没有合适的资源？快使用搜索试试~ 我知道了~
沙特国王大学学报使用深度网络进行马济达河Ahmeda，Abdul，Ridip Dev Choudhuryb，Kishore Kashyapaa印度阿萨姆邦Guwahati 14号高哈蒂大学信息技术系bKrishna Kanta Handiqui State Open University，Guwahati 22，Assam，印度阿提奇莱因福奥文章历史记录：收到2020年2020年10月13日修订2020年11月13日接受2020年11月24日网上发售保留字：深度学习卷积神经网络反向传播迁移学习Grad-CAM特征图A B S T R A C T种族是人类的一个主要身体特征，但由于缺乏种族的具体定义和全球人口的多样性，种族的识别仍然是一项具有挑战性的任务在本文中，我们试图解决的问题，种族识别的四大种族群体，即高加索人，非洲人，亚洲人和印度人。新开发的BUPT人脸识别数据集在不受限制的环境中包含约130万张图像为了测试该模型的有效性，在其他数据集（即UTK和CFD）上进行了评估。R-Net还与微调的VGG 16模型进行了比较。实验结果证明了该模型在无约束环境中的鲁棒性。最后，应用梯度加权类激活映射（Grad-CAM）来获得深度学习模型的可视化解释©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍一个人的脸的视觉激活三个神经刺激：性别，年龄和种族。种族作为一种主要的生物特征，其机械化识别与面部识别、性别识别和年龄检测一样重要，因为大多数安全机构如执法和情报机构现在都倾向于自动预测系统。虽然人类甚至可以在第一眼就预测比赛，但机器却不是这样。推断出一个人的软生物特征的信息肯定会增强安全系统。例如，在特定场景中，在寻找逃犯时，如果使用种族作为过滤器，则该系统将支持减少搜索空间。其他种族效应（ORE）（Yaros等人，2019年），一个众所周知的现象常见于人类，也取得了机器翻译的方式。这一事实是由著名的谷歌照片事件曝光的，当时它将两名美国非洲人标记为大猩猩。这就需要一个具有平衡种族组成的数据集，*通讯作者。电 子 邮 件 地 址 ： gmail.com （ 硕 士 ） Ahmed ） ， rdc@gauhati.ac.in（R.D.Choudhury），kk@gauhati.ac.in（K. Kashyap）。沙特国王大学负责同行审查制作和主办：Elsevier减轻种族偏见的影响。自动种族识别可以帮助在这个任务中作为一个过滤器的过程中的图像收集建立一个数据集。在过去的十年中，已经进行了许多研究，从数字图像的种族估计。Tin和Sein（2011年）以及Lu和Jain（2004年）探索了PCA和LDA等线性变换技术，用于导出种族特征。Xie等人（2012）和MansoorRoomi等人（2011）使用肤色特征对高加索人、非洲人、印度人和亚洲人进行分类。类似地，纹理和形状属性也被Saei Manesh等人用于相同的目的。（2010）、Ding等人（2013）、Muhammad等人（2012）等。（2010）仅使用眼周区域进行种族分类。虹膜还包含丰富的种族判别特征。Qiu等人（2006）和Lagree和Bowyer（2011）以及其他研究探索了虹膜属性以获得种族信息。除了这些使用手工制作特征的传统方法外，还探索了深度学习方法。Wang等人（2016）使用卷积神经网络（CNN）对中国人和非中国人进行分类，并对汉族、维吾尔族和非中国人进行亚民族分类。他们收集 了 从 多 个 来 源 收 集 的 数 据 ， 如 MORPH-II ， CMU-MultiPIE ，CASIA-WebFace ， CASIA-PEAL 和 他 们 的 私 人 中 国 图 像 收 集 。Srinivas等人（2017）还使用自行设计的数据集探索了中国人、日本人、韩国人、南亚人、菲律宾人等的亚种族分类。Narang和Bourlai（2016）研究了在夜间使用可见光和NIR波段的CNN进行种族估计，其中受试者距离为30，60，90和120米。 Vo等人（2018）将越南人和https://doi.org/10.1016/j.jksuci.2020.11.0291319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.A. 作者声明：David D.Kashyap沙特国王大学学报4580表1使用CNN比较不同的种族分类。