《表1 TC＿CNN与S＿CNN在不同迭代次数下误差和时间对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《两层级联卷积神经网络的人脸检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在训练过程中，使用LFW（labeled faces in the wild）和Imagenet数据集对TC＿CNN模型进行训练。LFW数据集包含13 000多张不同表情、光照环境和遮挡程度的5 000余人的人脸图片，其中1 680人有2张或2张以上的人脸图片。为避免训练时间过长，本文手动从LFW数据集中选取具有代表性的10 000张人脸图像作为训练正样本，其中包括正面人脸图像、多姿态人脸变化图像、人脸面部特征不完整图片。Imagenet数据集是目前世界上最大的图像数据库，多达1 400多万张图片，包含各种物体场景图片，适合用于构造训练负样本，本文从其中选取1 000张包含动物、植物、交通工具等各类物体的图片作为训练负样本数据集。LFW数据集中选取的部分训练正样本图片如图6所示，Imagenet数据集中的部分负样本图片如图7所示。为避免TC＿CNN模型出现过拟合问题，提高模型的可靠性和稳定性，本文采用交叉验证（cross validation）方法中的十折交叉验证（ten-fold cross validation）方式对模型进行训练。采用十折交叉验证首先将训练正样本、负样本数据集分别均分为10份，依次用其中的9份来训练TC＿CNN模型，将余下的1份作为测试数据集去测试模型，最后把9次训练和1次测试的结果的均值作为对TC＿CNN模型有效性的估计，交叉验证重复10次，确保每个子样本验证一次，从而提高两层级联卷积神经网络的检测精度。同时，采用多次迭代方法对TC＿CNN模型参数做反复调整，当迭代次数达到1 000次时，模型收敛，因此训练时针对网络模型迭代次数在1次、100次、500次、1 000次的情况下对比实验误差和训练时间，并与TC＿CNN模型中的后端卷积神经网络S＿CNN进行比较。不同迭代次数下的误差和训练时间对比见表1，随着迭代次数的增加、参数的调整，误差逐渐降低。