-
公开(公告)号：CN108446661B
公开(公告)日：2021-11-19
申请号：CN201810280026.4
申请日：2018-04-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于数据扩增的深度学习并行化人脸识别方法，所述方法通过将人脸数据集进行数据扩增得到一个大规模的人脸数据集来提高人脸识别的准确率；然后将得到的大规模人脸数据集输入到改进的残差网络中进行深度学习，从而将人脸图像的特征转换为二进制哈希码以加快识别的效率；模型训练是在基于caffeonspark的分布式平台上进行的，从而减少模型训练时间；最后将得到的模型在LFW数据集上进行人脸验证来检验模型的泛化能力以及改进的残差网络的可行性。本发明能够提高人脸识别的准确率及识别效率。
-
公开(公告)号：CN110457514A
公开(公告)日：2019-11-15
申请号：CN201910741839.3
申请日：2019-08-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于深度哈希的多标签图像检索方法，在于提高多标签图像检索的准确率。所述方法引入成对多标签图像标签向量的余弦距离作为监督信息参与模型训练，使用残差网络对多标签图像进行特征抽取，同时引入二进制编码机制对抽取的高维特征进行降维，并使用多标签图像数据集对基于残差网络的深度哈希模型进行训练；训练完成后调用该模型在多标签图像查询数据集上进行图像检索，并评估该模型的泛化能力及检索准确度。
-
公开(公告)号：CN108446661A
公开(公告)日：2018-08-24
申请号：CN201810280026.4
申请日：2018-04-01
Applicant: 桂林电子科技大学
Abstract: 本发明公开了一种基于数据扩增的深度学习并行化人脸识别方法，所述方法通过将人脸数据集进行数据扩增得到一个大规模的人脸数据集来提高人脸识别的准确率；然后将得到的大规模人脸数据集输入到改进的残差网络中进行深度学习，从而将人脸图像的特征转换为二进制哈希码以加快识别的效率；模型训练是在基于caffeonspark的分布式平台上进行的，从而减少模型训练时间；最后将得到的模型在LFW数据集上进行人脸验证来检验模型的泛化能力以及改进的残差网络的可行性。本发明能够提高人脸识别的准确率及识别效率。
-
-
Search Results
3
records
(took 0.017 seconds)
