下的人脸图像的特征提取和抗干扰分析深度重建网络算法

文摘

在人脸识别系统中,高度健壮的面部特征表示和良好的分类算法性能会影响在无限制条件下人脸识别的效果。探索卷积神经网络(CNN)的抗干扰性能的深度学习(DL)框架重构图像特征提取(FE)和识别,在论文中,首先,初始结构GoogleNet网络和剩余误差ResNet网络结构相结合构建一个新的深度重建网络算法,随机梯度下降(SGD)和三联体损失函数作为模型优化和分类器,分别在标记应用于人脸识别面临在野外数据库面临伦敦时装周开幕。然后,肖像金字塔分割和地方特征点细分应用图像提取的特征的面孔,和面部特征点的匹配是通过使用欧氏距离和联合贝叶斯方法。最后,使用Matlab软件模拟算法提出并与其他算法进行比较。结果表明,该算法的人脸识别效果最好,当学习速率为0.0004,衰减系数为0.0001,SGD训练方法,和辍学是0.1(精度:99.03%,损失:0.0047、培训时间:352年代,和过度拟合率:1.006),和本文提出的算法最大的意思是平均精度比其他CNN算法。正确的面对特征匹配算法的提出为84.72%,高于LetNet-5, VGG-16,和VGG-19算法,正确的利率是6.94%,2.5%,和1.11%,分别,但低于GoogleNet, AlexNet, ResNet算法。同时,本文提出的算法有更快的匹配时间(206.44秒)和正确匹配率(88.75%)高于联合贝叶斯方法,表明深重建网络算法提出了可用于图像识别,铁、和匹配,它有很强的抗干扰。

1。介绍

FR身份识别技术已被广泛采用,但它主要是用来检测生物特性的脸识别,具有较强的独特性和安全(1]。然而,面对图像的数据集由一个呈现高度非线性分布,如果简单的分类方法,将会出现更高的分类错误由于个体差异(2]。此外,面对图像将被照明,装饰,场景,拍摄期间和其他因素,这使得FR极其困难的。目前,常用的人脸检测方法包括主成分分析、支持向量机、CNN和活跃的变形模型(3]。

深度模型已经应用在许多领域,及其在图像识别中的应用是第一个担心。此外,深度模型用于图像中菲,这远比手动FE,可以有效地应用于领域人工铁并不完美(4]。DL和大多数机器学习的共同特征提取功能的能力。在DL,多层网络结构主要是应用,融合特征在图像形成顶部底部特征(5]。ImageNet年度ImageNet大规模视觉识别的挑战是最大的和最先进的图像识别竞争的世界。自2012年以来,AlexNET DCNN用来降低识别错误率最高的5 - 16.4%,和DCNN算法采用了在随后的冠军识别模型(6,7]。

剩下的纸是组织如下。部分2讨论了相关工作的DCNN铁技术网络和图像。然后,在节3、深度重建网络提出了人脸识别和面部有限元算法构造了基于优化深度重建网络。部分4进行人脸识别的验证和铁和匹配算法提出并比较它们与其它DCNN算法。部分5本文探讨和分析获得的结果,和本文的结果与他人的相关研究成果。部分6总结了论文的总结,指出了未来的研究方向。

2。相关工作

神经网络是一种常见的计算机模型,主要是基于传统的统计建模复杂的关系,探索不同数据集之间的关系。神经网络结构在不同的应用领域不同,但神经网络结构与图像相关的领域中最大的应用是CNN。Seeliger等人应用DCNN magnetoencephalogram信号的检测和重建大脑皮层活动模型映射基于源(提取的决议8]。黄平君和康提出了一个基于CNN滚动轴的故障诊断方法和振动图像基于深度结构,发现该方法不需要有限元技术和嘈杂的环境下具有较高的诊断准确性和鲁棒性(9]。目前,深度学习在图像分析领域得到了广泛的应用,尤其是面部图像识别,取得了良好的结果。张等人提出了一个基于三级过滤和卷积神经网络模型猪,这是应用于彩色脸图像的识别,获得很好的效果10]。他等人提出了一个框架:基于深层神经网络的人脸识别和使用特性异常过滤器来检测奇异点。最后,与公共数据验证后,发现该模型由它有很强的人脸识别的鲁棒性11]。Isogawa等人表示,没有去噪方法DCNN模型中的参数调整的能力。

