基于改進AlexNet卷積神經網絡人臉識別的研究
電子技術應用
蔡靖，谷承睿，劉光達，孫慧慧
吉林大學 儀器科學與電氣工程學院
摘要： 近期，人臉識別技術在社會上廣受關注，其非接觸式的識別特性相較于指紋等傳統(tǒng)接觸式識別方法展現(xiàn)出明顯優(yōu)勢。在深度學習領域，由于傳統(tǒng)卷積神經網絡在人臉識別任務上的準確性和速度尚有提升空間，因此提出采用改進的AlexNet卷積神經網絡進行人臉識別。通過實驗驗證，與傳統(tǒng)卷積網絡相比，改進后的AlexNet在人臉識別上不僅準確度更高，而且識別過程更為穩(wěn)定。
中圖分類號：TN402 文獻標志碼：A DOI: 10.16157/j.issn.0258-7998.245086
中文引用格式： 蔡靖，谷承睿，劉光達，等. 基于改進AlexNet卷積神經網絡人臉識別的研究[J]. 電子技術應用，2024，50(11)：42-46.
英文引用格式： Cai Jing，Gu Chengrui，Liu Guangda，et al. Research on face recognition based on improved AlexNet convolutional neural network[J]. Application of Electronic Technique，2024，50(11)：42-46.
中文引用格式： 蔡靖，谷承睿，劉光達，等. 基于改進AlexNet卷積神經網絡人臉識別的研究[J]. 電子技術應用，2024，50(11)：42-46.
英文引用格式： Cai Jing，Gu Chengrui，Liu Guangda，et al. Research on face recognition based on improved AlexNet convolutional neural network[J]. Application of Electronic Technique，2024，50(11)：42-46.
Research on face recognition based on improved AlexNet convolutional neural network
Cai Jing，Gu Chengrui，Liu Guangda，Sun Huihui
College of Instrumentation & Electrical Engineering， Jilin University
Abstract： In recent years, face recognition has been a hot topic in society. Compared to contact-based recognition methods such as fingerprint recognition, face recognition offers the advantage of being contactless. In the field of deep learning, traditional convolutional neural networks do not achieve high enough accuracy or speed for face recognition. Therefore, this paper proposes a face recognition algorithm using the AlexNet convolutional neural network. Experimental results show that AlexNet provides higher accuracy and more stability in face recognition compared to traditional convolutional neural networks.
Key words : deep learning；convolutional neural network；face recognition；AlexNet
引言
在過去的十年中，卷積神經網絡（CNN）在視覺識別的任務中取得了很多的成果。人臉識別作為計算機視覺領域的一個熱點問題，一直是諸多安全和個人識別應用的核心技術[1]。近年來，隨著大數(shù)據(jù)和高性能計算資源的普及，基于深度學習的人臉識別技術已經取得了顯著的進展。在這些方法中，基于AlexNet架構的CNN模型因其強大的特征學習能力而備受關注。本文旨在探討AlexNet卷積神經網絡在人臉識別任務上的應用。通過實驗驗證了AlexNet在ORL人臉數(shù)據(jù)庫上的性能，并且進一步討論了通過遷移學習對AlexNet進行微調來適應人臉識別任務的方法，并探索了數(shù)據(jù)增強、網絡結構調整和超參數(shù)優(yōu)化對模型性能的影響。在傳統(tǒng)的AlexNet卷積網絡上進行改進，得到優(yōu)化后的結果。
本文詳細內容請下載：
http://theprogrammingfactory.com/resource/share/2000006208
作者信息：
蔡靖，谷承睿，劉光達，孫慧慧
（吉林大學 儀器科學與電氣工程學院，吉林 長春 130022）
此內容為AET網站原創(chuàng)，未經授權禁止轉載。