基于卷积神经网络人脸识别系统的安全性研究

针对传统神经网络中的对抗样本问题,以人脸识别为例,讨论了基于传统神经网络的人脸识别技术的潜在安全风险,以及在口罩对抗样本生成并提供防御的方法。主要研究如下：第一,所提出的解决人脸识别技术安全问题的方法,产生了具有模糊和无偏差面具的图像,人脸识别模型将具有模糊面具的脸误判为目标人物。实验结果表明,对抗样本在一定程度上模仿了被隐藏者戴口罩的情形,成功率为90.43%。第二,提出DeFense-EC保护方法来掩盖虚假图案,并使用图像重建技术来恢复虚假图案和抑制噪声。对不同数据集的测试证实了DeFense-EC重建的图像质量很高,其可靠性达到92.32%。讨论传统的基于神经网络的人脸识别方法中的不利选择问题,并研究不利面具选择的风险和DeFense-EC保护方法的有效性。卷积网络的日益普及使逆向选择问题成为一个重要的研究领域,对逆向选择的彻底调查将促进卷积网络的发展和使用。     

基于卷积神经网络的人脸识别研究

为解决传统人脸识别算法手工提取特征困难的问题,将卷积神经网络引入人脸识别任务中。为适应ORL数据集人脸识别任务的需要,参照经典的卷积神经网络模型Lenet-5的结构,提出一种适用于该数据集的CNN结构。实验结果表明,所提出的CNN结构具有较少的学习参数,且在ORL数据集上取得了较高的识别率。与传统人脸识别算法进行比较研究,从实验结果可以看出,在识别正确率上,所提出的卷积神经网络结构优于大多数识别算法。     

基于卷积神经网络的人脸识别研究

传统的人脸识别多采用浅层结构提取人脸特征,这类方法提取人脸图像能力有限,效果相对较差。针对上述缺陷,提出基于卷积神经网络的高效识别人脸方法。该方法所设计的模型,结合了VGGNet模型的层次结构优势并融合跨层次结构的上采样特征,大大提高了人脸识别的准确性及识别精度。该模型在Caffe下训练出样本集后在MATLAB上得到了验证。     

基于深度学习的图像语义分割技术综述

图像分割是计算机视觉领域的一个重要方向,是图像处理的核心环节.伴随深度学习技术的发展,结合深度学习的图像分割技术在精确度上远超传统图像分割方法.卷积神经网络(CNN)与全卷积神经网络(FCN)的提出极大促进了图像语义分割技术发展,研究人员提出了很多新型网络模型,分割精准度大幅度提升.从传统语义分割方法、深度学习与传统方...     

在智能手机平台上实现PCA人脸识别算法

人脸识别技术,是近几年在全球范围内迅速发展起来的计算机安全技术.以高端智能手机的安全应用为载体,结合主元分析(PCA Principle Component Analysis)法和多权值函数神经网络在人脸识别中的优势, 利用非线性多权值函数神经网络实现多主元提取,以及多权值函数神经网络识别.给出了完成人脸图像的检测、特征向量提取、人脸图像识别相对应的硬件系统架构、人脸识别算法流程和算法实现类图.     

深度卷积神经网络模型发展综述

随着移动互联网与硬件处理器技术的不断发展,海量数据处理与计算能力不断提高,深度学习备受关注。卷积神经网络是深度学习模型中最重要的一种结构,可用于目标特征提取。介绍了为提高卷积神经网络性能,不断增加卷积网络深度的模型,以及因此带来的新问题和解决方法。     

GA-1DLCNN方法及其在轴承故障诊断中的应用（英文）

由于旋转机械振动信号是一维的,且大尺寸卷积核可获得更大的感知野,在经典卷积神经网络模型(LetNet-5)的基础上设计了带有大尺寸卷积核的一维卷积核神经网络(1DLCNN).由于1DLCNN的超参数对网络性能影响较大,利用遗传算法对网络模型中的一些超参数进行寻优,并将这种利用遗传算法优化1DLCNN参数的方法称为GA-1DLCNN.试验结果表明,基于GA-1DLCNN方法所得到最优网络模型可以实现99. 9%的故障诊断精度,远远高于其他几种传统的故障诊断方法.此外,将采用大尺寸卷积核的一维卷积神经网络与小尺寸卷积核的一维卷积神经网络以及经典二维卷积神经网络模型进行对比,输入样本长度分别设定为128,256,512,1 024,2 048,最终的诊断精度结果以及可视化散点图显示1DLCNN的效果最优.     

