检索结果-内蒙古大学图书馆

作者：徐姝琪安徽工程大学

学位级别：硕士

人脸是人类向外界传递信息的重要渠道之一,是辨别身份最直接的代表。利用人脸图像特异性高、易捕获的特点,可以通过人脸识别技术来确定人脸与人物身份之间的关系。人脸识别是目前身份验证最方便有效的方法手段,广泛应用于火车站检票、... 详细信息

人脸是人类向外界传递信息的重要渠道之一,是辨别身份最直接的代表。利用人脸图像特异性高、易捕获的特点,可以通过人脸识别技术来确定人脸与人物身份之间的关系。人脸识别是目前身份验证最方便有效的方法手段,广泛应用于火车站检票、手机解锁、考勤打卡等重要场景。但随着近几年新冠疫情的高能传播,佩戴口罩成为了主要的防疫措施,人脸的大面积遮挡问题大大降低了人脸识别的准确率。为了降低疫情期间在公共环境下人们摘除口罩进行人脸识别时造成二次传播、感染的几率,有必要进一步的提高人脸识别的技术及其精度。本文主要工作如下:针对目前人脸识别系统识别佩戴口罩人员身份正确率偏低的问题,通过在人脸识别系统之前搭建一个针对性更强的人脸修复系统,尽可能的修复出高精度、高还原性的人脸图像,从而提高人脸的识别率。追求高精度高还原的人脸修复一直是近几年来不少研究人员的热门课题之一,但因其人脸的复杂多样性,难以提高人脸图像修复的真实性、可控性以及清晰度。针对以上的问题与挑战,本文在深度学习的基础上,结合多任务卷积神经网络（Multi-task Convolutional Neural Network,MTCNN）与生成对抗网络（Generative Adversarial Networks,GAN）技术,从人脸识别定位和人脸修复两个方面展开研究,提出了一种高效的人脸图像修复模型。人脸修复五官位置的准确度取决于人脸识别定位的准确度,针对人脸修复过程中出现的人脸误检以及修复的五官位置不准确的问题,提出了一种基于多任务卷积神经网络的人脸识别定位模型。首先,引入图像分类Inception V2模块,并在结构中添加批量归一化操作,提取更多特征信息的同时深化特征映射的维数,提高其五官位置的准确度;其次,选用均方误差（Mean Square Error,MSE）损失函数并优化其相关系数,提高训练的学习效率和稳定性;同时加入了人脸误判判别公式保留正确的人脸信息。针对人脸修复过程中图像失真、模糊以及人脸五官修复精度不高的问题,提出了一种基于生成对抗网络的人脸修复模型。首先,设计了生成模型和判别模型的结构和参数,增加结构的稳定性,引入逐信道全连接层和归一化层,降低丢失图像特征的概率,提高模型训练的收敛速度;其次,激活函数中引入tanh函数以及Leaky Re LU函数,并提出一种改良的Sigmoid函数扩大其不饱和区域,解决生成对抗网络容易梯度消失或梯度爆炸的问题;同时,采用自适应梯度优化算法替换常用的随机梯度下降算法提高图像的逼真度;在自身对抗损失函数的基础上引入Wasserstein距离,并引进全变分损失函数和重建损失函数,解决生成对抗网络训练过于自由的问题,提高修复图像的清晰度,解决图像失真的问题。综上分析后,本文在相关数据集上进行了实验,并与几种人脸识别与修复算法进行对比,通过实验表明,优化后的人脸修复模型,可以使五官位置更加准确,模型的预测效果更加真实清晰,人脸修复问题得到进一步改善,更加有利于人脸的身份识别。

关键词：生成对抗网络多任务卷积神经网络人脸修复图像分类损失函数

来源：评论

学校读者我要写书评

暂无评论

复杂光照环境下疲劳驾驶行为检测

复杂光照环境下疲劳驾驶行为检测

引用

作者：陈龙湖南大学

学位级别：硕士

各种交通事故的调查数据表明,疲劳驾驶是造成交通事故的一个重要原因。因此,对驾驶员的疲劳状态进行实时同步监控,并在驾驶员处于疲劳等异常状态时进行预警能有效避免交通事故的发生。已有的疲劳驾驶检测技术方法可分为三大类:基于生理... 详细信息