他们利用软阈值收缩的比例系数优化DCNN,被发现是适用于噪声去除图像中(12]。Nakazawa和Kulkarni提出一个方法来检测和段异常缺陷模式使用卷积encoder-decoder深处的神经网络结构,最后发现这些模型可以探测隐形缺陷模式从真实图像13]。

图像铁的基本原理是使用计算机提取图像中的信息,然后判断的差异图像是图像中的特征之一。一个图像有限元算法和周提出基于二维经验模态分解和尺度不变的特征变化。验证后,他们发现它可以有效改善铁的速度和准确性14]。许等人提出了一个模型来自动提取噪声感知特性基于CNN模型和特征向量,发现该算法提取的速度和精度高在不同噪音水平(15]。Fieldin等人使用增强的自适应粒子群优化进行深CNN进化,训练和验证之后,他们发现提取错误率为4.78% (16]。

总之,很明显,DCNN广泛用于图像识别。改进的DCNN可以有效地提取图像中的特征。然而,很少有研究的DCNN抗干扰脸上图像识别。因此,提出了基于咖啡的DCNN深度框架。Matlab仿真软件是用来探索不同的参数设置的影响FR通过构造DCNN模型的性能。然后,伦敦时装周的数据库和自我构建数据库本文结合探索的抗干扰性能DCNN模型构建本文的脸在不同的场景中图像识别。本文的结果旨在为提高FR的效率奠定基础。

3所示。方法

3.1。设计深度重建网络结构

现有的研究表明,CNN结构的逐步深化,CNN培训结果变得更好,但同时提高的结果,它也将增加网络计算(17]。因此,《盗梦空间》网络结构提出了GoogleNet网络,它可以充分利用特征提取每一层的网络结构可以增加网络的深度和复杂性,同时保证网络的计算复杂度。,一些网络参数的调整提出了GoogleNet网络的基本结构:(1)特性映射的输入网络的大小应该慢慢地减少了网络中避免瓶颈的特征表示图像中;(2)高维特征更容易获得比低维特征,可以加快训练速度模型;(3)相邻的神经元网络中有密切相关性,可以集成到空间关系在低维空间中。

在卷积神经网络,55大小卷积核是25/9 * 3的大小3卷积。如果大的卷积内核可以叠加的多个3所取代3大小卷积核,然后它可以使网络有更少的参数在同一视野。因此,研究中提出了一个假设。首先,一个33大小采用卷积滤波器处理55块大小获得33大小输出特性图。卷积后33大小卷积核,11大小输出。在这个时候,最后计算金额的18/25的直接使用55大小卷积核,它可以节省28%的计算量,但是网络也需要正确使用ReLu激活函数输出。在那之后,22尺寸采用卷积核取代33大小卷积核,可以节省11%的计算,但是使用一个不对称的卷积内核更好。因此,在这项研究中,13和31大小级联卷积核是用来取代33大小卷积核节省33%的计算,所以大卷积内核可以分解以同样的方式。在此基础上,得到一种改进的初始结构,如图1。

ResNet的结构可以有多达152层(18]。这个模型添加一个简单的堆叠浅相同的高速通道网络,如图2。左边的是普通的网络,其输出值H (x)代表任何理想的功能转换。右边的残余网络输出值H (x)=F (x) + x网络中,需要安装什么残留F (x)。网络中添加一个相同的快捷连接欧洲能使网络的输入映射和重叠。的输出公式剩余单位y=F (x, {Wi}) + x,在那里x代表输入和y代表输出,和函数F (x, {Wi})是通过学习获得的残余映射。从理论上讲,下面的两个网络可以逼近任意函数。但是如果网络的最优解是靠近身份映射,更容易使用剩余网络优化;如果卷积分支梯度扩散,网络还可以流的特性和梯度的分支机构身份映射,保证信息传输的可靠性。

卷积的卷积层分支F (x, {Wi})剩余的单元可以由多个层,和剩余单位也可以修改扩展的映射分支,卷积核大小、辍学,激活函数的位置。因此,一个新的DCNN网络结构是构建基于GoogleNet网络的初始结构和残余ResNet网络结构,提高网络的计算效率和信息流通的效果。合并后的新网络结构如图3。

深度重建网络构造的基本参数摘要如表所示1,辍学参数x和随后的连续调整的参数需要选择最优的辍学生值最后测试。

神经网络作为分类器经常使用Softmax深处,和三联体损失函数是一个分类器函数提出了人脸识别cnn谷歌。研究也表明,对伦敦时装周的数据集的识别率达到了99.63%,和YouTube数据集上的识别率也达到95.12% (19]。因此,不同的分类器的影响模型的人脸识别速度进行了分析。摘要三胞胎是由一个参考(锚点)的随机样本训练集,一个参考样本(积极的),和不同类别的样本(负)。假设样本特征提取每个样本获得的三胞胎 , ,和 ,分别,然后优化的目标如下: 在这是同一类别的样本之间的欧氏距离特征或最小间隔不同类别的样本之间的欧氏距离特性。

此时,三联体损失的数学表达式如下:

在神经网络的训练过程,对应于每个参数的梯度方程如下:

为了提高优化效率的模型,在线方法用于选择三胞胎的结合。同时,为了防止模型落入局部最优解的状态,删除在选择负样本,所以呢只需要满足

中心损失可以确保在培训过程中不同类别的样本的分离也确保同一类别的样本之间的聚合特征(20.]。中心损失可以定义如下:在其中功能的中心吗我th类别。 在哪里l_C是中心的损失。C_易是i类的功能中心。习是功能完整的连接层之前,和m mini-batch的大小。

因此,方程预测之间的距离之和越小的特点和功能中心中的每个示例批处理,也就是说,类内距离越小,性能越好。

的更新更新样本集在输入网络,和更新规则如下: 在这属于0或1。

然后,网络的误差函数可以定义如下: 在这的重量损失函数。当是0,Softmax分类器在网络。

3.2。面对菲和匹配基于深度重建网络

在拍照的过程中,人们可能没有完全暴露他们的脸由于相机角度,光线,情绪,和设备。为了检测在不同位置或不同角度的图像,它需要首先改变滑动窗口的规模或输入图像。滑动窗口也需要扫描输入图像按照一定的步长( );作为增加,判断窗口的数量和计算模型中的网络将减少几何。当输入图像DCNN时,不需要进行预处理的图像。然而,为了更好地检测大小不同的面孔,subacquisition率的原始输入图像在不同尺度缩放,然后,图像金字塔,如图4。

摘要DCNN用于处理每个脸图像位于图像金字塔根据输入订单,和潜在的地区检测到人脸图像在同一时间。坐标点和特定区域的大小脸的图像记录。毕竟图片处理,响应点的所有地区检测到图像相对地映射到原始图像输入的输入层。然后,图像的重叠区域融合得到最终结果。随后,面对矫直阶段执行没有对齐,在不同姿势和脸部特征提取,主要部分图像周围的眼睛,嘴角,和鼻子的顶端面对图像,如图5。

随后,欧几里得距离(21)和学习特征匹配算法应用于特征匹配在图像,以及匹配过程如图6。

在第一步中,有必要迅速判断很容易判断的样本图像样本匹配的脸。欧几里得距离用于样本之间的相似度,然后,两点之间的绝对距离空间中计算如下:

在第二步中,在保证功能的前提下识别率面对图像,学习算法具有更高的识别率是用来模拟面对图像的特性,和完整的脸特征的相似性匹配实现样品的精制的判断。很明显从图55名当地价值特征的提取,需要面对形象和获得总共6 160 -维特征向量,拼接成960维面部特征向量。图像的特点是减少到160维度又由PCA降维。

除此之外,在第二步中,联合使用贝叶斯计算样本之间的相似性。假设两个面孔的联合分布x₁和x₂分别,都服从高斯分布的特性0的意思,那么这两个之间的协方差的数学表达式的脸图片如下: 在这性格和的身份吗之间的区别是面对本身(光、表情和姿势)。

3.3。评价指标的检测和识别深层网络重建算法

在本文中,使用Matlab软件模拟深度重建网络,和LFW数据集用于训练和测试。本文以下实验进行TensorFlow平台Linux作为操作系统和2泰坦XGPU。伦敦时装周的数据集共有13233脸图像,分别给出了相应的名字,总共有5749人,大多数人只有一个图片。每个图像的大小是250×250,其中大部分是彩色图像,但也有一些黑色和白色的脸的照片。摘要面对图像数据集的随机分为训练集和验证集。训练集包含10000个脸图像,和验证集包含3233张图像。当训练模型,第一次不同的参数设置(学习速率的影响η,衰减系数λ、培训优化算法和辍学)模型的训练效果进行了分析,并损失值,精度值,采用过度拟合率和培训时间培训效果的评估。基于该模型最优参数设置,它是应用于验证组,平均精度(mAP)的平均值用于评估模型识别效果。

为了评估算法的效果在面对菲,10140年有1150人从伦敦时装周的数据集的图像选择,和180对正面脸样本和180对负样本和测试样本对随机选择的。然后,建设网络是用于执行面对铁,和最简单的欧几里得距离是用来匹配特性相似。最后,分类精度和匹配精度是用来评估的有效性面临铁。随后,这些10140张照片是用来继续细分。有1050人选择面部特征的图像匹配算法的训练。剩下的100个人的形象,200对正样本和200对负样本是随机选择的验证。识别准确率,阳性样本误差率,负样本错误率,配对正确的速度,和配对的平均时间是用来评估面临的匹配效应特性。

在目标识别和检测和识别领域,地图通常用于评估算法检测和识别的影响(22]。摘要错误率等基本概念,准确、精密,记得,并首次引入平均精度。出错率和准确率是最常用的测量条款分类评估、错误的错误率是比总样本,样本和准确率的比例是正确的样本总样本。假定样本数据集年代样品被定义为用户界面,样品的类型六世,该算法的预测结果f (ui),然后错误率和准确性率的计算公式如下:

精确率的计算公式(前)和召回率(召回)如下: TP是真阳性,FP是假阳性,FN假阴性。

使用精确率作为纵轴和召回率作为横轴,P-R曲线。P-R曲线下的面积平均精度(美联社),和地图是美联社的平均在每个类型的分类任务指标。此外,过度拟合率(或)用来评估算法。或的计算方程如下: 在TrainAcc是训练准确率和ValAcc是验证准确率。

4所示。结果

4.1。基于深度重建网络识别率的比较算法

通过调整学习速率η,衰减系数 ,训练方法,辍学,不同参数对精度的影响DCNN模型探讨了识别,数据库是用来训练DCNN模型和最大迭代次数设置为1000。在实验中,网络中的激活函数总是作为ReLU。首先,不同的学习速率的影响在模型识别率进行了比较。结果如图7和8。很明显从图7,当= 0.0004,算法的识别精度是最高的;当= 0.001,算法的识别精度是最低的。很明显从图8,当= 0.0004,损失值的算法是最小的,当= 0.001,损失值的算法是最大的。逐步增加 ,精度值逐渐降低,损失值逐渐增加。

然后,不同的学习速率的影响人脸识别算法的性能的定量比较。很明显从表2,当= 0.0004,该算法精度值最大(99.03%),最小的损失值(0.047),和最短的培训时间(352年代)。当= 0.0007,该算法过度拟合率最低(1.005)。总之,当= 0.0004,算法的性能是最好的,所以在此基础上进行后续测试。

不同的衰减系数的影响在模型识别率进行比较。结果如图9和10。很明显从图9,当= 0.0001,算法的识别精度是最高的;当= 0.09,算法的识别精度是最低的。很明显从图10,当= 0.0001,损失值的算法是最小的;当= 0.09,损失值的算法是最大的。逐步增加 ,精度值逐渐降低,损失值逐渐增加。

然后,不同的衰减系数的影响人脸识别算法的性能定量比较。很明显从表3,当λ= 0.0001,算法的精度值是最大的(99.03%),和损失值是最小的(0.047)。当λ= 0.0007,算法的训练时间最短(342年代)。当λ= 0.0001和0.0009,过度拟合的算法是最小的(1.006)。总之,当λ= 0.0001,算法的性能是最好的,所以后续测试是在此基础上进行的,在这个模型中使用的分类器确定三联体损失函数。

