《表1 15网络和27层的各层细节》

  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

《基于残差网络的三维人脸识别方法》

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

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.