各种交通事故的调查数据表明,疲劳驾驶是造成交通事故的一个重要原因。因此,对驾驶员的疲劳状态进行实时同步监控,并在驾驶员处于疲劳等异常状态时进行预警能有效避免交通事故的发生。已有的疲劳驾驶检测技术方法可分为三大类:基于生理信息的技术、基于车辆信息的技术和基于计算机视觉的技术。由于前两种方法具有侵入性或存在滞后、非实时等缺点,基于计算机视觉的疲劳检测技术得到了越来越多的关注。然而现有基于计算机视觉的方法对图像质量有较高要求,且无法在复杂光照环境下进行疲劳检测,同时部分方法存在计算过程繁杂,难以达到实时性要求,导致现有方法难以满足实际应用需求。针对上述问题,本文重点研究基于人脸关键点的疲劳检测方法以及复杂光照环境下的疲劳驾驶检测方法。论文的主要工作包括:(1)提出一种基于人脸关键点和长短期记忆网络的疲劳检测方法。首先,通过多任务级联卷积神经网络检测出人脸图像。其次,使用Dlib库对人脸图像进行人脸关键点提取,并构建疲劳特征向量。最后,将连续一组疲劳特征向量输入到长短期记忆网络中,得到最终的疲劳判定结果。实验结果表明,该方法的人脸关键点提取准确率高,实时性强,且疲劳检测性能高于其他方法。(2)针对复杂光照环境下疲劳驾驶检测率低的问题,本文提出一种基于多尺度视觉Transformer的复杂光照环境下的疲劳检测方法。首先,提出一种基于高斯分布的图像暗化算法,该算法利用高斯函数对正常光照环境下的数据集进行转换,使其变成复杂光照环境下的数据集,实验测试结果表明模拟效果较好。其次,在得到复杂光照环境下的数据集后,利用多任务级联卷积神经网络进行人脸图像提取,接着将连续一组人脸图像序列输入多尺度视觉Transformer中,得到最终的疲劳判定结果。实验结果表明,该方法在复杂光照环境下的疲劳驾驶检测率高、鲁棒性好。(3)本文设计实现了一个基于视频的疲劳检测系统,该系统包括六个模块:用户登录、功能选择、选择文件、拆分视频、人脸提取和疲劳结果判定。通过该系统能够实现正常光照环境下和复杂光照环境下的疲劳驾驶检测。

关键词：深度学习疲劳检测多任务卷积神经网络长短期记忆网络多尺度视觉Transformer

来源：评论

学校读者我要写书评

暂无评论

基于人脸识别的智能教育管理平台的设计与实现

基于人脸识别的智能教育管理平台的设计与实现

引用

作者：王慧北京交通大学

学位级别：硕士

近年来,人工智能的发展极大的改变了人们的工作生活方式,智能化在各个领域纷纷出现,为人们带来了极大的便利。而教育被认为是一个家庭最重要的课题之一,随着国家和家庭对教育的重视,学生的数量在逐年上升,随之而来的是教师数量和学生数... 详细信息