在比较不同训练方法对模式识别的影响率,结果如图11和12。很明显从图11SGD训练方法时,算法的识别精度是最高的;当Adagrad训练方法,算法的识别精度最低。很明显从图12SGD训练方法时,算法的损失值是最小的;训练方法是Adagrad时,算法的价值是最大的损失。

然后,不同训练方法对人脸识别的影响,定量比较算法的性能。很明显从表4SGD训练方法时,该算法最大的Acc值(99.03%),最小的损失值(0.047),最低的过度拟合率(1.006)。RMSprop训练方法时,该算法的训练时间是最短的(351年代)。总之,SGD训练方法时,算法的性能是最好的,所以后续的测试是在此基础上进行。

最后,不同的辍学值对模型的影响识别率比较。结果如图13和14。很明显从图13辍学= 0.1时,该算法的识别精度最高;辍学= 0.6时,算法识别精度最低。很明显从图14辍学= 0.1时,算法的损失值是最小的,辍学= 0.6时,算法的损失值是最大的。逐渐增加的辍学值,算法的精度值逐渐降低,和损失值逐渐增加。

然后,不同的辍学值的影响人脸识别算法的性能的定量比较。很明显从表5辍学= 0.1时,该算法最大的Acc值(99.03%),最小的损失值(0.047),最低的过度拟合率和辍学= 0.2 (1.006)。辍学= 0.6时,该算法的训练时间是最短的(337年代)。总之,辍学= 0.1时,算法的性能是最好的,所以在此基础上进行后续测试。

它是集η= 0.0004,λ= 0.0001深重建网络,建设SGD选择训练方法,和辍学= 0.1。然后,不同的激活函数对模型的影响识别率比较,如图15和16。很明显从图15的识别准确率最高ReLu激活函数时,识别准确率是激活函数是乙状结肠时最低。从图16,很明显,损失值是最低的ReLu激活函数时,和损失价值最高时激活函数是乙状结肠。

然后,不同的激活函数的影响人脸识别算法的性能的定量比较。很明显从表6ReLu激活函数时,该算法的Acc价值是最大的(99.03%)、损失值是最小的(0.047),和过度拟合率最低(1.006)。当激活是双曲正切函数,该算法的训练时间是最短的(341年代)。总之,当ReLu激活函数,算法的性能是最好的,所以后续测试基础上进行的。

基于上述结果,在深度重建网络构建本文= 0.0004,= 0.0001,训练方法设置为SGD,辍学= 0.1,人脸识别验证,和识别效果与LetNet-5相比,GoogleNet, AlexNet VGG-16 VGG-19, ResNet网络。很明显从图17P-R曲线下的面积的算法构建本文是最大的;映射的值是最大的。不同模型的映射值排名,结果是论文中的算法> ResNet > AlexNet > VGG-19 > GoogleNet > VGG-16 > LetNet-5。

4.2。面对菲和匹配验证基于深度重建网络算法

本文提出的人脸识别和有限元算法应用于伦敦时装周的数据提取和匹配特性。结果如图所示18。很明显,本文提出的算法能有效地提取特征的脸图像,可以完全匹配相同的特性,然后实现相同的识别和检测的脸。

然后,本文构造深度重建网络算法应用于铁和人脸图像中特征匹配,性能与其他模型相比。很明显从表7当本文的施工方法训练,训练集上的分类准确率为97.94%,高于LetNet-5, VGG-16,和VGG-19算法,准确率是2.1%,0.94%,和1.16%,分别,但低于GoogleNet, AlexNet, ResNet算法的准确率是0.14%,0.58%,和0.46%,分别。验证设置,本文算法构造的正确匹配率为84.72%,高于LetNet-5, VGG-16,和VGG-19算法,正确匹配率是6.94%,2.5%,和1.11%,但低于GoogleNet AlexNet,和ResNet算法,正确匹配率是0.56%,1.39%,和1.95%,分别。

匹配的人脸图像特征提取的效果比较。总识别率的比较结果如表所示8。之后,很明显,联合使用贝叶斯方法在本文提出的算法,验证集的正确识别日志率最高(88.75%),高于LetNet-5, GoogleNet, AlexNet, VGG-16, VGG-19,和ResNet算法,正确识别利率是4%,1.25%,0.75%,3.75%,3.25%,和0.25%,分别。

