![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 53
一只小申
这个作者很懒,什么都没留下…
展开
-
人脸识别优化的本质
人脸识别模型优化的本质为: 在一个特征空间中,属于同一个人的图像特征尽可能聚拢,不属于同一个人的图像特征尽可能发散,模型对于特征建模能力的强弱直接影响人脸识别模型的识别准确率。 设计优良的损失函数,可以最大化实现类内特征的聚合与类间特征的离散。Margin 类的损失函数可以被统一表达为:式中,m1 、m2 、m3 为添加的不同的 Margin。如图 1 所示,原创 2021-01-24 20:22:17 · 233 阅读 · 0 评论 -
CNN中各个层的作用
卷积层: 卷积层通过局部连接和权值共享的方法,模拟具有局部感受野的简单细胞,提取一些初级视觉特征的过程。局部连接指卷积层上的每一个神经元与前一层特征图中固定区域的神经元建立连接;权值共享指同一特征图中的神经元用一组相同的连接强度与前一层局部连接,可以减少网络训练参数,上述一组相同的连接强度即为一个特征提取器,在运算的过程中变现为一个卷积核,卷积核数值先随机初始化,最后由网络训练确定。池化层: &nb原创 2021-01-22 17:50:32 · 2875 阅读 · 0 评论 -
基于多尺度分层双线性池化网络的细粒度表情识别
由于人脸表情细微的类间差异和显著的类内变化使得人脸表情识别困难而导致识别率低,为此提出了一个基于多尺度双线性池化神经网络的模型。首先,通过精心设计的三种不同的粗细尺度网络提取人脸表情全局特征。然后,引入了分层双线性池化层,集成多个同一网络以及不同网络的多尺度跨层双线性特征来捕获不同层级间的部分特征关系,从而增强模型对面部表情微妙特征表征的判别能力。最后,通过逐层反卷积融合多层特征信息,解决了神经网络通过多层卷积层、池化层提取特征时丢失部分关键特征的问题。该模型在 FER2013 和 CK+公开数据集上识别率原创 2021-01-22 17:20:53 · 551 阅读 · 0 评论 -
深度学习中的 overfitting问题的几种解决方法
今天,我们来谈谈人们在平时深度学习中究竟怎么解决的过拟合问题的大家应该都知道,high bias(高偏差)对应着欠拟合,而high variance(高方差)对应着过拟合。下面,我们就来解决overfitting(过拟合)的问题1.Regularization (正则化)我们先回顾一下逻辑回归中介绍的 L2 regularization,其表达式为:还有一种 L1 regularization 方法,表达式为:与L2 regularization相比,L1 regularization得到的原创 2020-12-08 11:15:29 · 2902 阅读 · 0 评论