近年来,人工智能的发展极大的改变了人们的工作生活方式,智能化在各个领域纷纷出现,为人们带来了极大的便利。而教育被认为是一个家庭最重要的课题之一,随着国家和家庭对教育的重视,学生的数量在逐年上升,随之而来的是教师数量和学生数量的严重不均衡,教师无法在保证教育质量的同时兼顾到所有学生的课堂状态,通过人工智能辅助教育有助于实现教育的公平化。近年来,人脸识别技术在安保、考勤等领域都取得了显著的成效,为智能化教育提供了思路。本文所描述的基于人脸识别的智能教育管理系统的设计原则就是人工智能与教师协同,将人脸识别技术应用于课堂考勤以及学生状态监测来提高学生学习质量,形成人机协同的决策模式。作者参与设计与实现的基于人脸识别的智能教育管理系统包括课前考勤、课中状态监测、课堂报告分析、后台管理四个主模块,系统中课前考勤模块主要功能是上课开始前半小时,摄像头开始30s捕捉一次学生视频信息并传回算法所在服务器,使用多任务卷积神经网络对图像进行人脸检测,之后将图片送入FaceNet模型中进行人脸识别处理,对识别到的学生信息进行入库处理;课中状态检测模块主要基于表情识别和人脸识别同时进行分析,表情识别模块摄像头30s捕捉一次学生视频信息,进行表情识别,对学生两次抓拍的表情进行对比,判断学生状态;并通过人脸识别检测学生人脸信息,如果长期未发现学生人脸,则设置其专注度为非专注,并向系统发送通知,提示教师查看;课堂报告分析模块则是对学生整个课堂的考勤、表情以及课前测评信息整体分析,绘制学生课堂学习报告并发送至家长短信或者邮箱,并对班级、教师每日的课堂情况进行统计,为学校提供教学参考。后台管理模块则是对系统中的学生、班级、教师以及课程的基本信息进行管理维护。本系统在人脸识别的基础上进行表情的识别,并实现了对学生教育质量的监测,并通过了功能测试以及性能测试,在一定程度上可提升学生课堂学习质量以及教师对学生课堂质量的监测。

关键词：人脸识别表情识别人工智能多任务卷积神经网络 FaceNet

来源：评论

学校读者我要写书评

暂无评论

局部遮挡条件下的人脸检测与修复

局部遮挡条件下的人脸检测与修复

引用

作者：周桐桐辽宁工程技术大学

学位级别：硕士

为了在各种智慧城市场景下对局部包含遮挡的人脸图像进行快速、准确的身份匹配与认证,需要对遮挡的人脸图像进行检测与修复,利用深度学习的方法对遮挡人脸图像进行检测与修复是图像处理领域的热点。本文的主要工作内容如下:(1)将多任务... 详细信息

为了在各种智慧城市场景下对局部包含遮挡的人脸图像进行快速、准确的身份匹配与认证,需要对遮挡的人脸图像进行检测与修复,利用深度学习的方法对遮挡人脸图像进行检测与修复是图像处理领域的热点。本文的主要工作内容如下: (1)将多任务卷积神经网络(Multi-task Convolutional Neural Networks,MTCNN)进行改进,来解决局部遮挡条件下的人脸检测出现误检或漏检的问题,该算法主要做了三部分的改进,首先在MTCNN模型网络中引入加快模型检测速度的深度可分离卷积,然后在模型的R-Net网络中引入与Involution卷积结合的、改进的残差注意力模块,通过该模块提高人脸检测的准确性,最后,使用一种加权后处理算法Confluence对O-Net网络生成的人脸检测框进行筛选,提高人脸检测框的准确性,并在全连接层处引入Dropout层,防止过拟合。在自制数据上与其他算法进行对比实验,通过实验证明,该方法的精确率达到了98.4%,召回率达到了79.9%,检测时间较短,优于其他算法,改进的MTCNN在不同遮挡场景下进行人脸检测的适用性与鲁棒性。 (2)本文首先使用GFP-GAN(Generative Facial Prior-Generative Adversial Network)人脸修复方法对遮挡人脸图像进行修复,再使用改进的MTCNN进行人脸检测。经过实验证明,在使用GFP-GAN方法修复人脸图像后,人脸特征更加清晰,提高了改进的MTCNN对遮挡人脸检测的检测率,与未使用GFP-GAN方法进行人脸修复、直接使用改进的MTCNN进行人脸检测相比,该方法的精确率和召回率分别达到了98.7%和86.3%。 (3)本文将上一步检测到的遮挡人脸提取出来,使用基于分层VQ-VAE(Vector Quantised Variational-Auto Encoder)的人脸修复算法对提取的人脸进行修复。该方法可以使遮挡人脸面部特征更加明确,有利于智慧城市下更加准确的识别出人脸身份。通过在自制数据集上对戴口罩的人脸进行实验,证明了该方法对于未完全模糊的戴口罩人脸具有较好的效果,会使人脸更加清晰,有助于智慧城市下戴口罩人脸身份的识别与验证。该论文有图42幅,表9个,参考文献84篇。