纸质数据集使用的图像数量（训练集）姿势/表情/光照/年龄变化输入大小ROI类平均值精度（Narang和Bourlai，2016）自制（可见光+NIR波段，与相机的距离不同）未知未知128×128× 1面部亚洲人，白人99.04%[可见1.5 m处的条带];95.3% [30 m处的可见光（列车）、NIR（试验）]（Wang等人，（2016年）MORPH-II21，060是（限制型）64×64×1面孔非洲人，高加索人99.7%（Wang等人，（2016年）（Wang等人，（2016年）自制+CAS-PEAL+ CASIA-WebFace+ MORPH-II自制+ CASIA- WebFace+ MORPH-II2，40，000是（受约束）64×64×1面孔中国人，非中国人99.8%3，30，411是（受限）64× 64× 1面孔汉族、维吾尔族、非中国人99.7%（ Srinivas等人，（ 2017年）WEAFD 2，500是（无约束）256×256×36个ROI(Full面和部分线段）中文、日语、韩语、（菲律宾语、印度尼西亚语、马来西亚语）、（越南语、缅甸语、泰国语）33.33%（Vo等人，2018年）VNFaces 6，100是（无约束）64×64×1面孔越南人，非越南人88.64%（Mohammad和Al-Ani，2018）Feret（种族不平衡）2，730否40×160×3扩展眼部区域亚洲人、中东人、非洲人、西班牙人、高加索人百分之九十七点八三非越南人使用从Facebook收集的图像。他们总共使用了6100张图片。Mohammad和Al-Ani（2018）使用FERET数据库中的眼部区域（覆盖眼睛和鼻子）以获取种族信息。他们使用了2730张正面图像，忽略了侧面或任何非正面图像（表1）。本文尝试使用大规模数据（BUPT数据集）构建深度学习模型，与以前的工作不同，该模型不限于实验室环境，而是真实的，在姿势，表情，年龄和背景方面有很大的变化。该模型在输入网络之前使用面部标志来对齐图像。本文强调了组成深层网络的各个组件的重要性，并试图通过选择最合适的组件来优化模型。开发的模型在其他数据集上进行了测试，并与流行的预训练模型进行了比较。结果表明，该模型具有较好的生理小种识别能力，可应用于多种场合。论文的其余部分组织如下。第2节描述了所使用的数据，所使用的方法的数学背景，也提出了模型。第3节讨论了实验结果。第四是论文的结论。2. 材料和方法2.1. 数据准备2.1.1. BUPT数据集用 于 构 建 模 型 的 数 据 集 是 新 发 布 的 BUPT Equalized Face（Wang et al.，2019年）。它由北京邮电大学开发，并于2019年8月公开发布。该数据集由总共130万张具有四个不同种族的图像每个种族都有大约320K+图像的平等比例。这些照片共有28,000名名人，每个种族各有7000张。这些图像是在一个不受约束的环境中拍摄的，具有不同的表情，年龄和姿势，从中度到高度的偏航和滚动角度。图1分别显示了来自BUPT的每个类别的样本。在其上进行实验的平台具有如表2中所述的配置。的资源限制，平台限制了整个数据集用于实验。因此，数据集被下采样以适应平台的容量。总共选择400，000张图像进行训练，每类100，000张图像，而32，000张图像用于验证，每类8，000张图像测试集由8，000张图像组成图像被选择为使得集合是不相交的，也就是说，没有集合共享相同主题的图像。2.1.2. 用于评价的除了在BUPT集上测试模型外，还使用其他数据集来评估模型。两个数据集，即芝加哥人脸数据库（CFD）（Ma等人， 2015）和UTK面部数据集（Song和Zhang），具有不同种族起源的样本。这些数据集的一些样本如图2所示。我们提出的方法的流程如图所示。3.第三章。2.1.3. 数据预处理由于图像显示的姿态范围很广，因此需要进行预处理以确保它们之间的一致性，以提高模型的性能。该模块负责以下任务：1) 人脸检测和对齐，2) 图片来源：3) RGB到灰度转换，4) 均值中心化，5) 将值归一化到范围[0，1]。虽然步骤4和步骤5是非常明显的，步骤1-3的细节描述如下。图像经过Ahmed和Choudhury（2019）中的2D对齐过程，详细说明如下：a) 根据Kazemi和Sullivan（2014）使用dlib（King，2009）检测面部标志。估计通过双眼的线与水平线所形成的角度b) 图像围绕眼睛中心旋转步骤a中计算的角度。M.A. 作者声明：David D.Kashyap沙特国王大学学报4581×Fig. 1. 每个类的BUPT数据集的样本图像。