27、深度人脸虹膜识别与文本情感分析技术综述

深度人脸虹膜识别与文本情感分析技术综述

1. 深度人脸虹膜识别

在深度人脸虹膜识别领域，提出了一种新的方法。其空间池化由一个 2×2 的最大池化层完成，步长为 2 像素，作为每个块的倒数第二层。每个块的最后一层使用 Dropout 进行额外的特征提取。

• Dropout 技术 ：每个隐藏神经元的输出会根据一定概率（通常为 0.5）随机设置为零。最初，每个块末尾的 Dropout 层设置为 0.5，但发现这会降低验证准确率。后来，Keras - Tuner 为每层块提供了不同的最佳 Dropout 值。
• 全连接层 ：对于涉及 K≥2 类别的分类问题，Softmax 函数很常用。在这一阶段，全连接层的扁平化堆栈在具有 1024 个滤波器的密集层之前包含 4096 个通道。还添加了一个额外的 Dropout 层，但在参数调整中效果不显著，可舍弃。结果用于使用 ADAM 优化器反向传播参数以训练网络。

实验部分

• 超参数调整结果 ：使用随机搜索进行 100 次试验，并采用五折交叉验证（CV）来评估 IITD 右虹膜数据的可调参数。从图和表中可以看出，所提出的卷积神经网络（CNN）在 29 个周期达到最佳早停准确率，比 VGG - 16 和 Xception 都要早。并且该 CNN 更倾向于较低的分辨率。
  | 分类器 | 转换因子 | 调整大小 | 学习率 | 神经元 (B1, B2) | Dropout (每块) | 准确率 (%) |
  | — | — | — |