《表5 不同CNN网络的测试结果Tab.5 Test results of different CNN networks》
为了证明本文所提方法适合人脸美丽预测,在LSAFBD人脸美丽数据库上使用其他网络进行人脸美丽预测实验。GoogLeNet[23]、VGG_CNN_S[24]、DeepID2[25]、NIN[26]和DCNN[28]网络的输入图像均为144×144的灰度图像,通过网络随机剪裁为128×128大小;CF-CNN[27]网络输入图像的光滑度、亮度和颜色图层进行多级微调;RGB+LBP+Light CNN-9+ReLU表示将RGB+LBP+Light CNN-9网络中的MFM激活函数替换为ReLU激活函数,其分类和回归结果如表5所示。从表5可知,RGB+LBP+Light CNN-9+ReLU方法的分类和回归结果都低于RGB+LBP+Light CNN-9的分类和回归结果,这说明MFM激活函数比ReLU激活函数更适合Light CNN-9网络。RGB+LBP+Light CNN-9、Gray+LBP+Light CNN-9方法的分类准确率分别为63.39%、62.80%,回归相关系数分别为0.8708、0.8656,而其他网络的最高分类准确率为59.60%,回归相关系数最大为0.8351。因此,不管是分类还是回归测试,本文所提方法的效果均优于其他网络,证明本文所提方法适合人脸美丽预测,并具有一定的优越性。
图表编号 | XD0079740400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.01.25 |
作者 | 甘俊英、谭海英、项俐、翟懿奎、曾军英 |
绘制单位 | 五邑大学信息工程学院、五邑大学信息工程学院、五邑大学信息工程学院、五邑大学信息工程学院、五邑大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |