收藏和点赞,您的关注是我创作的动力
概要
本文提供了一个采用更多消耗函数方法的网络模式,将交叉熵损耗函数和经过修改的监控信息中心损失函数方法结合,对模型参数加以了修改。最后,所提取出的特点将更为明显,使同一个人的特点也更为紧凑。与只用交叉熵损失函数培训的网络比较下,对交叉年龄数据集的检测结果做出了改善,使采用WEB技术开发的行人属性辨识应用领域也能够正常进行。与其他类型的应用程序比较,该应用领域具备了跨平台、轻量化的特性,其功能主体涉及图像采集、行人属性辨识以及数据存储模块等,可广泛应用于日常生活辨识任务。
关键词:深度学习;行人属性识别;多损失函数
一、 实验设计与结果分析
3.1 CACD数据集及图像预处理
CACD数据分析集由Chen等于在2014年发布,是当时数据分析量较大的跨年龄段变化人脸数据集合。在获取该数据集中时,研发人员首先考虑了两点关键的原则,一是数据集中的人必须涵盖了各个年龄段,二是这部分人的面部照片必须可以利用网络方便、大量地收集。针对此研究人员选取了IMDb.com上各个年龄段的名人作为待收录的对象,并最终在从1951年至1990年诞生的名人中,每年选取了排行榜前50位,总共收录了2000位名人。然后使用Google查找这些名人的照片时,将名人"名字+年份"为关键字。每个人可以收集从2004年至2013年的所有照片,因而年龄跨度约为10年。但此方案所收集的图像中也涉及了大量噪声因素,如检索到的图像中涉及多人或一些名人在有的年份发布的照片数量很少等,因此研发人员只对测试集数量进行了人工检测。在对所采集的图像进行了人脸测试、去比重后,在最终的CACD数据集中获得了年龄范围从16至62周岁的共163446张人脸图像,各个年龄图像数量分别如图3所显示,其中以20-60周岁的儿童图像数量为主,而一般每人也有80张以下的儿童图