基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)分析案例目錄TOC\o"1-3"\h\u31298基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)分析案例 1288181.1人臉數(shù)據(jù)集介紹 1105181.2網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置 2287021.2.1網(wǎng)絡(luò)結(jié)構(gòu) 2165071.2.2參數(shù)設(shè)置 3147131.2.3人臉識(shí)別代碼及注釋 3166251.3實(shí)驗(yàn)結(jié)果及分析 42881.3.1卷積核數(shù)量對(duì)識(shí)別率的影響 4294361.3.2特征維度對(duì)識(shí)別率的影響 4我們首先介紹了部分?jǐn)?shù)據(jù)集，然后介紹了用于測(cè)試的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。本次測(cè)試使用的網(wǎng)絡(luò)結(jié)構(gòu)是文章centerloss/21中發(fā)現(xiàn)的網(wǎng)絡(luò)結(jié)構(gòu)。我們只做了一個(gè)小小的修改，將局部卷積的所有層都轉(zhuǎn)換為卷積的層，減少了網(wǎng)絡(luò)參數(shù)，提高了訓(xùn)練速度。我們安排了不同內(nèi)核和連接內(nèi)核的網(wǎng)絡(luò)結(jié)構(gòu)以及不同羽毛維度的網(wǎng)絡(luò)結(jié)構(gòu)，并檢查了卷積核和特征維度對(duì)人臉識(shí)別的影響。1.1人臉數(shù)據(jù)集介紹在大量數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的推動(dòng)下，面部識(shí)別的效果逐漸壓倒人們。許多大型私有數(shù)據(jù)公司使用大型網(wǎng)絡(luò)在LFW（FaceLabeledinWilddataset）/27l人臉認(rèn)證集中進(jìn)行訓(xùn)練并實(shí)現(xiàn)深度驗(yàn)證。雖然很多開(kāi)源是神經(jīng)網(wǎng)絡(luò)的代碼，但是數(shù)據(jù)訓(xùn)練的大規(guī)模特征并沒(méi)有公開(kāi)發(fā)表。人臉識(shí)別領(lǐng)域的現(xiàn)狀比數(shù)據(jù)算法更強(qiáng)大。本文使用的人臉訓(xùn)練數(shù)據(jù)是公共數(shù)據(jù)庫(kù)CASIA-WebFaceFacedatabase28。它是來(lái)自Internet的圖像集合，生成了包含10557個(gè)人的廣泛數(shù)據(jù)庫(kù)，其中包含494,414張圖像。CASIA-WebFace部分圖片如圖所示。圖6人臉數(shù)據(jù)圖見(jiàn)證數(shù)據(jù)集使用LFW數(shù)據(jù)集，其中包括5749位名人的13,233張照片，例如經(jīng)過(guò)身份驗(yàn)證的面部代碼。一些LFW圖像如圖所示。圖7LFW圖像1.2網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置1.2.1網(wǎng)絡(luò)結(jié)構(gòu)在本文中，我們使用CenterLossl2l作為我們?nèi)四槞z查網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)。這個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)如圖所示，其中C代表卷積層，LC代表局部卷積，P層代表全連接層。i該網(wǎng)絡(luò)包括3個(gè)卷積層、3個(gè)局部卷積、4個(gè)堆疊層和1個(gè)全連接層。不僅Softmaxloss警官失去了這項(xiàng)任務(wù)，CentreLoss信息官員也失去了這項(xiàng)任務(wù)。損失中心將在下一節(jié)介紹。卷積核和層的局部卷積的卷積大小統(tǒng)一固定為3×3，度數(shù)大小為1，然后將閾值PReLU1連接到非線性單元。卷積maple和局部卷積層的數(shù)量分別為128和256。將樣本大小為2的2×2核全部開(kāi)火。比較的第四層和旋轉(zhuǎn)的第三層的輸出是同時(shí)的，這樣第一層的輸入是全連接的，輸出維度是完全連接的。層數(shù)為512。圖8CenterLossl2l為了通過(guò)實(shí)驗(yàn)研究參數(shù)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的影響，我們?cè)O(shè)計(jì)了三種不同的網(wǎng)絡(luò)結(jié)構(gòu)，如表所示。