图二. 来自UTK面部和CFD数据集的样本图像。表2使用系统配置处理器Intel Core i5- 8300 H逻辑处理器数量处理器速度2.30 GHz物理内存8 GB共享GPU Intel UHD Graphics 630专用GPU NVIDIA GeForce GTX 1050 Ti专用GPU内存4 GBc) 然后，在面部区域周围裁剪目标图像，使得眼睛出现在距离边缘总宽度的32%和距离顶部高度的38%的距离处。然后将所得图像调整为40 - 40的大小，并转换为灰度（图1）。 4）.d) 当遵循上述过程时，具有较高偏航的面在下部基本上被裁剪。 为了纠正他们，下巴也被认为是，使它出现在框架内（图。5）。M.A. 作者声明：David D.Kashyap沙特国王大学学报4582布ð Þ ¼Pb我我我i¼1i我NBi¼1i- -以下是预处理的伪代码：方法预处理输入：image，target_size输出：对齐图像function preProcess（image，target_size）Begin：步骤一曰：找到68面部第二步：A =通过眼睛的直线与水平线的夹角第三步：围绕眼睛中心旋转图像A第四步：裁剪面部调整比例，使左眼和下巴出现在描述中第5步：调整裁剪图像的大小结束步骤6：返回旋转，裁剪和调整大小的图像2.2. 卷积神经网络我们使用CNN（s）进行实验。种族识别的任务可以被认为是一个N路分类问题，N = 4（高加索人、非洲人、亚洲人和印度人）用于BUPT数据集。卷积层通过具有核的卷积操作来提取特征。卷积之后是非线性激活;其示例包括sigmoid、tanh和整流线性单元（ReLU）。（1）图四、（a）具有标志的原始图像;红点是眼睛Ioffe和Szegedy（2015）引入了批量归一化（BN），它将层输出归一化为零均值和单位方差。创作者展示了BN在加速训练过程中的有效性。如果对于小批量b，x是BN层的输入激活，则归一化的输出激活xi由以下等式给出：X Lbxi¼qr2s4其中，elb和rb分别是b的均值和方差。每个人都分别。sigmoid z11e-zð1Þ由一系列这些卷积层提取的特征被馈送到充当分类器组件的全连接（FC）层，其中前一层的每个节点都连接到下一层的每个其他节点不像卷积，每-丹兹ez-e-z在输入的局部2D区域形成，FC层在整个2ð Þ ¼ezþe-zð Þreluzmax0;z3输入量。FC层还包括非线性，匹配输入信号。DropOut（DO）通常用作正则化技术，其以概率p断开随机节点从前一层到下一层的连接。这种连接的丢弃用作对抗过拟合的措施。对于多类分类，最终FC层的输出是每个样本的分数（softmax激活）。Softmax是一个函数，它接受大小为C的输入向量z，并输出相应后验概率的相同大小的向量。如果C是类别数，则softmax值表示样本属于每个类别的概率。softmax的方程在（5）中给出softmax zezi12C和z zz z5联系我们第1页ezj 8¼;; ···;1/4;2; ···C反向传播训练的目的是找到最佳的参数值，使模型对训练样本的输出尽可能接近其地面真理;换句话说，它们的损失最小化。多类交叉熵损失（f）函数用于计算每个时期发生的损失。 当量(6)给出了单个样本xi的交叉熵损失方程，其中C是类的总数，y，y分别是其基础真值和预测概率。基本事实是标签的独热编码。对于一批（7）计算总损失。l¼XC 伊洛湾2016年6月f¼1XN L图三. 建议方法的基本工作流程。ð7ÞM.A. 作者声明：David D.Kashyap沙特国王大学学报4583@hxiRrRK-sqrtqk- -K1/4吨kn1/1G@J图五. a）具有面部标志的原始图像（高偏航）; b）对准（步骤c）; c）对准（步骤d）。通过梯度下降方法找到使损失最小化的参数。从初始值开始，梯度下降在梯度的负方向上更新参数值，这确保新的损失值低于先前值（Zhang等人，n.d. ）.通过几次迭代重复这个更新过程，损失函数达到其最小值。设rfivl@f为损失函数evalu的梯度值V k1-bV k1-bfk 其中b是权重，fk 是kth梯度值此外，更新学习率g，随着时间的推移逐渐减少，收敛速度更快自适应学习算法结合了这种自动学习率衰减技术。均方根传播（RMS prop）（Andrew Ng，n. d. ）是一种自适应学习算法，其中通过使用梯度平方的移动平均值来更新模型参数。2在采样点xi处，则等式（8）给出第k次更新，模型参数h.ent，qk;由qk<$bqk-11-brfk给出，其中b为重量和fk是第k个梯度值。