一种通过卷积─池化提升SVM人脸识别率的研究_第1页
一种通过卷积─池化提升SVM人脸识别率的研究_第2页
一种通过卷积─池化提升SVM人脸识别率的研究_第3页
一种通过卷积─池化提升SVM人脸识别率的研究_第4页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种通过卷积─池化提升SVM近年来，人脸识别技术得到了广泛的应用，其中支持向量机（）SM在人脸识别上的准确率。我们使用卷积神经网络（CNN）的方式来提取人M模型进行分类。实验结果表明，SVM用，例如安全监控、金融领域以及智能手机解锁等。在人脸识别技术中，支持向量机是一种常用的分类器，其通过学习训练样本的特征并将其映S作为经典的分类方法，在人脸识别中也是然而，M在人脸识别中的准确性受到了许多因素的限制，例如光M在人脸识别中的准确率是一个热门的研究领域。其中，卷积神经网络（CNN）的方法，其能够提取图像的局部特征并且降低噪声的干扰，因此可以用M在人脸识别中的分类性能。SVM在人脸识别上的CNN图上应用SVM模型进行分类。该方法能够充分利用卷积神经网络的特点，提高SVM在人脸识别中的表现。SVM在人脸识别上的本文提出的方法是通过卷积─池化提升SVM在人脸识别上的准确率。我们使用了一个基于CNN的特征提取器来提取人脸图像的特征，并在特SVMCNN的特征提取器来提取人脸图像的特征。NN一种前馈神经网络，其通过卷积运算、非线性激活函数以及池化操作来提取图像的局部特征。CNN的一般结构如下所示：我们使用了一个经典的CNN框架来提取人脸图像的特征。该CNNCNN模型来提取人脸图像的特征，该CNN模型已经在ImageNet数据集上进行了训练，并且具有很强的特征SVM模型参数。在交叉验证的109SVM参数来训练模型，并评估分类器在LFW数据集上进行了实验，比较了卷积─池化方法与其他方CNN的特征提取器来提取人SVM作为分类器进行分类。实验结果表明，我们提出的卷积─池化方法能够显著提高SVM在人脸识别上的准确率。方法1：使用SIFT特征和线性SVM分类器方法2：使用HOG特征和线性SVM分类器3SVM分类器4CNNSVM分类器方法准确率1234SVM在人脸识别上的准确率。与其他方法相比，使用卷积─池化方法的SVMLFW数据集上的识别率更高。这主要是因为我们所提出的SM在人脸识别上的准确率。我们使用卷积神经网络的方式来提取人脸图像的特征，并M模型进行分类。实验结果表明，我们的方法能够显MMLFW87

人人文库> 全部分类> 图纸下载 > 毕业设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论