论文深度学习和人脸识别方法是关于本文可作为深度方面的大学硕士与本科毕业论文深度论文开题报告范文和职称论文论文写作参考文献下载。
摘 要：传统的机器学习方法需要对每个领域都获取大量的训练数据,这样就会在研究中耗费大量的人力物力.深度学习可以更好地通过增加数据集的规模来改善学习结果.深度学习更适合于未标记数据,而这超出了自然语言处理的范畴,后者更多限于实体识别.基于深度学习的优点,这篇文章利用深度学习方法来进行人脸识别,提出了构建深度学习网络的方法,它能够识别训练集中没有身份的表情信息.
关键词：人脸识别；深度学习；神经网络；特征识别；算法
中图分类号：TP391.41 文献标志码：A 文章编号：2095-2945（2018）12-0022-02
Abstract： Traditional machine learning method needs to obtain a large amount of training data for each field, so it will cost a lot of manpower and material resources in the research. Deep learning can better improve learning results by increasing the size of data sets. Deep learning is more suitable for unmarked data, which goes beyond natural language processing, and the latter is more limited to entity recognition. Based on the advantages of deep learning, this paper applies the deep learning method to face recognition, and proposes a method of constructing deep learning network, which can recognize information of facial expression without identity in the training set.
Keywords： face recognition； deep learning； neural network； feature recognition； algorithm
1 概述
深度学习是近十年以来在人工智能领域取得的最重要的突破之一.现在的深度学习模型属于神经网络,在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域取得了巨大的成功.这篇论文主要研究其在人脸识别方面的研究以及取得的成果.
人脸识别是深度学习在物体识别上的一个重要突破.我们研究的人脸识别是一种生物特征识别技术,这种技术通过人体自身的生物特征来区分不同的生物体.在近些年来,人脸识别技术已趋于成熟并在很多领域中有所应用.其普遍性和可采集性高,独特性、稳定性以及防欺骗性一般,但是性能较低.同时,人脸识别技术还具有很高的精度.我们研究深度学习应用于人脸识别中的研究进展以及人脸识别的研究方法,结合几种机器学习方法在人脸识别中的性能比较,进一步探索研究深度学习在人脸识别方面的贡献以及研究方法.
2 深度学习方法
深度学习常用的方法有三种：（1）自动编码机（AutoEn
coder）,（2）稀疏编码（Sparse Coding）,（3）受限玻尔兹曼机（Restrict Boltzmann Machine,RBM）.下面重点介绍一下稀疏编码方法.
如果我们放松输出O必须与输入I相等的条件,并且利用基的概念,列出式子：O等于W1×B1+W2×B2+等Wn×Bn,该式中,基-Bi,系数-Wi,就得到这样的优化式：Min|I-O|.我们可以通过求解这个优化式子来得到基-Bi,系数-Wi,这些Bi和Wi就是输入的另外一种近似表达,即可被作为我们所说的特征,进而,表达输入I.这个过程是自学习过程.我们可以在上面式子中加上L1的Regularity限制,可以得到：
Min|I-O|+u*（|W1|+|W2|+等+|Wn|）.
该方法就被称为Sparse Coding,是一种简单的表示对象方法.我们利用这个方法来自动学习隐藏在对象数据中的基函数.
3 算法之人脸识别
3.1 检测定位方法
作为情绪识别的第一步,人脸的检测定位方法,我们选用的是基于haar特征和Adaboost算法的检测方法.可分以下几步：（1）通过Haar-like特征对人脸描述并通过积分图快速计算这一特征.（2）从许多Haar-like特征中选取重要特征,每个特征看做是一个弱分类器,我们按照一定的规则,把几个弱分类器级联,从而得到一个强分类器.（3）串联得到的强分类器,便可得到级联分类器.最终我们获得的这一个级联分类器就是人脸定位.将得到的强分类器进行串联来构成级联分类器是为了得到更高的检测精度.
我们可以把这个级联分类器看成一个决策树,其中每一层的强分類器都是由Adaboost算法训练获得的.如果上一层分类器输出的结果正确,就会触发第二层分类器,第二层再正确,触发第三层,以此类推.如果输出结果不正确被否定,那么这个否定的结果就会立即将当前子窗口的检测停止.这样,就会使人脸区域的大部分能通过检测而非人脸部分则不能通过检测.
3.2 稀疏自编码器训练多尺度卷积核
中间层神经元通过稀疏自编码器训练后实际上只会对局部的特定信息才有较强响应,如果把某一个中间层神经元的连接权值作为卷积核与输入数据作卷积,得到卷积核在图像其他部分的响应就会组成一幅特征图.对该特征图进行maxpooling操作,使其得到平移不变性.我们把所有的卷积核都进行这一操作,能够得到一组该图像的特征.具体算法步骤如下：
总结:本文关于深度论文范文,可以做为相关论文参考文献,与写作提纲思路参考。
参考文献：
1、 基于Gabor—PCAFisher的人脸识别方法 【 摘 要 】 在人机交互通信系统中，人脸识别系统是其中的一个重要环节，在人机交互方面，计算机可以通过人脸识别确定不同人的身份，可以为他们提供不。
2、 基于深度学习的癌症亚型鉴定方法 摘要：海量的生物医学数据为癌症的机制发现和治疗提供了机遇，越来越多的工作集中于癌症亚型的鉴定。基于深度学习的方法能够提取生物医学数据的深层特征，。
3、 基于EdgeBoxes和深度学习非限制条件下人脸检测 摘 要： 针对光线、旋转、遮挡、平移等因素对人脸检测结果产生的干扰，提出一种基于Edge Boxes和深度学习相结合的人脸检测算法。首先采用Ed。
4、 重磁资料异常分离和构造边界识别方法应用分析 摘 要：重磁勘探是地球物理勘探方法中最为重要的勘探方法。本文对重磁异常分离方法——插值切割异常分离法进行系统的理论研究，对几种基本边界识别方法进。
5、 深鉴科技:利用深度学习为人工智能提供更高效的解决方案 深鉴科技的深度压缩技术能够将视频帧率提高10倍以上，更便于监控画面的传输和运算，提高效率，降低成本。10月24日，人工智能企业“深鉴科技”宣布。
6、 中国银行中国银行手机银行用上人脸识别 手机银行越来越富有科技感。2月6日，中国银行发布的新版手机银行不仅优化了原有页面，还运用了人脸识别、大数据风控等前沿金融科技，确保手机银行的安全。