人臉驗證作為一種非受控、易獲取的生物特征識別技術(shù),是最常見的計算機視覺任務(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)的人臉驗證算法僅提取人臉的淺層特征,對于復(fù)雜的非線性臉部表情變化,其缺乏良好的魯棒性,無法提取穩(wěn)定的人臉特征,來抵抗無約束環(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)模型進行人臉驗證的驗證準(zhǔn)確率遠(yuǎn)高于傳統(tǒng)方法和人類目測水平。在深度學(xué)習(xí)模型性能如此優(yōu)異的今天,如何能再進一步提高人臉驗證模型精度性能,是當(dāng)今計算機視覺學(xué)術(shù)界和工業(yè)界的研究熱點和難點。損失函數(shù)是深層卷積神經(jīng)網(wǎng)絡(luò)的中樞,對整個網(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)的作用機理,并對當(dāng)前的主流損失函數(shù)進行改進,使其更適合人臉驗證任務(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,這意味著其對所有特征進行相同程度的懲罰,對于類內(nèi)特征和類間特征,無法進行針對性判別學(xué)習(xí)。針對這個問題,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分量,通過采用聚合類內(nèi)特征任務(wù)和判別類間身份...

【文章頁數(shù)】：69 頁

【學(xué)位級別】：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
        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 過擬合的處理
    2.3 本章小結(jié)
第3章 人臉驗證系統(tǒng)
    3.1 圖像獲取與去重
    3.2 人臉檢測與對齊
    3.3 數(shù)據(jù)增強
    3.4 人臉驗證
    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 實驗結(jié)果與分析
        4.3.1 實驗設(shè)置
        4.3.2 消融實驗
        4.3.3 與現(xiàn)有方法對比實驗
    4.4 本章小結(jié)
第5章 基于改進網(wǎng)絡(luò)結(jié)構(gòu)和余弦損失的人臉驗證算法
    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 改進的Res Net
    5.3 改進的余弦損失函數(shù)
    5.4 實驗結(jié)果與分析
        5.4.1 實驗設(shè)置
        5.4.2 消融實驗
        5.4.3 與現(xiàn)有方法對比實驗
    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
致謝
附錄A 個人簡歷
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：4009784