参数更新方程变为h ¼h-g1Xn Rfð8Þ其中g是学习率，n是小批量中训练样本的数量随机梯度下降（SGD）是梯度下降的更新版本，其中，而不是精确的梯度，使用梯度的噪声估计。SGD通过计算每个数据样本的梯度估计来当量（8）减少到（9）当使用SGD时，其给出样本xi的第k次更新。hkhk-1-sqrtq@h10自适应矩估计（Adam）（Kingma和Ba，2014）也是一种自适应学习算法，其中学习率随着每次迭代而变化。Adam可以被看作是两种优化技术的混合体，即Momentum和RMSprop。亚当的更新方程由下式给出：hk¼ h K-1 -grfikð9Þhk1-gV k11虽然SGD应在每次列车其中，q是移动平均值的偏差校正项，样本，但参数更新是用小批量完成的，以固定kq过程Momentum（Qian，1999）被合并到SGD中以加快收敛。在动量中，梯度值被它第k个梯度的平方，由qk<$1kt给出，其中t是电流数据和Vk是移动平均值的偏差校正项，由VVk给出的梯度 .1-B见图6。CNN模型。K-1我M.A. 作者声明：David D.Kashyap沙特国王大学学报45842q-出来B¼ þ128@J斯格雷特·格洛克××我1ijIJIJ2反向传播的伪代码是：方法反向传播输入：训练集（Tr），验证集（V），随机权重的R-NetTr：{m1，m2，...}其中mi是大小为128输出：训练的R-Net函数反向传播（Tr，V，R-Net）{对于m2 Tr doJ¼0对于xi m dox相对较大的过滤器。核是从区间上的均匀分布初始化的[l，l]，其中l6和þin和out是权重张量中输入和输出单元的数量。图6显示了R-Net的图形表示。FC层中包含40%的DO，而在第五卷积层中添加10%的最小DO以避免过拟合。可训练参数的总数为8，407，254。用于训练和测试的伪代码是：#培训输入：训练集（Tr），验证集（V）输出：训练的R-Net模型步骤yi = forward_propagate（R-Net）（xi）#计算损失（li）步骤2：对于img2（Tr[V]），l¼P4 ylog.其中，byx的标签。preProcess（img，（40，40））端第三步：因为i从1到40J.J.L.i端J¼1×J#更新模型参数（h）rf¼@hVk¼bVk-11-brf k#rf的移动平均值;qk<$bqk-11-brfk #移动平均值的平方rf;反向传播（Tr，V，R）端测试次数输入：test_image输出：种族标签步骤1：t = preProcess（test_image，（40，40））步骤2：y_scores = R（t）第三步：race_label = argmax（y_scores）hk1-GVk#Adam优化带V端的}2.3. R-Net：提出的CNN架构所提出的模型是一个简单的体系结构，共包括九层。前六层是卷积层，而最后三层是具有1000、500和4个节点的FC层。CNN的输入是4040灰度图像。第一层从输入中提取20个特征。所有的激活都是双态的。第3.1.1节讨论了激活的选择。第一层的输出用批量归一化进行归一化。受VGG的启发，在后续层中提取的特征逐渐增加。在第二层中有40个特征，在第三层中有50个，在其他三层中有64个。卷积层5和6通过采用卷积步长2将大小缩小到一半。在卷积层中不使用填充，这也有助于减小输入体积的大小内核大小被选择为3 3，这是受到Simonyan和Zisserman（2015）的启发，因为具有较小滤波器的卷积层实际上比具有较小滤波器的单层涉及更少的参数。表3模型见图7。使用不同的优化器训练模型的损失。激活函数训练集验证集见图8。 训练损失/准确度与时期曲线。名称损失准确度（%）准确度（%）损失准确度（%）ReLU初始0.30688.70.2591经过40个纪元0.05698.20.2294.72乙状初始0.82820.3287经过40个纪元0.01599.40.2894.4Tanh初始0.446383.90.323088.7经过40个纪元0.502081.40.380285.9M.A. 作者声明：David D.Kashyap沙特国王大学学报45852 22表4R-Net与BUPT上评估的其他方法的比较2.4. 时间复杂根据He和Sun（2015）的卷积层贡献的时间复杂度为：是输出特征图的大小。时间复杂度为 O （ n4 ），时间复杂度为O（n2）。