector Machine，SVM）的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)分類模型。卷積神經(jīng)網(wǎng)絡(luò)無(wú)需復(fù)雜的預(yù)處理工作，能夠有效的提取圖像的特征向量，但是其分類工作完全依賴于全連接層，因此檢測(cè)率有待提高。支持向量機(jī)具有良好的分類能力，但是不能進(jìn)行特征提取，因此將二者的優(yōu)點(diǎn)結(jié)合，提出基于 SVM的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)分類模型。

3、實(shí)驗(yàn)證明這種模型能夠有效的提高經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的分類能力。
　?。?）提出了基于SVM以及隨機(jī)森林（Random Forest,RF）的PCANets分類模型。首先，在基于SVM的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型中用PCANets取代經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)得到基于SVM的PCANets分類模型，其次用RF替換SVM進(jìn)行分類，得到基于RF的PCANets分類模型。這兩種模型結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練中無(wú)需大量計(jì)算參數(shù)。實(shí)驗(yàn)結(jié)果證明，基于RF的PCANets分類模

4、型運(yùn)行速度更快，而基于SVM的PCANets分類模型檢測(cè)率更高，且這兩者模型在運(yùn)行中都不需要多次人工干預(yù)設(shè)定參數(shù)。
　?。?）提出了基于SVM/RF的自適應(yīng)中值濾波PCANets分類模型。引入自適應(yīng)中值濾波算法到基于SVM/RF的PCANets分類模型中。首先用自適應(yīng)中值濾波算法對(duì)圖像去噪，然后用PCANets算法提取特征向量，最后用SVM/RF檢測(cè)分類。自適應(yīng)中值濾波算法簡(jiǎn)單，可以根據(jù)具體的圖像自適應(yīng)調(diào)整算法，因此運(yùn)行效率較高，