人工智能原理第11章 人脸识别.pptxVIP

张明 副教授 ;第11章 人脸识别 ;11.1 人脸识别概念;11.1 人脸识别概念;11.1 人脸识别概念;11.1 人脸识别概念;11.1 人脸识别概念;11.2 人脸识别的流程;11.2 人脸识别的流程;11.2.1 人脸图像的采集;11.2.2 人脸图像的检测;11.2.3 人脸图像的预处理;11.2.4 人脸图像的特征提取;11.2.5 人脸图像的匹配与识别;11.2.5 人脸图像的匹配与识别;11.2.6 活体鉴别;11.3 人脸识别种类;11.3.1 人脸检测;11.3.1 人脸检测;11.3.2 人脸关键点检测;11.3.2 人脸关键点检测;11.3.2 人脸关键点检测;11.3.2 人脸关键点检测;ASM算法;ASM算法;AAM主动外观模型算法;11.3.3 人脸验证;11.4 人脸检测;11.4.1 LFW数据集;11.4.2 数据预处理与检测;11.4.2 数据预处理与检测;11.4.2 数据预处理与检测;11.5 性别和年龄识别;11.5 性别和年龄识别;11.5 性别和年龄识别;11.5 性别和年龄识别;11.5 性别和年龄识别;11.5 性别和年龄识别;11.5.1 数据预处理;11.5.2 模型构建;11.5.2 模型构建;（1）初始化参数：权重初始化方法采用标准差为0.01，均值为0的高斯正态分布。 （2）网络训练：采用dropout来限制过拟合，dropout比例采用0.5。还要进行数据扩充，数据扩充是通过输入256×256的图片，进行随机裁剪，裁剪为227×227的图片，当然裁剪要以人脸的中心为基点进行裁剪。 （3）训练方法采用点随机梯度下降法，min-batch大小选择50，学习率大小为0.001，当迭代到10000次以后，把学习率调为0.0001。 （4）结果预测：预测方法采用输入一张256×256的图片，然后裁剪为5张大小为227×227的图片，其中4张图片的裁剪方法为分别以256×256的图片的4个角为基点进行裁剪。然后最后1张，以人脸的中心为基点进行裁剪。然后对这5张图片进行预测，最后对预测结果进行平均。;如果我们直接把书中给出的训练好的模型用到自己的项目上，可能精度会比较低。直接使用书中给的模型，在个人的数据上进行测试，数据是中国人，精度为82%左右，这个精度对于我们实际的工程应用还差很远。后面就要发挥自己的调参技巧把精度提高上去，才能达到95%以上的精度。