对于R-Net模型，根据（12），6个卷积层的总（测试）时间复杂度为：O.XDnl-1：s2：nl：m2ð12Þ= O（1×32×20×（n-2）2）+ O（20×32×40×（n -4）2）40×3 ×50×100× 100 × 100 ×100 ×6422ll苏ICP备05000000号-1电话：+8621 8888 8888 ×64×n-10=22 7其中d是卷积层的总数，nl是第l层中的滤波器的数量，sl是滤波器的大小，ml1000×1000×64×n-12= 4 6： 99×10运算：M.A. 作者声明：David D.Kashyap沙特国王大学学报4586.Σ6图9.第九条。错误分类的BUPT样本示例见图10。 视觉解释（Grad-CAM）。此外，训练阶段的时间复杂度是测试阶段的三倍（He和Sun，2015），因为它包括前向和后向传播。上述复杂度估计不包括批量归一化的复杂度。对于FC层，前向传递由前一层的权重和激活的矩阵乘法组成，然后通过激活函数传播。对于单个实例，R-Net的测试时间复杂度为：= O（1000× 3136）+O（500× 1000）+O（4× 500）<$3.63× 106次运算。在反向传播过程中，对于单个实例起作用的基本方程是：dz½l]<$da½l]ωg0½l]。z½l]13dw½ l]<$dz½l]。A½l-1]14db<$l]<$dz<$l]15dal-1½w½l]Tdzl16其中，da[l]、dw[l]、db[l]、dz[l]是损耗相对于激活、权重、偏置和网络输出的偏导数，g[l]是激活函数，A[l]是激活向量，全部用于第l层。对于R-Net，总反向传播时间复杂度为：= O（3136× 1000 + 1000× 1 + 1000× 3136 + 1 +500× 4þ500× 1þ 500× 1000þ 1þ 1þ 4× 3þ 1Þ2016年：7×10次手术db[l]的复杂度是常数时间，并且上述表达式不包括激活函数所涉及的复杂度。对于具有n个epoch的M个训练样本，上述复杂度扩展到M× n倍。M.A. 作者声明：David D.Kashyap沙特国王大学学报45873. 结果和讨论进行的实验如下。在Python环境中使用TensorFlow后端可以促进GPU上的加速执行3.1. 实验1：BUPT数据集上的拟议模型该模型在BUPT测试集上进行训练和评估3.1.1. 训练和验证激活函数和优化方法是CNN模型的基本组成部分，也影响模型进行实验以选择合适的候选者。激活函数表3显示了使用Adam作为优化算法时模型很明显（表3），在完成定义数量的epoch后，在sigmoid激活的情况下，列车损失小于ReLU或tanh。因此，选择sigmoid作为模型。优化器的选择该模型的性能也进行了分析和比较，为三个不同的优化，即（i）SGD，（ii）RMSprop和（iii）亚当。Momentum被纳入SGD，（初始）对于所有三个优化器，学习率被设置为0.01。最小批量大小固定为128。从图7中可以看出，Adam在降低列车损失方面对我们的模型工作得更快。亚当被选为优化者。使用sigmoid激活和Adam，该模型被训练了40个epoch。图8示出了在 训 练 期 间贯 穿 时 期 的 训 练 集丢 失 （ train_loss ） 和 验 证 集丢 失（ val_loss ） 的 转 变 。 该 模 型 在 40 个 epoch 后 的 训 练 集 准 确 率 为99.44%，验证集准确率为94.4%。 虽然验证损失趋于上升，但其仍包含在0.28（表3）。3.1.2. 测试该模型在BUPT测试集上进行评估时，平均准确率可所有类的查准率和查全率都在0.95以上，这表明模型对所有类都是无偏学习的。模型性能的详细总结见表4。3%的误差，图。 9描述了一些错误分类的样本。3.1.3. 使用Grad-CAM进行梯度加权类激活映射（Grad-CAM）使用分类网络中的任何目标概念的梯度，流入最终卷积层，以产生粗略的局部化图，突出显示图像中的重要区域，用于预测概念（Selvaraju等人，2020年）。Grad-CAM已经实现，以便对我们的CNN进行可视化解释（图10）。图11显示了使用Grad-CAM后的输出示例。 虽然在模型中使用了灰度图像，但是为了清晰的可视化，已经给出了彩色图像作为输入。如Grad-CAM所示，眼周和下巴区域似乎很重要用于种族识别的区域。3.1.4. 过滤器和特征图过滤器的可视化给出了网络如何学习的想法。