基于SDCNN的人臉識別研究.pdf

1、人臉識別是機器學習和計算機視覺領域中的一個研究熱點，近年來在實際工程中應用越來越廣泛。人臉識別相關的技術多樣化，包括淺層特征提取后分類、深層結構直接學習等。卷積神經網絡是一種適應二維人臉圖像識別場景的有效學習方式，被大量文獻用于解決人臉識別問題。然而，目前卷積神經網絡在其池采樣過程中使用固定的采樣策略會增大層間有效信息丟失的可能性，從而降低網絡的識別性能和泛化能力;另外，已有結構的相鄰層間的卷積運算多為確定的全連接方式，無法有效降低待訓

2、練參數的數量。
　　針對這些問題，本文提出了隨機深層卷積神經網絡(Stochastic DeepConvolutional Neural Networks，簡稱SDCNN)，在卷積神經網絡結構上進行深層化并對卷積層的池采樣方法和層間特征圖譜的部分連接方式均進行了隨機化改進，同時構建了接收多層次輸入特征圖譜的全連通特征層，最終將其應用在人臉識別任務中。首先，在卷積網絡子采樣層的池采樣函數選取研究中，本文提出的新方法根據池采樣區(qū)域內具

3、體元素值的平方作為概率計算的依據進行隨機采樣，解決傳統(tǒng)算法采樣值過于單一的問題。然后，在不同層間的卷積運算中，提出了隨機部分連接參數的方法，使得隨機池采樣層到卷積層的連接更為高效和全面，同時降低了網絡需要訓練的參數數量。最后，對于高層結構的設計，本文將不同層次的特征圖譜與一個全連接層和soft-max回歸層依次連接進行有監(jiān)督的訓練以便得到正確的分類結果。
　　實驗結果證明，在特定訓練參數和人臉數據庫測試下，本文提出的SDCNN結構