發(fā)布時(shí)間：2024-11-02 16:16

　　人臉驗(yàn)證作為一種非受控、易獲取的生物特征識(shí)別技術(shù),是最常見(jiàn)的計(jì)算機(jī)視覺(jué)任務(wù)之一,已廣泛用于視頻監(jiān)控、公共安全、在線支付和圖像搜索等領(lǐng)域。傳統(tǒng)的人臉驗(yàn)證算法僅提取人臉的淺層特征,對(duì)于復(fù)雜的非線性臉部表情變化,其缺乏良好的魯棒性,無(wú)法提取穩(wěn)定的人臉特征,來(lái)抵抗無(wú)約束環(huán)境下的臉部變化。得益于深度神經(jīng)網(wǎng)絡(luò)技術(shù)的迅速發(fā)展和大型人臉數(shù)據(jù)集的廣泛使用,基于深度學(xué)習(xí)模型進(jìn)行人臉驗(yàn)證的驗(yàn)證準(zhǔn)確率遠(yuǎn)高于傳統(tǒng)方法和人類目測(cè)水平。在深度學(xué)習(xí)模型性能如此優(yōu)異的今天,如何能再進(jìn)一步提高人臉驗(yàn)證模型精度性能,是當(dāng)今計(jì)算機(jī)視覺(jué)學(xué)術(shù)界和工業(yè)界的研究熱點(diǎn)和難點(diǎn)。損失函數(shù)是深層卷積神經(jīng)網(wǎng)絡(luò)的中樞,對(duì)整個(gè)網(wǎng)絡(luò)的梯度優(yōu)化有著導(dǎo)向性的作用,論文將深入研究損失函數(shù)的作用機(jī)理,并對(duì)當(dāng)前的主流損失函數(shù)進(jìn)行改進(jìn),使其更適合人臉驗(yàn)證任務(wù)的學(xué)習(xí)和訓(xùn)練。論文的主要工作有:(1)AM-Softmax損失函數(shù)在類間保持不變的決策邊界,這意味著其對(duì)所有特征進(jìn)行相同程度的懲罰,對(duì)于類內(nèi)特征和類間特征,無(wú)法進(jìn)行針對(duì)性判別學(xué)習(xí)。針對(duì)這個(gè)問(wèn)題,提出一種聚合判別多任務(wù)學(xué)習(xí)算法,將從卷積神經(jīng)網(wǎng)絡(luò)提取的特征向量分解為兩個(gè)分量,通過(guò)采用聚合類內(nèi)特征任務(wù)和判別類間身份...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究意義
    1.2 主要困難
    1.3 研究歷史和現(xiàn)狀
        1.3.1 人臉驗(yàn)證的研究歷史和現(xiàn)狀
        1.3.2 深度學(xué)習(xí)的研究歷史和現(xiàn)狀
    1.4 論文結(jié)構(gòu)安排
第2章 深度學(xué)習(xí)基礎(chǔ)理論
    2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.1 感知機(jī)
        2.1.2 前饋神經(jīng)網(wǎng)絡(luò)
        2.1.3 誤差反向傳播
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 激活函數(shù)
        2.2.3 池化層
        2.2.4 全連接層
        2.2.5 過(guò)擬合的處理
    2.3 本章小結(jié)
第3章 人臉驗(yàn)證系統(tǒng)
    3.1 圖像獲取與去重
    3.2 人臉檢測(cè)與對(duì)齊
    3.3 數(shù)據(jù)增強(qiáng)
    3.4 人臉驗(yàn)證
    3.5 本章小結(jié)
第4章 基于多任務(wù)學(xué)習(xí)的人臉驗(yàn)證算法
    4.1 基本原理
        4.1.1 Softmax損失
        4.1.2 A-Softmax損失
        4.1.3 AM-Softmax損失
    4.2 聚合判別多任務(wù)學(xué)習(xí)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 消融實(shí)驗(yàn)
        4.3.3 與現(xiàn)有方法對(duì)比實(shí)驗(yàn)
    4.4 本章小結(jié)
第5章 基于改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)和余弦損失的人臉驗(yàn)證算法
    5.1 基本原理
        5.1.1 Alex Net
        5.1.2 VGGNet
        5.1.3 Inception Net
        5.1.4 Res Net
    5.2 改進(jìn)的Res Net
    5.3 改進(jìn)的余弦損失函數(shù)
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 實(shí)驗(yàn)設(shè)置
        5.4.2 消融實(shí)驗(yàn)
        5.4.3 與現(xiàn)有方法對(duì)比實(shí)驗(yàn)
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
附錄A 個(gè)人簡(jiǎn)歷
附錄B 碩士期間發(fā)表的學(xué)術(shù)論文
附錄C 論文中的用圖
附錄D 論文中的用表



本文編號(hào)：4009784