基于HOG与卷积神经网络的人脸识别研究

为了获取更加全面的整体与局部人脸特征，得到更高的人脸识别率，提出一种基于方向梯度直方图（HOG）特征与卷积神经网络的人脸识别新方法。该方法首先提取人脸图像的HOG特征，然后将HOG特征图像作为卷积网络的输入数据进行训练，改进网络结构，在全连接层之后采用Softmax loss和center loss两个损失函数进行监督，最后在训练得到的网络模型上对人脸图像进行识别操作。实验结果表明，该方法在ORL人脸集上的识别率达到97.5%，相比于其它人脸识别算法具有一定优越性。     

人脸识别技术综述

人脸识别指通过基于个人的面部轮廓比较和分析模式,唯一地识别或验证人的生物测定技术。人脸识别技术包含人脸的特征提取、特征选择和分类器设计。对人脸识别技术的发展历程作了梳理和回顾,阐述了人脸识别技术的实现方法和研究进展,对目前成熟的人脸识别算法进行了分类,对各种实现方法进行分析和评价。通过比较各种识别方法的优缺点,提出了研究中需要注意的难点,展望了人脸识别技术发展方向。     

基于卷积神经网络的车牌识别技术研究

车牌识别是智能交通管理系统中的重要组成部分,能有效地提高车辆管理效率。文章在分析传统的LeNet-5卷积神经网络技术的基础上,提出通过增加卷积核个数,增大卷积核,采用softmax分类器,使用Dropout正则化方法和Adam优化算法对卷积神经网络进行改进,然后对车牌中汉字和字母(数字)的数据集分别进行训练。最后通过实验进行验证,改进的LeNet-5卷积神经网络对车牌具有很好的识别性能,使车牌识别正确率得到提升。     

基于卷积神经网络的轨道扣件状态检测

为提高铁路轨道扣件状态检测的效率和准确率,提出基于卷积神经网络的轨道扣件状态检测算法。通过原始图像数据增强、采用修正线性单元、引入弃权技术等优化方法,减小过拟合,提高卷积神经网络的泛化能力。经试验对比,该算法不需要进行特征提取等预处理操作,有效地解决了训练精度和泛化能力差的问题,准确率达到98. 1%,优于传统基于特征提取的图像识别算法。     

探究基于视频的人脸识别研究进展

人脸识别是基于人脸的基本特征对人的身份进行鉴别和分析的技术,具有较好的发展和应用前景。随着人脸识别技术的不断进步与完善,基于视频的人脸识别技术得到了有效的应用和扩展,为图像处理、模式识别等领域的发展和完善,提供重要保障,同时,为认证、监控等工作提供有效的技术支持。本文就基于视频的人脸识别展开探讨,分析基于视频的人脸识别研究进展,提出基于视频人脸识别的具体方法,正确地选择人脸识别的形式,解决人脸识别技术的中的相关问题,为相关行业的发展和进步提供基础保障,并为社会安定与和谐提供动力。     

人脸识别算法研究

近20年来,由于计算机技术的发展和对人脸识别的应用需求,人脸识别成为模式识别最活跃的领域之一。人脸识别是指采用机器对人脸图像进行分析处理,从而提取出有效的识别信息,达到身份辨认的目的。人脸识别技术涉及图像处理、模式识别、计算机视觉、神经网络等多门学科,还与人脑的认知科学紧密相关,是一个富有挑战性的课题。     

