SIA OpenIR  > 其他
基于深度卷积神经网络与中心损失的人脸识别
其他题名Face Recognition Based on Deep Convolution Neural Network and Center Loss
张延安; 王宏玉; 徐方
作者部门其他
关键词人脸识别 卷积神经网络 深度学习 中心损失 度量学习 主成分分析
发表期刊科学技术与工程
ISSN1671-1815
2017
卷号17期号:35页码:92-97
产权排序1
资助机构国家科技支撑计划基金( 2015BAF13B01) 资助
摘要传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。
其他摘要For traditional face recognition methods, the process of manual design features is complex and face recognition rate is low. The feature discrimination ability of general deep learning classification model is weak,for the open set face recognition. Aiming at these two problems,a kind of deep convolution neural network is proposed, which combines the classification loss with the central loss as the model training monitoring signal. Firstly, a deep face recognition model based on the initialization parameters obtained from the public dataset is fine tuned using application scene dataset,which can effectively solve the problem of training data is too small and data distribution differences and improve the training speed of the model. Then,the traditional loss function and the new central loss are used as the monitoring signals in the process of transfer learning,which can make the intra-class aggregation and inter-class dispension and improve the discriminative ability of the model output features. Finally,the principal component analysis is used to remove the redundant face features,reduce the complexity and improve face recognition rate. The experimental results show that our algorithm can automatically extract features compared with the traditional face recognition algorithm and relative to the general deep learning classification model,the algorithm makes the feature representation more discriminative with metic learning. A higher recognition rate has been achieved in the self built test set and the LFW and YouTube Faces Standard test sets.
语种中文
文献类型期刊论文
条目标识符http://ir.sia.cn/handle/173321/21491
专题其他
通讯作者张延安
作者单位1.中国科学院沈阳自动化研究所机器人国家重点实验室
2.中国科学院大学
3.沈阳新松机器人自动化股份有限公司
推荐引用方式
GB/T 7714
张延安,王宏玉,徐方. 基于深度卷积神经网络与中心损失的人脸识别[J]. 科学技术与工程,2017,17(35):92-97.
APA 张延安,王宏玉,&徐方.(2017).基于深度卷积神经网络与中心损失的人脸识别.科学技术与工程,17(35),92-97.
MLA 张延安,et al."基于深度卷积神经网络与中心损失的人脸识别".科学技术与工程 17.35(2017):92-97.
条目包含的文件 下载所有文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
基于深度卷积神经网络与中心损失的人脸识别(809KB)期刊论文作者接受稿开放获取ODC PDDL浏览 下载
个性服务
推荐该条目
保存到收藏夹
查看访问统计
导出为Endnote文件
谷歌学术
谷歌学术中相似的文章
[张延安]的文章
[王宏玉]的文章
[徐方]的文章
百度学术
百度学术中相似的文章
[张延安]的文章
[王宏玉]的文章
[徐方]的文章
必应学术
必应学术中相似的文章
[张延安]的文章
[王宏玉]的文章
[徐方]的文章
相关权益政策
暂无数据
收藏/分享
文件名: 基于深度卷积神经网络与中心损失的人脸识别.pdf
格式: Adobe PDF
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。