关键词：残差注意力模块多任务卷积神经网络 Involution卷积遮挡人脸人脸图像修复

来源：评论

学校读者我要写书评

暂无评论

基于单目影像和深度学习的动态车距检测方法研究

基于单目影像和深度学习的动态车距检测方法研究

引用

作者：李敬宇东北林业大学

学位级别：硕士

在诸多交通事故中,尾撞事故发生率占比颇高,因此,行车过程中保持安全车距尤为重要。然而,驾驶人在驾驶车辆的过程中,会受到许多外界因素干扰,对安全车距的判断容易出现失误;通过技术手段检测前方车距,可以为安全驾驶提供有效辅助。论文... 详细信息

在诸多交通事故中,尾撞事故发生率占比颇高,因此,行车过程中保持安全车距尤为重要。然而,驾驶人在驾驶车辆的过程中,会受到许多外界因素干扰,对安全车距的判断容易出现失误;通过技术手段检测前方车距,可以为安全驾驶提供有效辅助。论文以深度学习、计算机视觉等理论技术为基础,系统研究前方车辆检测与测距技术,提出一种基于MTCNN和P4P算法的单目视觉车距检测方法,有助于提高车辆行驶过程中的安全性和可靠性,降低车距准确探测的成本和技术门槛。论文综合分析了有关前方车辆检测与测距技术,对比分析了这些方法技术的优势与不足;采用近年提出的YOLOv5目标检测算法,结合车辆检测的特点,使用K均值聚类计算最优Anchor框的数目,对损失函数进行优化,再通过自制数据集验证优化后算法的检测精度;以车牌为靶标,提出了基于MTCNN与P4P算法的单目视觉车距探测方法;通过道路试验检验了算法的有效性和准确度。研究结果表明,基于深度学习的车辆检测方法比传统的检测方法适用性好,其中单阶段算法虽精度较两阶段算法稍低,但实时性好,能够满足实际场景下车辆检测的各种需求;传统的单目视觉测距方法中,对摄像机精确安装有较高要求,且没有考虑多尺度车辆因素,在实际应用中容易产生较大误差,利用卷积神经网络较强的特征学习和表达能力可提高单目测距方法的精度;在对YOLOv5目标检测算法进行优化的基础上,对前方车辆检测算法进行了优化前后对比分析,优化方法对各种车型检测的查准率和查全率高,且相对误差较低,算法稳定,精度较高;道路试验表明,论文提出的测距方法有效范围为27m,平均误差为2.77%,与其他文献中所述机器学习和SSD算法相比,平均误差降低了39%～72%,体现出了良好的准确度与稳定性。

关键词：单目视觉车距探测 YOLOv5算法多任务卷积神经网络 P4P算法

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的复杂环境下交通信号灯检测算法研究

基于深度学习的复杂环境下交通信号灯检测算法研究

引用

作者：李昊郑州大学

学位级别：硕士

伴随着我国经济高速发展,汽车保有量不断提升。但伴随而来的是交通安全事故频发,并且因交通事故导致人员伤亡逐年上升。面对日益复杂的道路交通情况,基于计算机视觉技术的车辆辅助驾驶、危险预警、行人检测、并线检测等技术应运而生。... 详细信息

