增长式卷积神经网络及其在人脸检测中的应用.ppt

* 增长式卷积神经网络 及其在人脸检测中的应用 * * 主要内容 卷积神经网络 1 基于结构增长的卷积神经网络 2 结构增长式网络的后期学习 3 实验结果 4 * * 卷积神经网络 三种结构性方法： （1）局部感受域 （2）权值共享 （3）空间域或时间域上的次采样 图1 卷积神经网络结构图 * * 卷积神经网络的优点 （1）输入图像和网络的拓扑结构能很好的吻合。 （2）特征提取和模式分类同时进行，并同时在训练中产生。 （3）权重共享可以减少网络的训练参数，使神经网络结构变得更简单，适应性更强。 （4）方便并行化处理。 * * 基于结构增长的卷积神经网络 定义： 利用增量的方式从最简单的网络开始增长，生成一个检测速度很快而网络规模却相对较小的卷积神经网络。 目的： 构造大规模的网络会提高一定的识别率，但是网络参数大，花费时间长。在精确度与检测速度这两者之间保持一个最佳平衡。 * * 基于结构增长的卷积神经网络 不使用先验知识为网络事先设定结构，而是根据训练的情况，让它自己“长大”，直到可以达到要求为止。 学习过程分为两个阶段： （1）前期学习 （2）后期学习 * * 基于结构增长的卷积神经网络 图2 初始情况下的卷积神经网络a 需训练参数：89个 * * 基于结构增长的卷积神经网络 如果N1输出大于0，则表示输入为人脸；如果输出小于或等于0，则表示输入