自适应深度卷积神经网络在人脸识别上的应用

卷积神经网络作为一种可以自动提取样本特征的深度学习方法 ,与多种人脸识别方法相比具有更为可靠的识别精度。本文提出了一种自适应深度卷积神经网络算法,并将其应用于人脸识别系统。该算法在利用梯度下降法进行权值更新的同时,引入自适应的学习速率和积累动量,从而解决了学习速率选择困难的问题。本文将该算法与传统的卷积神经网络算法相对比,在FERET数据集上进行测试。实验结果表明,该算法加快了收敛过程,提高了识别的速率和精度。尤其当面对海量数据时,它避免了发生在其他深度学习方法中的梯度消失问题。