一種通過卷積─池化提升SVM人臉識別率的研究_第1頁
一種通過卷積─池化提升SVM人臉識別率的研究_第2頁
一種通過卷積─池化提升SVM人臉識別率的研究_第3頁
一種通過卷積─池化提升SVM人臉識別率的研究_第4頁
全文預覽已結束

付費下載

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

一種通過卷積─池化提升SVM近年來，人臉識別技術得到了廣泛的應用，其中支持向量機（）SM在人臉識別上的準確率。我們使用卷積神經(jīng)網(wǎng)絡（CNN）的方式來提取人M模型進行分類。實驗結果表明，SVM用，例如安全監(jiān)控、金融領域以及智能手機解鎖等。在人臉識別技術中，支持向量機是一種常用的分類器，其通過學習訓練樣本的特征并將其映S作為經(jīng)典的分類方法，在人臉識別中也是然而，M在人臉識別中的準確性受到了許多因素的限制，例如光M在人臉識別中的準確率是一個熱門的研究領域。其中，卷積神經(jīng)網(wǎng)絡（CNN）的方法，其能夠提取圖像的局部特征并且降低噪聲的干擾，因此可以用M在人臉識別中的分類性能。SVM在人臉識別上的CNN圖上應用SVM模型進行分類。該方法能夠充分利用卷積神經(jīng)網(wǎng)絡的特點，提高SVM在人臉識別中的表現(xiàn)。SVM在人臉識別上的本文提出的方法是通過卷積─池化提升SVM在人臉識別上的準確率。我們使用了一個基于CNN的特征提取器來提取人臉圖像的特征，并在特SVMCNN的特征提取器來提取人臉圖像的特征。NN一種前饋神經(jīng)網(wǎng)絡，其通過卷積運算、非線性激活函數(shù)以及池化操作來提取圖像的局部特征。CNN的一般結構如下所示：我們使用了一個經(jīng)典的CNN框架來提取人臉圖像的特征。該CNNCNN模型來提取人臉圖像的特征，該CNN模型已經(jīng)在ImageNet數(shù)據(jù)集上進行了訓練，并且具有很強的特征SVM模型參數(shù)。在交叉驗證的109SVM參數(shù)來訓練模型，并評估分類器在LFW數(shù)據(jù)集上進行了實驗，比較了卷積─池化方法與其他方CNN的特征提取器來提取人SVM作為分類器進行分類。實驗結果表明，我們提出的卷積─池化方法能夠顯著提高SVM在人臉識別上的準確率。方法1：使用SIFT特征和線性SVM分類器方法2：使用HOG特征和線性SVM分類器3SVM分類器4CNNSVM分類器方法準確率1234SVM在人臉識別上的準確率。與其他方法相比，使用卷積─池化方法的SVMLFW數(shù)據(jù)集上的識別率更高。這主要是因為我們所提出的SM在人臉識別上的準確率。我們使用卷積神經(jīng)網(wǎng)絡的方式來提取人臉圖像的特征，并M模型進行分類。實驗結果表明，我們的方法能夠顯MMLFW87

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論