基于卷积神经网络的人脸表情识别研究

随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分割出人脸关键点的部分图像,然后输入到包含卷积神经网络通道和卷积稀疏自编码(CSAE)预训练通道的双通道模型中。其中卷积神经网络通道部分使用了批量正则化(Batch Normalization)和ReLU激活函数,加快了模型训练速度,解决了梯度消失问题,同时增加了模型的非线性表达能力。通过引入Dropout技术,解决了网络的过拟合问题。在另一个通道,对输入的人脸表情图像增加了卷积稀疏自编码进行无监督预处理。实验结果表明,该算法在JAFFE、CK+人脸表情数据集上均获得了较好的识别效果。     

基于深度神经网络的多模态情感识别（英文）

为了提升音频和视频载体中的情感识别准确率,采用混合卷积神经网络和递归神经网络编码和集成视频与音频信息来源.通过智能的音频技术,从音频信号提取底层特征,然后用一维卷积神经网络抽象出高级特征,最后送入递归神经网络捕捉时间维度上的语调变化.作为对比,使用二维卷积神经网络和一个类似的卷积神经网络捕捉动态面部外观变化.该方法在2016年度中国模式识别会议提供的中国视觉与听觉情感数据库上达到了41.15%的平均精确度,相比会议基准算法的准确率提升了16.62%.证明所采用方法在情感信息识别中有更高的准确性.     

基于Android的人脸识别系统设计与实现

人脸识别是公共安全领域的研究重点。随着移动互联网的快速发展,移动式终端人脸识别应用日益广泛。探讨人脸识别在Android系统中的实现以及用户个人信息保护,包括人脸检测、特征提取和特征识别。首先,通过分析比较,采用基于Adaboost的算法检测人脸,基于PCA的特征脸算法实现特征提取和特征识别。然后,分析相关研究现状以及技术可行性,选择OpenCV计算机视觉库来实现人脸检测和人脸识别。最后,通过JNI调用本地OpenCV代码实现个人信息保护。该系统具备手机人脸解锁、程序锁、偷窥者记录查询和远程查看偷窥者信息等功能。     

基于卷积神经网络的古玩图片分类方法

针对现有的网上古玩图片分类算法需要人工设计特征、依赖个人经验的不足,提出一种基于卷积神经网络的分类方法。将背景分离后的图片输入网络,自动提取特征进行分类,在达到较好分类结果的同时网络结构更加简单,并且设置合适的特征图个数使网络取得较好的识别率。实验结果表明,该方法应用卷积神经网络能够解决网上古玩图片分类问题,与传统卷积神经网络相比网络结构更简单、识别率更高;与常用的Hog特征相比,在测试时间相近的情况下该方法识别率更高。     

人脸识别中的边缘检测技术

边缘的提取在人脸识别技术中具有重要的意义。传统的算法检测到的边缘信息往往是不完整的,而且在检测噪声污染图像时会得到许多虚假的边缘;而神经网络算法由于没有样本的压缩功能,导致训练量过大。文章在传统算法的基础上结合神经网络算法对人脸图像的边缘进行检测。实验结果表明,该方法快速稳定,得到的边缘图像边界封闭性好,抗噪能力强。     

基于卷积神经网络的中国绘画图像分类

绘画图像分类为绘画管理与使用提供了便利。传统图像分类大多依靠人工提取形状、颜色等特征,由于绘画图像分类需要更专业的知识背景,从而使人工提取特征的过程繁琐且复杂。基于此,提出一种基于卷积神经网络的中国绘画分类方法,并在此基础上结合SoftSign与ReLU两种激活函数的优点,构造一种新的激活函数。实验结果表明,基于改进后激活函数构造的卷积神经网络,可以有效提高分类准确率。     

基于大数据和多模态智能技术的计算机视觉实验设计

介绍了大数据技术中的卷积神经网络和多模态智能技术中的支持向量机、谱聚类等模型。以图像检索和图像分割为例,详述了采用卷积神经网络遴选图像特征表征之后,运用多模态技术进行模型参数自动定参和实际运用的实现过程。该研究项目用于计算机视觉课程的实验教学,有利于学生学习计算机视觉领域的前沿技术,运用不同模型解决实际问题,锻炼学生组织实验、分析实验数据和团队协作等综合能力。