50、深度卷积神经网络在人脸识别中的对比分析及OFDM信道估计研究

深度卷积神经网络在人脸识别中的对比分析及OFDM信道估计研究

深度卷积神经网络用于人脸识别的研究

1. 深度学习基础
   • 学习模式 ：深度学习常用的学习模式有随机梯度下降、小批量梯度下降和批量梯度下降，其中随机梯度下降和小批量梯度下降最为常用。训练深度神经网络需要大量数据，才能实现深度学习并产生准确输出，有时甚至能超越人类表现。
   • 应用领域 ：深度学习如今广泛应用于语音识别、图像识别、语言处理、手写识别与生成、自动机器翻译、生物信息学、军事、药物发现与毒理学、医疗保健等众多领域。
2. 人脸识别相关研究进展
   • 发展历程 ：人脸识别研究始于20世纪中叶，在福岛邦彦开发神经网络以及勒昆提出带反向传播的卷积神经网络（CNN）后取得发展。2006年，辛顿实验室引入深度神经网络。2012年之前，检测和识别大量图像是一项艰巨任务。2006年，克里兹夫斯基等人推出AlexNet，这是首个能对超过120万张图像进行分类的网络，错误率为16.4%。随后，2014年出现了VGG Face和GoogleNet，2015年有了ResNet。ResNet的错误率低至3.57%，低于人类错误率。
   • 相关研究案例
     • 陆等人使用ResNet模型识别低分辨率人脸图像，通过主干网络和分支网络结合高分辨率和低分辨率图像进行训练，采用耦