伴随着我国经济高速发展,汽车保有量不断提升。但伴随而来的是交通安全事故频发,并且因交通事故导致人员伤亡逐年上升。面对日益复杂的道路交通情况,基于计算机视觉技术的车辆辅助驾驶、危险预警、行人检测、并线检测等技术应运而生。交通信号灯识别作为车辆辅助驾驶与车辆危险预警中的一个重要环节,更是当今研究的重点与热点。交通信号灯的识别是计算机视觉技术中目标检测与识别领域的一个典型垂直应用场景,它不仅包含了目标检测与识别,也对性能有着极高的要求。传统的目标检测分为两个步骤,首先确定可能存在目标的候选框,再对候选框进行目标识别与分类。对候选框的选取一般采用窗口滑动的方法,存在以下不足之处:一是产生的候选框数量巨大,导致检测时间相对过长。二是固定的候选框尺寸,无法带入准确的目标背景信息。三是传统的特征提取需要设计特征模型,手工设计的模型容易造成特征单一,并且运算十分复杂,在实际应用中很难获得理想的效果。近年来,基于深度学习的端到端的特征提取方法的提出,给交通信号灯的检测提供了一个全新的思路。深度学习中的卷积神经网络凭借着优异的特征泛化能力与降维的特点,被广泛应用在目标检测中。但在小目标检测及识别中还存在巨大挑战,尤其是在交通信号灯检测识别任务中,存在大量因拍摄距离产生的尺寸大小问题,同时,像汽车尾灯这样的自发光光源也会对检测造成影响。本课题通过对交通信号灯检测与识别的特殊任务场景进行分析,发现以往研究中,都忽略了交通信号灯的背景信息对其检测召回率与识别准确率的影响。因此从目标的上下文信息入手,展开更深入的研究。通过对现有算法中误检测结果的分析,本课题又得出了在目标检测中,选取不同的上下文尺寸与其检测结果的相关性联系。结合交通信号灯的实际尺寸问题,本课题提出了通过引入三种不同上下文尺寸的信息的方法,来辅助进行交通信号灯的检测与识别,以提升其准确率与召回率。该方法对交通信号灯检测与识别的准确率与召回率虽有显著提升,但仍有冗余信息过大、定位过于死板等缺点,本课题针对这些缺点,进而提出一种基于图像特征的上下文尺寸计算模型,有效解决了检测重复率过高与定位死板问题,且相较于固定尺寸的上下文,召回率与准确率均有显著提升。

关键词：目标检测深度学习图像上下文多任务卷积神经网络置信窗口

来源：评论

学校读者我要写书评

暂无评论

移动机器人动态人体跟踪与识别

移动机器人动态人体跟踪与识别

引用

作者：朱伟哈尔滨工程大学

学位级别：硕士

随着社会经济类型的逐步转变,人类的双手渐渐从机械劳动中解放,大量机械劳动由机器人代为进行。移动机器人的发展经历了从最初的遥控行驶搬运各种货物,到现在的自动跟踪可为特定人员提供跟踪服务,目标人体的检测跟踪与识别技术是其主要... 详细信息

随着社会经济类型的逐步转变,人类的双手渐渐从机械劳动中解放,大量机械劳动由机器人代为进行。移动机器人的发展经历了从最初的遥控行驶搬运各种货物,到现在的自动跟踪可为特定人员提供跟踪服务,目标人体的检测跟踪与识别技术是其主要的技术上升点。近年来,数字图像处理技术日渐成熟,基于视觉图像处理的目标人体跟踪与识别技术成为众多的学者和企业的研究热点。针对室内场景的移动机器人动态人体跟踪与识别,有两种方法:经典方法和深度学习方法。经典方法主要依据图像的颜色、轮廓、纹理等特征,检测人体目标,获取人体所在位置。深度学习的方法主要采用卷积神经网络获取输入图像的卷积特征向量,并采用分类器对上述向量划分种类。具体的研究内容如下:第一,研究传统的经典移动机器人动态人体跟踪方法并进行改进。采用灰度投影法对移动机器人的动态背景进行补偿,得到静态背景,将适用于不同人体跟踪情况的Camshift算法、粒子滤波算法、跨帧差分法进行结合,为每种跟踪方式设定评价条件来判断算法是否有效,跟踪过程在各种方式间进行切换,既避免了单一跟踪方法的缺陷,又使跟踪效果更加准确。但经典方法通常只适用于跟踪场景较为简单的情况。第二,研究基于卷积神经网络的移动机器人动态人体跟踪方法并进行改进。将改进的Faster-RCNN神经网络与改进的卡尔曼滤波算法进行结合对移动机器人环境下的动态人体进行跟踪。对Faster-RCNN卷积神经网络进行改进,去掉原有的全连接层的分类层,只采用普通卷积神经网络(CNN)及区域建议网络(RPN)生成人体候选位置,将这些位置作为卡尔曼滤波算法的实时观测数据,结合卡尔曼滤波算法的估计数据,求得运动人体的最优位置。该方法相较于经典的动态人体跟踪方法具有精确度高,实时性高,人体目标出现遮挡情况时可进行预测跟踪,即鲁棒性高的优点。第三,采用多任务卷积神经网络(MTCNN)与Facenet网络进行人脸对齐与人脸识别。采用多任务卷积神经网络对上述跟踪的人体区域进行识别,找到人脸位置,并进行人脸对齐,找到人脸的五个关键点。将对齐的人脸图像送入Facenet网络进行识别,实现人体身份识别。最后,对移动机器人的控制方法进行研究。针对移动机器人动态人体跟踪与识别的特点,采用四轮差速机器人搭载双目相机进行跟踪和获取图像。移动机器人与运动人体的距离和角度作为机器人的输入,采用模糊控制的方法,对机器人的运动进行控制,达到对运动人体随动跟踪的目的。

