基于SDCNN的人臉識(shí)別研究.pdf

1、人臉識(shí)別是機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)領(lǐng)域中的一個(gè)研究熱點(diǎn)，近年來(lái)在實(shí)際工程中應(yīng)用越來(lái)越廣泛。人臉識(shí)別相關(guān)的技術(shù)多樣化，包括淺層特征提取后分類、深層結(jié)構(gòu)直接學(xué)習(xí)等。卷積神經(jīng)網(wǎng)絡(luò)是一種適應(yīng)二維人臉圖像識(shí)別場(chǎng)景的有效學(xué)習(xí)方式，被大量文獻(xiàn)用于解決人臉識(shí)別問(wèn)題。然而，目前卷積神經(jīng)網(wǎng)絡(luò)在其池采樣過(guò)程中使用固定的采樣策略會(huì)增大層間有效信息丟失的可能性，從而降低網(wǎng)絡(luò)的識(shí)別性能和泛化能力;另外，已有結(jié)構(gòu)的相鄰層間的卷積運(yùn)算多為確定的全連接方式，無(wú)法有效降低待訓(xùn)

2、練參數(shù)的數(shù)量。
　　針對(duì)這些問(wèn)題，本文提出了隨機(jī)深層卷積神經(jīng)網(wǎng)絡(luò)(Stochastic DeepConvolutional Neural Networks，簡(jiǎn)稱SDCNN)，在卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行深層化并對(duì)卷積層的池采樣方法和層間特征圖譜的部分連接方式均進(jìn)行了隨機(jī)化改進(jìn)，同時(shí)構(gòu)建了接收多層次輸入特征圖譜的全連通特征層，最終將其應(yīng)用在人臉識(shí)別任務(wù)中。首先，在卷積網(wǎng)絡(luò)子采樣層的池采樣函數(shù)選取研究中，本文提出的新方法根據(jù)池采樣區(qū)域內(nèi)具

3、體元素值的平方作為概率計(jì)算的依據(jù)進(jìn)行隨機(jī)采樣，解決傳統(tǒng)算法采樣值過(guò)于單一的問(wèn)題。然后，在不同層間的卷積運(yùn)算中，提出了隨機(jī)部分連接參數(shù)的方法，使得隨機(jī)池采樣層到卷積層的連接更為高效和全面，同時(shí)降低了網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)數(shù)量。最后，對(duì)于高層結(jié)構(gòu)的設(shè)計(jì)，本文將不同層次的特征圖譜與一個(gè)全連接層和soft-max回歸層依次連接進(jìn)行有監(jiān)督的訓(xùn)練以便得到正確的分類結(jié)果。
　　實(shí)驗(yàn)結(jié)果證明，在特定訓(xùn)練參數(shù)和人臉數(shù)據(jù)庫(kù)測(cè)試下，本文提出的SDCNN結(jié)構(gòu)