為了減少網(wǎng)絡(luò)環(huán)境，提高網(wǎng)絡(luò)性能，網(wǎng)絡(luò)層不使用局部卷積，只使用包裹層。這三個(gè)結(jié)構(gòu)的網(wǎng)絡(luò)高度與地圖上的網(wǎng)中心深度相同。它們都包含6層織物，4層和1層全連接。每層網(wǎng)絡(luò)連接內(nèi)核數(shù)設(shè)置為32-32-64-128-192-256，網(wǎng)絡(luò)網(wǎng)絡(luò)每層連接內(nèi)核數(shù)設(shè)置為32-32-64-128-192-256，每層網(wǎng)絡(luò)的連接網(wǎng)絡(luò)數(shù)為-2，網(wǎng)絡(luò)卷積。它的銘文編號(hào)為64-64-128-256-384-512。全連接網(wǎng)絡(luò)的特征維度設(shè)置為512個(gè)網(wǎng)絡(luò)，全連接網(wǎng)絡(luò)的特征維度設(shè)置為1024。卷積操作后羽毛的表面保持不變，因?yàn)槲覀儧](méi)有使用自由卷積操作。與核心配合使用的構(gòu)造網(wǎng)絡(luò)選擇2×2的長(zhǎng)度級(jí)別，使刺繡層的表面尺寸一層一層地縮小到原來(lái)的四分之一。在推出每一幀后使用PReLU激活函數(shù)。1.2.2參數(shù)設(shè)置我們使用caffe的副本。詳細(xì)的模式結(jié)構(gòu)見(jiàn)表4-1。模型在單GPU上訓(xùn)練，batchsize達(dá)到256。首字母設(shè)置為0.1。隨著訓(xùn)練迭代16,000次和24,000次，學(xué)習(xí)率已降低到十個(gè)原始研究。最后，當(dāng)有28,000次迭代時(shí)，保存訓(xùn)練限制和模型訓(xùn)練模塊。NET-1、NET-1、NET-2的訓(xùn)練時(shí)長(zhǎng)分別為2小時(shí)、5.5小時(shí)和6小時(shí)。1.2.3人臉識(shí)別代碼及注釋部分主要代碼及注釋：加載圖像數(shù)據(jù)的函數(shù),dataset_path即圖像olivettifaces的路徑加載olivettifaces后，劃分為train_data,valid_data,test_data三個(gè)數(shù)據(jù)集函數(shù)返回train_data,valid_data,test_data以及對(duì)應(yīng)的label"""defload_data(dataset_path):img=Image.open(dataset_path)img_ndarray=numpy.asarray(img,dtype='float64')/256faces=numpy.empty((400,2679))forrowinrange(20):forcolumninrange(20):faces[row*20+column]=numpy.ndarray.flatten(img_ndarray[row*57:(row+1)*57,column*47:(column+1)*47])label=numpy.empty(400)foriinrange(40):label[i*10:i*10+10]=ilabel=label.astype()1.3實(shí)驗(yàn)結(jié)果及分析參數(shù)設(shè)置相同的三個(gè)網(wǎng)絡(luò)的訓(xùn)練結(jié)果如表2所示。分別顯示迭代次數(shù)與損失值的關(guān)系以及迭代次數(shù)與識(shí)別的關(guān)系。最后，建立在LFW人臉認(rèn)證數(shù)據(jù)上的三個(gè)網(wǎng)絡(luò)的識(shí)別率如表所示。表2為各網(wǎng)絡(luò)的識(shí)別率比較網(wǎng)絡(luò)類型準(zhǔn)確率NET-196.668%NET-297.383%NET-397.517%1.3.1卷積核數(shù)量對(duì)識(shí)別率的影響為了研究多個(gè)隱藏卷積核對(duì)實(shí)驗(yàn)結(jié)果的影響，我們構(gòu)建了相同深度和不同寬度的神經(jīng)網(wǎng)狀網(wǎng)狀結(jié)構(gòu)。每個(gè)網(wǎng)絡(luò)網(wǎng)絡(luò)層的連接核數(shù)為雙NET-1，其他設(shè)置相同。從實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，網(wǎng)絡(luò)訓(xùn)練的性能比較差，網(wǎng)絡(luò)參與困難。訓(xùn)練性能NET-2不錯(cuò)，訓(xùn)練集的損失值可以降的很低，訓(xùn)練集的知識(shí)率也很高。最后，LFW測(cè)試的認(rèn)證精度高于網(wǎng)絡(luò)1。1.3.2特征維度對(duì)識(shí)別率的影響為了研究特征維度對(duì)NETs估計(jì)的影響，我們對(duì)比了netting和nett