针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检...针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。展开更多
针对通用目标检测方法YOLO(you only look once)直接应用到人脸检测中存在召回率不够高、定位不够准确的问题,提出一种由密集到稀疏的多尺度并行的网络结构。通过不同尺度的网络检测不同尺寸的人脸,解决召回率不够高的问题,通过平均多...针对通用目标检测方法YOLO(you only look once)直接应用到人脸检测中存在召回率不够高、定位不够准确的问题,提出一种由密集到稀疏的多尺度并行的网络结构。通过不同尺度的网络检测不同尺寸的人脸,解决召回率不够高的问题,通过平均多尺度网络的检测结果解决定位不够准确的问题。引入中心损失函数,减小类内距离,进一步提高分类准确率。实验结果表明,在不同的数据集上,该方法的召回率及定位准确性相对于YOLO有所提高,检测精度接近主流方法的同时检测速度具有明显优势。展开更多
文摘针对疲劳驾驶检测问题,提出一种以softmax损失与中心损失相结合的深度卷积神经网络算法。首先,利用含有方向的梯度直方图(histogram of oriented gridients,HOG)和级联分类器(support vector machine,SVM)算法的Dlib库中预训练的人脸检测器,来检测驾驶员的脸部区域。其次,使用级联回归(ensemble of regression trees,ERT)算法实现脸部68个关键点标定及眼睛和嘴巴的定位。最后,为了优化softmax损失在深度卷积网络分类中出现的类内间距大的问题,加入中心损失函数,提高类间差异性、类内紧密性以及驾驶员脸部疲劳状态识别准确率。在自建测试集和YawDD哈欠数据集中的实验结果显示,该方法能够准确地识别检测驾驶员疲劳表情,平均识别准确率达到98.81%。与传统的疲劳驾驶检测识别方法相比,该方法可以自动进行疲劳特征提取,并且训练准确率、检测识别率及鲁棒性得到提高;与未改进的深度卷积网络相比,检测识别的概率平均提高了约5.09%。
文摘在指静脉识别中,如何利用卷积神经网络提取具有类间分离和类内聚合的静脉特征是当前的研究热点,为此提出了在卷积神经网络中采用中心损失(center loss)用于减小指静脉的类内距离,同时采用softmax loss用于约束类间距离,以此作为网络的损失函数。为了进一步提高模型的表达能力,采用swish激活函数代替线性整流(rectified linear unit,ReLU)激活函数,在此基础上,将全局平均池化层的输出向量进行归一化操作后作为指静脉的特征向量,减少网络参数的同时保留了指静脉的高级语义信息。结果表明:改进后的指静脉识别算法在FV-USM和MMCBNU-6000这2个数据集上识别的准确率分别达到98.23%和98.35%,优于传统的卷积神经网络识别算法。
文摘针对通用目标检测方法YOLO(you only look once)直接应用到人脸检测中存在召回率不够高、定位不够准确的问题,提出一种由密集到稀疏的多尺度并行的网络结构。通过不同尺度的网络检测不同尺寸的人脸,解决召回率不够高的问题,通过平均多尺度网络的检测结果解决定位不够准确的问题。引入中心损失函数,减小类内距离,进一步提高分类准确率。实验结果表明,在不同的数据集上,该方法的召回率及定位准确性相对于YOLO有所提高,检测精度接近主流方法的同时检测速度具有明显优势。
