卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）,是一種比較獨(dú)特的深層神經(jīng)網(wǎng)絡(luò)模型,是由人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)網(wǎng)絡(luò)合并產(chǎn)生的一種新型的人工神經(jīng)網(wǎng)絡(luò)。目前,其在計(jì)算機(jī)視覺(jué)領(lǐng)域獲得了較優(yōu)的成績(jī)。而人臉識(shí)別問(wèn)題,在實(shí)際應(yīng)用中由于無(wú)約束環(huán)境下背景、照明、姿態(tài)和面部表情等因素的影響,存在一定的難度。因此,近幾年以CNN為手段,進(jìn)行特征提取的人臉檢測(cè)算法不斷被提出,可以很好的解決野生數(shù)據(jù)集中準(zhǔn)確率不高的問(wèn)題,并取得了不錯(cuò)的效果。本文基于CNN的構(gòu)建模式,設(shè)計(jì)了一種多尺度融合卷積神經(jīng)網(wǎng)絡(luò)（MSF-CNN）結(jié)構(gòu),用來(lái)訓(xùn)練人臉檢測(cè)器。CNN作為一種特征提取方式,具有主動(dòng)學(xué)習(xí)能力。所以本文在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)時(shí),充分發(fā)揮了其自主學(xué)習(xí)特征的能力,將中間層輸出分為三個(gè)通道進(jìn)行卷積操作,并且每個(gè)通道設(shè)置數(shù)量、尺寸各不相同的卷積核,得到樣本三個(gè)尺度的卷積特征;然后將不同尺度的特征通過(guò)歸一化后按比例融合;最后與分類(lèi)層相連訓(xùn)練分類(lèi)器。該方法的主要貢獻(xiàn)為:（1）模型提取的多尺度特征包含更多有用的信息,使分類(lèi)精度要高于單尺度。（2）與級(jí)聯(lián)的CNN模型相比,規(guī)模變小,復(fù)雜度降低。（3）實(shí)現(xiàn)端到端的... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)圖

權(quán)值共享圖例

圖像金字塔圖像金字塔主要有高斯金字塔(Gaussianpyramid)和拉普拉斯金字塔(Laplacianpyramid)兩種


本文編號(hào)：3530859