如需要完整文档点击下方 "点击下载文档" 按钮
为实现 SSD 算法模型对人脸的目标检测,采用公开人脸数据集 FDDB 对网络模型进行重新训练改进。 通过训练时输入不同的人脸数据集来优化网络训练结果。 针对人脸检测训练过程中的过拟合问题,通过降噪自编码器的方法,在输入数据集中加入负样本,在训练模型中生成噪声。 通过 L1 正则化产出稀疏模型,稀疏模型具有更好的特性去处理高维的数据特征以增强模型的泛化能力,实现在网络迭代训练过程中降噪的效果,防止模型陷入过拟合。 然后通过非极大值抑制算法(NMS)使候选框确定为最终的人脸检测窗口进行人脸检测。 在训练平台 MXnet 下的实验结果表明,加入噪声后的人脸检测模型的 mAp(mean average precision)性能提高至 0.997,同时在提高遮挡、光照、小目标等检测的鲁棒性的情况下,仍保持较快的收敛速度。
如需要完整文档点击下方 "点击下载文档" 按钮
《基于 SSD 算法的人脸目标检测的研究》
将 完整文档 下载到本地,方便收藏和查阅
文件号:062318
点击下载文档