發(fā)布時間：2020-03-24 12:00

【摘要】：隨著計算機視覺的發(fā)展和人臉識別的廣泛應用,人臉檢測與識別成為了具有重大研究意義的課題。人臉技術分為人臉檢測,人臉對齊與人臉識別3部分。本文主要針對非受控環(huán)境中的人臉檢測與識別問題進行了研究。具體的研究工作如下:針對人臉檢測,(1)設計了一種基于區(qū)域推薦網(wǎng)絡(Region ProposalNetwork,RPN)的一階段人臉檢測器。使得在保持檢測性能基本不變的情況下,速度得到提升且模型尺寸小;(2)提出了一種新型精準檢測框分數(shù)訓練方法PreciseBoxScore(PBS)來對網(wǎng)絡性能進行提升,可以從訓練集中提取到更多且更準確的信息,從而使得在保持訓練集和網(wǎng)絡結構不變的情況下,明顯提升了網(wǎng)絡的精確度;(3)提出了一種簡單但有效的模型壓縮方法SEMCM,即,用精度較高的大模型去訓練精度較低的小模型,也就是將大模型的信息傳遞到小模型中,從而使得小模型的性能在原有的基礎上,得到進一步的提升。針對人臉識別,提出了一種基于度量學習的輔助損失函數(shù),contrastive-center loss。新的監(jiān)督信號可以有效的提升人臉識別模型的精度,并且不會增加模型的運行時間。并且,本文針對相似度搜索對于人臉識別的影響進行了研究,相關研究成果應用在了 MS-Celeb-1M的challenge 2的競賽中。針對人臉技術的應用問題,分別設計并實現(xiàn)了人臉圖像搜索系統(tǒng)和人臉監(jiān)控系統(tǒng)。
【圖文】：

也就是借鑒了邋Ｆａｓｔｅｒ－ＲＣＮＮ的ＲＰＮ的思想，但是并不是提取感興趣的逡逑區(qū)域，而是直接提取人臉區(qū)域。經(jīng)過精細的參數(shù)設計和模型訓練，，從而得到了一逡逑個具有一定精度和較快速度的人臉檢測器，如圖２－２所示。原始的Ｆａｓｔｅｒ－ＲＣＮＮ逡逑是一種兩階段的檢測器，而這里設計的人臉檢測器是一階段的。因此，整體上模逡逑型的尺寸和模型計算量都會得到下降。逡逑p哄澹悖歟幔螅螅椋媯椋澹蟈義

本文編號：2598287