卷积神经网络的图像识别,cnn卷积神经网络是什么

最新推荐文章于 2024-01-25 01:53:02 发布

「已注销」

最新推荐文章于 2024-01-25 01:53:02 发布

阅读量181

点赞数

文章标签： cnn 深度学习神经网络人工智能

本文链接：https://blog.csdn.net/m0_54846070/article/details/126690620

版权

本文探讨了深度学习如何识别人脸，重点介绍了卷积神经网络（CNN）的局部连接和权值共享特性在减少计算量和参数数量方面的优势。通过CNN在人脸识别中的应用，展示了其在图像识别中的强大能力。此外，文章还提到了人工神经网络在图像识别中的作用，以及BP神经网络的工作原理。最后，讨论了CNN如何提取图像特征并简要介绍其在形状识别、人脸检测和文字识别中的应用。

摘要由CSDN通过智能技术生成

深度学习是怎么识别人脸的

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。

卷积神经网络(CNN)局部连接传统的神经网络是全连接，即一层的神经元与上一层的所有神经元都建立连接，这样导致参数非常多，计算量非常大，而CNN是局部连接，一层的神经元只与上一层的部分神经元建立连接，这样可以减少参数和计算量。

Technology-MachineLearning-FaceRegonition-CNN-LocalConnected权值共享给一张输入图片，用一个filter去扫时，filter里面的数就叫权重。

用该filter对整个图片进行了某个特征的扫描，例如Edgedetection，这个过程就是权值共享，因为权重不变。

Technology-MachineLearning-FaceRegonition-CNN-WeightSharing人脸识别多个CNN加其他层，遍历而成的人脸识别处理结构：Technology-MachineLearning-FaceRegonition-CNN-Example层提取到的信息的演进：Technology-MachineLearning-FaceRegonition-CNN-Example2人脸检测传统算法识别:滑动窗口+分类器用一个固定大小的窗口去滑动扫描图像，并通过分类器去分辨是否是人脸。

有时候人脸在图片中过小，所以还要通过放大图片来扫描。

Technology-MachineLearning-FaceRegonition-Window&Classifier训练:特征+Adaboost传统特征:LBP/HOG/Harr图片原始的RGB信息，维度太高，计算量过大，且不具备鲁棒性，即光照和旋转，对RGB信息影响非常大。

利用LBP得到二进制值，再转换成十进制:Technology-MachineLearning-FaceRegonition-LBP效果图：Technology-MachineLearning-FaceRegonition-LBP-ExampleAdaboost由于移动设备对计算速度有一定要求，所以用多个弱分类器加权叠加来完成一个强分类器，从而保证速度。

Technology-MachineLearning-FaceRegonition-Adaboost深度学习特征的选取是比较复杂的，可能需要大量的统计学和生物学知识积累，而深度学习不需要选择特征，这是其很大优势，另外通过GPU代替CPU等方式，可以得到一个更好的效果。

Technology-MachineLearning-FaceRegonition-DeepLeaning-Example关键点检测、跟踪传统算法Cascaderegression/ESR/SDM传统算法步骤：根据人脸检测的框位置，先初始化初始脸部轮廓位置;进行上一步位置和图形特征检测下一步位置(一般是迭代残差);进行迭代，最终得到相对准确的轮廓位置。

Technology-MachineLea