《表1 15网络和27层的各层细节》
随着深度学习技术的发展,深度学习在人脸识别领域同样是有巨大突破,如,牛津大学VGG组提出的VGG16[13]结构、Google提出的GoogleLeNet[14]结构、FaceBook研究员提出的ResNet[15]结构等,这些模型在人脸识别领域发挥了很大的作用.通常网络模型层数越深,特征表达能力越强,但与此同时耗时也会增加.残差网络(ResNet)可以使很深的网络易于训练,并且随着网络深度的增加可以获得更高的精度,因此本文选取残差网络.深度学习对于网络深度遇到的主要问题是梯度消失和梯度爆炸,传统对应的解决方案则是数据的初始化(normlized initializatiton)和正则化(batch normlization),但是这样虽然解决了梯度的问题,却会带来网络性能的退化问题.而残差可用来设计解决网络性能退化问题和梯度消失、爆炸问题.网络的深度是深度学习中很重要的因素,本文设计了两种不同深度的残差网络来作对比,分别为15层、27层.图7为15层的网络结构,图8为27层的网络结构,表1显示了两个网络的各层参数细节.
图表编号 | XD0071430800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.25 |
作者 | 张笑楠、张自友 |
绘制单位 | 四川大学视觉合成图形图像技术国防重点学科实验室、四川川大智胜软件股份有限公司、乐山师范学院物理与电子工程学院 |
更多格式 | 高清、无水印(增值服务) |