的影响只使用联合贝叶斯方法和本文算法的匹配效果脸上特性进行比较,结果如表所示9。显然,本文提出的算法有更快的匹配时间(206.44秒)和正确匹配率(88.75%)高于联合贝叶斯方法。

5。讨论

之前有研究表明,不同的参数设置会产生某些影响的识别率DCNN模型。在本文中,不同的学习速率的影响,培训方法、衰减系数和辍学的识别算法的性能进行了比较。研究表明,太大学习速率将导致算法在学习过程中出现不稳定,进而影响算法的性能(23),这与本文的结果是一致的,学习速率算法的性能呈负相关。然后,不同的培训方法的影响识别率的DCNN模型进行了比较。RMSprop-based网络训练方法会增加过度拟合的概率,和madam-based网络训练法将增加Nesterov的动力参数,所以需要更多的训练时间。之前的研究表明,调整辍学丢弃率在许多网络参数可以解决模型过度拟合的问题,但过度增加辍学丢弃率会降低图像分类的类风湿性关节炎,和过度拟合的概率会增加24),这与本文结果基本上是一致的,辍学是负相关的识别性能构造人脸识别算法。同时,不同的衰减系数的设置的影响相比,该算法的识别性能。发现衰减系数负相关,该算法的识别率。这是因为过度体重衰减系数将会破坏稳定的算法的学习过程,所以选择最小的衰减系数可以确保稳定的人脸识别算法25]。

面部特征主要分为颜色(肤色),轮廓(椭圆),照明(头发、眼睛和下巴),模板(均值和方差),变换域(表示)的特性,结构(面部对称性),镶嵌(镶嵌规则)和直方图特性(灰色分布)26]。人脸特征检测的过程中,由于高度非线性分布等因素(如面部表情和色差),装饰品(胡子、眼镜和帽子),表达式(面部肌肉运动),光(亮度和角度),图像质量(分辨率),和一个复杂的场景(面对数量和差距),分类错误引起的(27]。许等人提出了一个semisupervised FR方法LFW和YTF数据库和发现算法的识别率是98.63%和91.76%,分别为(28]。本文所构造的深度重建网络应用于菲面对LFW图像数据;该算法相比LetNet-5(后29日],VGG-16 [30.],VGG-19 [31日)算法,它是发现,它有一个更高的匹配准确率,但略低于GoogleNet [32],AlexNet [33],ResNet [34)算法。然而,本文提出的算法可以减少模型生成的复杂性,同时防止过度拟合的发生。最后,贝叶斯方法(35)是用于匹配特性。结果表明,该算法的准确率脸特征匹配是高于LetNet-5, VGG-16, VGG-19, GoogleNet AlexNet, ResNet。同时,与单独联合贝叶斯方法相比,它可以减少时间消耗的特征匹配(36和提高匹配精度37),表明本文提出的算法可以快速执行大规模的脸图像特征匹配和与其他DCNN模型相比具有一定的优势。

6。结论

本文构造一个新的深度重建网络使用GoogleNet网络的初始结构和残余结构ResNet网络,并应用于人脸识别算法的最优参数选择。基于该算法,面对金字塔分割和地方特性应用于构建一个面对有限元算法。发现它有一个铁的效果比一般的DCNN模型。最后,基于该算法,实现人脸特征匹配使用联合贝叶斯方法,验证结果。本文构造的结果表明,该模型能有效地识别脸部图像使用不同的干扰因素。然而,模型训练和验证只有通过数据库中的图像。特定的FR系统需要开发探索其应用效果的视频画像识别。总之,结果帮助后续发展的FR系统基于DCNN和FR的效率的提高。

