加权特征融合的密集连接网络人脸识别算法
在非约束条件下人脸识别常受到表情变化、视角偏差、不同程度的遮挡和曝光等各种综合因素的影响;并且深度卷积神经网络几乎都存在参数过多,训练时梯度扩散或消失等问题.针对上述问题,提出了FuseNet网络模型.该模型有效地利用了人的眼睛、鼻子、嘴巴等局部特征信息,同时又包含面部轮廓等全局特征信息,并提出了多损失函数进一步缩小类内特征差距和扩大类间特征距离,有效地增强了非约束条件下人脸识别的鲁棒性.通过使用加权密集连接卷积神经网络来提取人脸的全局特征,密集连接模块可有效地解决深层网络所引起的参数冗余以及梯度扩散等问题.不同的连接权值使得网络能够充分地利用各部分特征.实验结果表明,无论是在闭集的CASIA-WebFace数据集上,还是开集的FLW数据集、MegaFace数据集上,提出的FuseNet网络都具有较好的识别率和泛化能力.
人脸识别、加权密集连接、加权特征融合、多损失函数
13
TP391.4(计算技术、计算机技术)
The National Natural Science Foundation of China under Grant Nos. 60572153, 60972127;the Science and Technology Project of Education Department of Heilongjiang Province under Grant No. 12541177
2019-07-25(万方平台首次上网日期,不代表论文的发表时间)
共11页
1196-1206