基于捷径的卷积神经网络在人脸识别中的应用研究

被引：18

作者：

王飞 ^{[1
]}

张莹 ^{[1
,2
]}

张东波 ^{[1
,2
]}

邵豪 ^{[1
]}

成超鹏 ^{[1
]}

机构：

[1] 湘潭大学信息工程学院

[2] 机器人视觉感知与控制技术国家工程实验室

来源：

电子测量与仪器学报 | 2018年 / 32卷 / 04期

基金：

湖南省自然科学基金;

关键词：

卷积神经网络; 捷径连接; 惩罚函数; 人脸识别;

D O I：

10.13382/j.jemi.2018.04.012

中图分类号：

TP183 [人工神经网络与计算]; TP391.41 [];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 080203 ;

摘要：

人脸识别的特征要求具有区分性和识别性,传统的卷积神经网络(CNN)无法将低层次特征与高层次特征进行融合,识别准确率难以进一步提高。提出了一种基于附加惩罚函数和捷径连接的卷积神经网络模型,算法通过将第一层的卷积特征与原有网络模型最后一层的全连接层直接连接,增加了深层次特征的识别能力,减少了浅层主要特征的损失;为了提高已学习到的深度特征的识别能力,算法在原有的softmax损失函数项添加一个惩罚项,使已学习到的同类特征到该类特征中心之间的距离最小化。在CASIA-web、Facescrub数据集上的实验结果表明,改进算法分类准确率优于深度卷积神经网络(DCNN)、GRCC等算法。

引用

页码：80 / 86

页数：7

共 6 条

[1] 基于多特征子空间与核学习的行人再识别 [J].

齐美彬 ;

檀胜顺 ;

王运侠 ;

刘皓 ;

蒋建国 .

自动化学报, 2016, 42 (02) :299-308

[2]

Face recognition[J] . W. Zhao,R. Chellappa,P. J. Phillips,A. Rosenfeld.ACM Computing Surveys (CSUR) . 2003 (4)

[3]

Unconstrained face verification using deep CNN features .2 Chen J C,Patel V M,Chellappa R. IEEE Winter Conference on Applications of Computer Vision . 2016

[4]

Pattern classification .2 Duda R O,Hart P E,Stork D G. John Wiley&Sons . 2012

[5]

Learning face representation from scratch .2 Yi D,Lei Z,Liao S. et al. . 2014

[6]

A discriminative feature learning approach for deep face recognition .2 WEN Y,ZHANG K,LI Z,et al. European Conference on Computer Vision . 2016

← 1 →