论文部分内容阅读
目前,人工智能时代已经到来,作为走向人工智能之路的重要工具——深度学习已经走进了人们的视野之中。目前,在我们的日常生活中,其实随处可见深度学习的身影。它采用多层次的、模拟人脑的网络结构,能够更好的提取特征,并且几乎不用人工的干预,自主学习,“认识”所学习的物体,打破了传统的依赖人工提取某种特征的方式,在算法效果上得到了极大的提升。卷积神经网络是深度学习中众多网络结构中的一种。卷积神经网络可以向人类一样直接读取二维图像,结构上也更类似于人类的视觉神经系统,因而具有强大的特征提取能力,在目标识别、检测的效果上远超传统方法。在目标识别、目标检测等计算机视觉任务中可以看见很多卷积神经网络的身影。这其中尤以人脸识别、行人检测、人脸特征点检测等任务最为经典,也取得了优异的成果。本文的主要工作包括以下三个方面:第一,介绍了单个神经元、多层感知器的计算方法,介绍了BP神经网络的网络结构、算法原理。以经典的手写数字网络为例详细介绍了卷积神经网络基本结构、算法原理。第二,仔细研究了一种基于卷积神经网络的Deep ID人脸识别算法。借鉴Deep ID算法,本文通过利用人脸不同局部区域具有一定的分辨特性,通过使用多个并行的卷积神经网络分别提取不同人脸区域的特征,有效的提升了算法提取的人脸特征的表达能力;论文引入了一种比卷积神经网络性能更好的残差网络,作为模型的特征提取网络,进一步提升了模型的性能。第三,研究了一种基于卷积特征金字塔和单映射多候选框检测算法(Single Shot Multi Box Detector,SSD)的行人检测网络框架,分析其基础网络结构及多特征层检测的机制。根据行人的外形特征,修改了default Box的铺设策略,同时使用了更低层的特征图,有效提升了行人检测率,同时也提高了目标较小的行人检测率。通过实验对比,证明了本文的人脸识别、行人检测算法相比当前的相关算法所具有的优点。