关键词：移动机器人动态人体跟踪与识别 Faster-RCNN神经网络卡尔曼滤波多任务卷积神经网络 Facenet神经网络模糊控制

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的多任务人脸属性识别

基于深度学习的多任务人脸属性识别

引用

作者：郑双午天津科技大学

学位级别：硕士

近年来随着人工智能技术和深度学习技术的不断提高,人们在生活中的身份认证方式开始由传统手段逐步发展到生物特征层面上来,使其在金融、娱乐、交通、社区交互等诸多领域迎来了广泛的应用。尤其在人脸相关的课题研究上,人脸属性识别因... 详细信息

近年来随着人工智能技术和深度学习技术的不断提高,人们在生活中的身份认证方式开始由传统手段逐步发展到生物特征层面上来,使其在金融、娱乐、交通、社区交互等诸多领域迎来了广泛的应用。尤其在人脸相关的课题研究上,人脸属性识别因其自身的研究价值和实用价值而受到了特别的关注。近期国内外的研究成果表明,多个具有正相关性的人脸属性间进行特征共享将有利于提高各自识别任务的准确度,而且使用卷积神经网络方法比传统的特征提取方法具有更高的可靠性和准确度,所以本论文提出了基于深度学习的硬参数强化通道信息共享方法对多任务人脸属性识别进行研究。本论文的主要工作如下:首先,对现阶段基于卷积神经网络的多任务人脸属性识别工作和相关的基础理论展开文献调研,了解了国内外的研究现状和不足,提出了基于深度学习的硬参数强化通道信息共享的方法进行多任务人脸属性识别的研究。其次,开展基于单任务网络的多任务人脸属性识别方法研究。使用Alex Net、VGG Net及Res Net三种单任务网络模型构建特征共享结构,通过设置多任务输出层的改进方法,分别实现了基于特征共享的多任务人脸属性识别,并采用识别准确率、模型大小、运行速度三项性能指标进行评价。实验结果表明,该改进方法具有一定的可行性,且Alex Net网络表现较好（平均识别准确率分别为92%,85%,85%）,但其指标并不理想,仍具有提升的空间。再次,提出基于强化通道信息共享的卷积神经网络方法实现多任务人脸属性识别。强化通道信息共享的核心技术是分组卷积和通道间的信息共享算法。本文研究了两种不同的网络结构,分别在CelebA数据集上选用7类人脸属性进行识别,平均识别准确率均达94%以上;其中一个模型大小仅为0.98M,识别速度为6ms,从结构和速度上均有显著提升。最后,研究了数据统计和数据增强方法并开发了PC端的应用软件,以及通过构建GAGR_A数据集,在Android平台开发了基于强化通道信息共享的卷积神经网络方法的多任务人脸属性识别APP,实现了8类人脸属性识别任务。经过数据集和实验室成员实际测试,平均准确率达92.7%,模型大小为1.04M,速度约6.7ms。综上所述,基于深度学习的硬参数强化通道信息共享方法进行多任务人脸属性识别不仅可以提升识别准确率,而且因为模型的轻量化而大幅加快了识别速度,这就为深度学习技术在实际中的应用奠定了研究基础。