数据可用性

所需的原始/处理数据复制这些发现也不能在这个时候作为数据共享一个正在进行的研究的一部分。

的利益冲突

作者宣称没有利益冲突。

引用

1. e . Viccaro大肠金沙,c·斯普林格”间隔检索使用静态和动态图像提高名脸配对在内识别:阿尔茨海默氏痴呆、血管性痴呆”美国语言语音病理学杂志》上,28卷,不。3、1184 - 1197年,2019页。视图:出版商的网站|谷歌学术搜索
2. p . l . l . Li专题,a .哈迪德”人脸识别在欺骗攻击:对策和研究方向,”专业生物识别技术,7卷,不。1,3 - 14,2018页。视图:出版商的网站|谷歌学术搜索
3. r . Starrfelt s . k . Klargaard a·彼得森和c . Gerlach”阅读发展面孔失认症:词之间的分离和人脸识别的证据,”神经心理学,32卷,不。2、138 - 147年,2018页。视图:出版商的网站|谷歌学术搜索
4. h .秦和m . a . El-Yacoubi“深表示特征提取和恢复手指静脉验证,”IEEE取证和安全信息,12卷,不。8,1816 - 1829年,2017页。视图:出版商的网站|谷歌学术搜索
5. c . z . Wang歌,t·陈,“深度学习基础监测炉燃烧状态和测量的热释放速率、”能源卷,131年,第112 - 106页,2017年。视图:出版商的网站|谷歌学术搜索
6. o . Russakovsky j .邓·h·苏et al .,“ImageNet大规模视觉识别的挑战。”国际计算机视觉杂志》上,卷115,不。3、211 - 252年,2015页。视图:出版商的网站|谷歌学术搜索
7. a . Krizhevsky i Sutskever, g·e·辛顿“ImageNet分类与深卷积神经网络,”先进的神经信息处理系统,23卷,不。2、1097 - 1105年,2012页。视图:谷歌学术搜索
8. k . Seeliger m . Fritsche美国Guclu et al .,“卷积神经网络编码和解码视觉物体识别的空间和时间,”科学杂志。卷,180年,第266 - 253页,2017年。视图:谷歌学术搜索
9. d . t .黄平君和h·j·康”,使用卷积神经网络的滚动轴承故障诊断和振动图像,”认知系统研究卷,53 42-50,2018页。视图:谷歌学术搜索
10. 严和h . m . Zhang s汗,“深eigen-filters人脸识别:通过无监督学习构建滤波器特性表示,“模式识别,第100卷,第107176页,2020年。视图:出版商的网站|谷歌学术搜索
11. g .他,:a . Agarwal n . Ratha r·辛格和m . Vatsa”检测的人脸识别和减轻敌对的扰动,”国际计算机视觉杂志》上,卷127,不。6 - 7,719 - 742年,2019页。视图:出版商的网站|谷歌学术搜索
12. k . Isogawa t·艾达t Shiodera et al .,“深收缩卷积神经网络自适应降噪,”IEEE信号处理信件,25卷,不。2、224 - 228年,2017页。视图:谷歌学术搜索
13. t . Nakazawa和d . v . Kulkarni异常检测和分割为晶圆缺陷模式使用深卷积encoder-decoder神经网络架构在半导体制造业,”IEEE半导体制造业,32卷,不。2、250 - 256年,2019页。视图:出版商的网站|谷歌学术搜索
14. F.-P。一个和X.-W。周:“BEMD-SIFT特征提取算法对于图像处理应用程序,”多媒体工具和应用程序,卷76,不。11日,第13172 - 13153页,2017年。视图:出版商的网站|谷歌学术搜索
15. g s p .徐t . Liu z . Zhang et al .,“两级噪声估计使用自动特征提取和映射模型,”IEEE信号处理信件,26卷,不。1,第183 - 179页,2018。视图:谷歌学术搜索
16. b·菲尔丁和l .张”发展与增强粒子群优化图像分类架构,”IEEE访问》第六卷,第68575 - 68560页,2018年。视图:出版商的网站|谷歌学术搜索
17. k . Zhang w·左y . Chen孟d, l·张,“除了高斯降噪:残余学习深cnn对图像去噪,”IEEE图像处理,26卷,不。7,3142 - 3155年,2016页。视图:谷歌学术搜索
18. 大肠Kang w . Chang, j . Yoo和j . c .你们“深卷积framelet通过小波去噪对低剂量ct残余网络,”IEEE医学成像,37卷,不。6,1358 - 1369年,2018页。视图:出版商的网站|谷歌学术搜索
