基于改进的SqueezeNet的人脸识别

摘要：

针对众多基于卷积神经网络的人脸识别技术在追求提高人脸识别率上,忽视了网络模型输入参数,导致模型输入参数多、训练时间长和无法在内存小的硬件上运行等问题,提出一种基于改进的SqueezeNet的人脸识别模型.改进的SqueezeNet模型保留了原网络模型中的小卷积核去提取图片特征,还采用首尾池化层分别引入对应的后续卷积层进行特征融合,提取细微的人脸纹理特征来稳定模型收敛性,防止小的卷积核在复杂的人脸训练集上产生过拟合.针对分类函数Softmax的改进,采用L2范数约束的方法,将最后一层的特征约束在一个球面内,减少相同特征间距,提高网络收敛能力.通过两种改进后的SqueezeNet模型在与其他的先进模型对比,在不降低人脸识别准确率的前提下,具有输入参数少、模型易于收敛和能够运行在内存小的硬件设备的优势.结果在CASIA-WebFace和ORL人脸库上得到了有效性的实验验证.

关键词：卷积神经网络、人脸识别、特征融合、分类函数

所属期刊栏目：19

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金青年项目61701203;江西省教育厅科技项目GJJ150642

在线出版日期：2019-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：218-223