10.14132/j.cnki.1673-5439.2017.06.011
基于BING与卷积神经网络的人脸检测算法
为了提高复杂背景条件下人脸检测算法的训练速度以及检测速度,提出一种基于二值化梯度幅值特征(Binarized Normed Gradients,BING)和卷积神经网络相结合的算法.为了提高算法的检测速度,采用二值化梯度幅值特征算法对目标窗口进行粗略的筛选,快速得到数量较少的候选窗口,以此来减少卷积神经网络后续判定的窗口数.为了提高算法的训练速度,提出了新的卷积神经网络的激活函数反比例线性单元(Inverse Proportion Linear Units,IPLU),并且推导出相应的权值初始化方法.实验结果表明,与激活函数ReLU和ELU相比,反比例线性单元以及相应的权值初始化方法使得网络收敛时间分别缩短了2.3%和8.6%;与FuSt算法和Cascade CNN算法相比,基于BING与卷积神经网络的人脸检测算法的检测速度分别提高了26%和62%.
二值化梯度幅值特征、卷积神经网络、人脸检测、激活函数
37
TP391(计算技术、计算机技术)
国家自然科学基金61672297;江苏省高校自然科学基金17KJB520027
2018-02-05(万方平台首次上网日期,不代表论文的发表时间)
共7页
68-74