CCBR2015青年论坛总结

本文探讨了深度学习在人脸识别领域的进展,包括基于深度学习的人脸识别网络结构,如DeepFace、FaceNet、Linkface等,以及弱监督人脸识别方法。同时,介绍了基于深度学习的京东客服机器人如何利用智能算法进行用户意图识别。此外,文章还涉及了指纹识别算法的学习。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、人脸识别的相关介绍

(1)流程:人脸图像采集     人脸检测     人脸关键点定位     特征提取      分类器(人脸比对)。

(2)特征提取阶段的区别:

             DL之前:主要采用通过Gabor、LBP、SIFT等方法人工提取的局部特征,然后使用PCA等方法进行特征转换。

             DL时代:使用多层卷积自动提取更加抽象的特征。

(3)人脸数据库

           受控数据库:ORL、AR等。

          非受控数据库:LFW等。

          强监督:经过预处理的人脸数据。

         弱监督:实际情况下的人脸数据。

(4)活体检测是人脸识别应用中的一个非常重要的模块,其目的是判断真人操作,排除图片、视频的恶意攻击。

 

2、基于深度学习的人脸识别

2.1 网络结构

(1)DeepFace(Facebook): 8层网络,4030人的440万张图片,对3D人脸进行正面化预处理。(其具体使用的方法在博客中有具体的描述 http://dataunion.org/20010.html


(2)FaceNet(Googe): 22层网络,海量数据(800万人,2亿张图片),Triplet Loss(http://blog.youkuaiyun.com/tangwei2014/article/details/46788025)。

(3)Linkface公司使用多层的DCNN,进行性别、年龄、表情等的识别。

(4)弱监督人脸识别:对于来自网络爬虫、人工采集的百万级别的特征点标注不准确的数据的整理,提出了一种可行的方案,即首先通过机器自动筛选进行标注,然后进行人工辅助标注(玉米病害图像的类别的标注)。

(5)轻量级网络人脸识别的网络结构:

          Ø  4层卷积

          Ø  5层卷积+4层全连接

(6)SPAE(poster):使用了有三个隐层的深度学习结构,调参使用共轭梯度法(优势:存储量小、稳定性高、不需要任何外来参数)。

2.2 小结

(1)对于深度学习的训练,大规模的数据集越来越重要。

(2)大规模数据的标注是一个具有挑战的难题,可通过弱监督的标注方法来解决。

(3)当数据量不足时,使用现有数据以及部分人工设计的特征共同进行训练。

(4)人脸识别使用CNN居多,一是CNN直接接受图像作为输入,二是其权值共享的网络结构降低了模型复杂度,减少了参数的数量。但是,对于结构化数据集,其输入相对于图像来说,是一种更有效的特征,使用CNN进行预测或者分类的效果如何,有待进一步考证。

(5)如果可以找到一个评价指标来判断该层提取的特征是否更加有效,则可以更好的确定层数。

 

3、京东客服机器人

介绍了JIMI的功能以及其使用深度学习等智能算法进行用户意图识别。其中使用word2vec(安装以及使用:http://blog.youkuaiyun.com/heyongluoyao8/article/details/43488765)将文本信息转化为向量或者矩阵。

 

4、指纹识别算法

主要介绍了从专利中学习一些比较先进的指纹识别算法。


注:上文图片是从相关论文中截取的。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值