关键词：人脸属性识别通道信息共享多任务卷积神经网络数据增强

来源：评论

学校读者我要写书评

暂无评论

基于类别层次知识驱动的长尾数据分类方法

基于类别层次知识驱动的长尾数据分类方法

引用

作者：李征宇闽南师范大学

学位级别：硕士

随着互联网大数据和人工智能时代的来临,深度卷积神经网络在图像分类、目标检测、语音识别等领域取得了巨大的成功。然而,真实世界中的数据类别呈现长尾分布,这通常表现为少量的头类拥有可观的训练样本,而大量的尾类拥有的训练样本有限... 详细信息

随着互联网大数据和人工智能时代的来临,深度卷积神经网络在图像分类、目标检测、语音识别等领域取得了巨大的成功。然而,真实世界中的数据类别呈现长尾分布,这通常表现为少量的头类拥有可观的训练样本,而大量的尾类拥有的训练样本有限。这种类别的不平衡分布使得网络模型容易偏向头类,导致尾类的分类性能较差。因此,卷积神经网络在长尾数据分布上的分类精度无法满足实际的应用需求。如何提高卷积神经网络在长尾数据分布下的分类性能,已成为目前一个重要的研究方向。本文主要研究内容如下:(1)基于语义层次知识迁移的长尾数据分类方法:针对传统卷积神经网络独立地训练每个目标类的问题,提出了基于语义类别层次知识迁移的多任务卷积神经网络,利用超类知识促进长尾学习。首先,构建基于尾类的语义超类层次结构,以更加关注尾类。其次,采用多任务卷积神经网络同时训练超类和目标类任务,以提取更广泛的知识。最后,设计了从超类到目标类的知识迁移策略,以自适应地调整任务权重,提高目标类的分类精度。(2)基于语义和聚类层次知识互补的长尾数据分类方法:针对语义层次结构无法充分探索类别关系且将冗余的知识迁移到尾部类别的问题,提出了基于语义和聚类层次知识互补的层次卷积神经网络,将有益的知识传递给尾部类别。首先,将语义和聚类超类作为分层知识集成到卷积神经网络中,以指导特征学习。然后,设计了知识互补策略,以共同利用这两种超类知识,其中语义知识充当先验依赖,聚类知识减少过度的语义依赖导致的负面信息。这样卷积神经网络利用两种互补的层次结构将有用的知识传递到尾部类别,以提升长尾分类精度。

关键词：长尾数据分类多任务卷积神经网络语义层次聚类层次

来源：评论

学校读者我要写书评

暂无评论

一种融合上下文信息特征的改进MTCNN人脸检测算法

引用

西安工程大学学报 2021年第6期35卷 114-120页

作者：顾梅花冯婧杨娜西安工程大学电子信息学院陕西西安710048

在课堂场景下,针对多任务卷积神经网络(multi-task convolutional neural network,MTCNN)人脸检测算法对小人脸检测率较低的问题,提出一种改进的MTCNN算法。首先,对MTCNN算法网络模型的R-Net层网络集成上下文信息卷积模块,扩大特征图感... 详细信息

在课堂场景下,针对多任务卷积神经网络(multi-task convolutional neural network,MTCNN)人脸检测算法对小人脸检测率较低的问题,提出一种改进的MTCNN算法。首先,对MTCNN算法网络模型的R-Net层网络集成上下文信息卷积模块,扩大特征图感受野获取更多小人脸信息;其次,引入反卷积层与最大池化层,以解决特征融合数据维度不一致问题;最后,对MTCNN算法网络模型的O-Net层网络集成上下文信息卷积模块,进一步提取小人脸特征信息,并引入2个卷积池化层进行特征融合。实验结果表明:与MTCNN算法相比,所提方法在FDDB数据集上检测精度提升3%,在课堂场景数据集上人脸检测召回率与F_(1)分数分别提升8.69%和4.94%。

关键词：上下文信息特征融合多任务卷积神经网络人脸检测课堂场景小人脸

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：