《基于卷积神经网络的人脸识别ppt课件.pptx》由会员分享，可在线阅读，更多相关《基于卷积神经网络的人脸识别ppt课件.pptx（18页珍藏版）》请在三一办公上搜索。
1、计算机系统项目综合实践答辩,基于卷积神经网络的人脸识别,组长：*组员：*,【系统总述】,通过10个人的420张192*168大小单一色彩图片的训练集对系统模型进行训练，从而使系统能够识别这十个人，在通过220张人脸的图片的测试集进行检测识别，收集并统计测试精度，通过调整参数组合不断使测试精度达到最优，并使其精度在接受范围之内，获得使测试精度达到最大的参数组合。,目录,CONTENTS,1,选题背景简介,选题背景,人脸识别应用在生活中十分广泛，卷积神经网络用于人脸识别是一种基于特征的方法。它的优点是通过逐层卷积进行特征提取，然后经过多层映射，可以从训练样本中，学习形成适应该识别任务的特征提取器和
2、分类器。该方法降低了对训练样本的要求，学习到的特征更具有全局性。,2,设计过程简介,IDEA,卷积神经网络,基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上含所有神经元的权值。,掌握算法,了解函数,掌握算法,掌握卷积网络原理,YOURTEXT,卷积神经网络原理模型,模型剖析,layers = imageInputLayer(192 168 1,DataAugmentation,randfliplr); %图像输入层 convolution2dLayer(5,25
3、); %卷积层 reluLayer(); %激活函数的个数 maxPooling2dLayer(2,Stride,2); %最大池化层 fullyConnectedLayer(100); %全连接层 dropoutLayer(0.5); fullyConnectedLayer(numel(categories(train_y;test_y); softmaxLayer; %激活函数 classificationLayer() ; %分类函数,主要函数,3,优化过程分析,最大池化层中读取数据的尺寸大小和步长,第二个卷积层滤波器个数,第一个卷积层滤波器个数,特征映射层中第一层隐单元个数,特征映射层中第二层隐单元个数,参数组合调整,4,系统优化成果,第一个卷积神经层滤波器个数为25,第二个卷积神经层滤波器个数为30,最大池化层读取2*2，步长为2,第一个隐单元个数为100,第二个隐单元个数为200,最优测试精度为0.9209,最优参数组合,致谢,