19. d·s。Trigueros、l .孟和m . Hartnett”提高卷积神经网络的人脸识别闭塞地图和批处理三联体损失,”图像和视觉计算,79卷,2018年。视图:谷歌学术搜索
20. j·艾伦和f .郭”Spectral-spatial特征提取和分类损失高光谱图像通过安监督中心,“IEEE地球科学和遥感卷,57号3、1755 - 1767年,2019页。视图:谷歌学术搜索
21. 海涛,甘x和z“noise-robust semi-supervised降维的人脸识别的方法,”Optik国际期刊《光与电子光学卷,157年,第865 - 858页,2018年。视图:谷歌学术搜索
22. d .武断的话和m . s . Shirdhonkar”Face-based文档图像检索系统。”Procedia计算机科学卷,132年,第668 - 659页,2018年。视图:出版商的网站|谷歌学术搜索
23. h·h·赵f . Liu,梁和z,”研究深度学习的学习速率能量指数,”神经网络卷,110年,第231 - 225页,2019年。视图:出版商的网站|谷歌学术搜索
24. g·h·d·罗莎·p·p·若昂,x s .杨”处理辍学概率估计在使用metaheuristics卷积神经网络,”软计算4卷,第6156 - 6147页,2017年。视图:谷歌学术搜索
25. m . Tzelepi和a . Tefas”提高二进制的轻量级cnn的性能分类利用二次互信息正规化,”模式识别,第106卷,第107407页,2020年。视图:出版商的网站|谷歌学术搜索
26. t·阿米娜,a·t·艾哈迈德·s . Djamel et al .,“深度学习功能强大的面部亲属关系验证,”专业形象的过程,12卷,不。12日,第2345 - 2336页,2018年。视图:谷歌学术搜索
27. m . Kraemer问:b Huynh, d . Wieczorek et al .,“特发性性烟雾病在白种人中独特的面部特征:第一系统分析,“PeerJ》第六卷,没有。4篇文章ID e4740 2018。视图:出版商的网站|谷歌学术搜索
28. w·徐j .吴叮,l .丽安和h .曹国伟,“从大规模弱标记数据提高人脸识别的新领域,“神经处理信件卷,49号3、939 - 950年,2019页。视图:出版商的网站|谷歌学术搜索
29. 陆h . d . Wang, M.-H。杨:“内核协同人脸识别,”模式识别,48卷,不。10日,3025 - 3037年,2015页。视图:出版商的网站|谷歌学术搜索
30. f·朱,x, h .傅,田,“Pseudo-positive正规化深人地,“多媒体系统,24卷,不。4、477 - 489年,2018页。视图:出版商的网站|谷歌学术搜索
31. m·f·汉森·m·l·史密斯,史密斯l . n . et al .,“向养殖场猪使用卷积神经网络的人脸识别中,“计算机在工业领域卷,98年,第152 - 145页,2018年。视图:出版商的网站|谷歌学术搜索
32. n . Bi j·陈,j . Tan“手写汉字识别与googlenet使用卷积神经网络,”模式识别与人工智能》国际期刊上,33卷,不。11,1940016页,2019年。视图:出版商的网站|谷歌学术搜索
33. a: k .‘人工智能Umar et al .,“性别分类,小波卷积神经网络”电子杂志的成像,28卷,不。1,p。2019。视图:出版商的网站|谷歌学术搜索
34. 陆z、x江和a·科特“深耦合resnet低分辨率人脸识别,”IEEE信号处理信件,25卷,不。4、526 - 530年,2018页。视图:出版商的网站|谷歌学术搜索
35. 徐黄z、x、j .倪h·朱和c·王,“多通道表示学习建议在物联网中,“IEEE物联网》第六卷,没有。6,10675 - 10685年,2019页。视图:出版商的网站|谷歌学术搜索
36. h . m, d . Zhang姚明,和k .张”“人类错误的概率模型评估自治货船关注human-autonomy协作,”安全科学文章ID 104838卷,130年,2020年。视图:谷歌学术搜索
37. f .胡锦涛和g .吴“分布式卡尔曼滤波器算法的误差校正在多传感器融合定位模型中,“IEEE访问,8卷,第93218 - 93211页,2020年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021斤杨等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。