特征图还提供了CNN检测到的 图图12和图13示出了过滤器及其图十一岁使用Grad-CAM对亚洲人（a）、非洲人（d）、高加索人（g）和印度人（j）面部图像进行可视化预处理后的面部图像[a，d，g，j];产生的热图[b，e，h，k];将热图透明地覆盖在面部图像上[c，f，i，l] 第一卷积层中的滤波器。M.A. 作者声明：David D.Kashyap沙特国王大学学报4588~图十三.第一卷积层的特征图。精度召回f1得分考卡0.940.780.85非洲0.970.900.93亚洲0.460.940.61精度0.85见图14。 CFD测试统计表5R-Net模型在不同年龄段的表现。14981精度召回精度召回精度召回精度召回高加索0.770.740.950.810.940.900.880.88非洲0.250.760.351.000.400.930.600.75亚洲0.800.880.800.910.760.810.560.45印度0.790.300.650.480.770.570.230.27Avg. 精度百分之七十一百分之七十九百分之八十四百分之七十六R-Net的第一卷积层的对应特征图可以看出，第一层提取了轮廓形状和整体纹理等过程特征3.2. 实验2：在其他数据集3.2.1. 芝加哥人脸数据库（CFD）CFD数据集是属于不同种族群体的男性和女性面部的集合，例如高加索人、非洲人、亚洲人和拉丁美洲人。芝加哥消防局没有来自印度的样本。这些图像在统一的白色背景上展示了不同表情的正面姿势。R-Net的性能如图所示。 十四岁3.2.2. UTK数据集与CFD不同的是，它由20-30岁的受试者样本组成由于图像是从互联网上收集的，因此它们显示了不同的姿势、表情和照明条件，而不是像CFD那样处于受约束的均匀环境中。我们用不同的年龄组来检验我们的模型。我们按照1-3岁、4-8岁、9-80岁和81-110岁的年龄组划分UTK集表5显示了该模型分析表5中的值，可以得到以下观察结果：M.A. 作者声明：David D.Kashyap沙特国王大学学报4589表6使用预训练的VGG16进行比赛分类。特定类别的性能VGG16（ImageNet）VGG16（VGGFace）精度召回精度召回高加索0.760.850.760.72非洲0.770.830.790.85亚洲0.840.900.820.82印度0.86总体业绩（%）0.630.790.77列车接入90.3491.23确认访问75.571.63测试访问8079图15. (a)VGG16卷积神经网络示意图（改编自Manikonda和Gaonkar，2019），（b）微调VGG16卷积神经网络示意图。图16. (a)VGG16的ROC曲线（ImageNet），（b）VGG16的ROC曲线（VGGFace）[0类ROC =高加索人Vs其他人，1类ROC =非洲人Vs其他人，2类ROC =亚洲人Vs其他人，3类ROC =印度人Vs其他人]a) 模型对高加索人和亚洲人类具有公平的性能。b) 模型对所有年龄组的印度类样本具有相对较弱的召回值。c) 模型d) 该模型在9-80岁年龄组中表现最好这是很自然的，因为这一群体的种族识别甚至对人类来说都是困难的。3.3. 实验3：迁移学习迁移学习意味着使用预先训练好的模型的全部或一部分来完成新的分类任务。迁移学习是M.A. 作者声明：David D.Kashyap沙特国王大学学报4590×采用三种不同的方式：（i）使用完整的训练模型（ii）微调和（iii）特征提取。对于该实验，使用微调方法微调是指FC层被截断并且附加新的FC层集合的过程。然后在当前数据集上重新训练改变的模型，保持卷积层的权重在这里，流行的VGG16（Simonyan和Zisserman，2015）模型在BUPT上进行了微调（见图15）。VGG16有一系列卷积层和最大池层，然后是3个FC层，总共16层。在我们的实验中，VGG 16在两个版本中用作基础模型; VGG 16在(i)ImageNet数据和（ii）VGGFace数据。ImageNet（Deng等人，2009）是具有从动物、鸟类到计算机键盘的1000个不同类别的数百万大小的大型数据集。VGGFace（Parkhi等人，2015），另一方面，仅包括属于互联网电影数据库的不同主题的面部图像。它的大小约为2.6M，由牛津大学视觉几何小组开发。在微调的VGG 16模型中，有两个FC层，500和4个节点。ReLU和softmax相应地用作激活。交叉熵损失和亚当分别是损失函数和优化器。由于我们系统的计算限制，我们总共使用了32，000张图像，其中BUPT集的每类8，000张图像用于重新训练模型。使用这些预训练模型的种族分类结果在表6中给出。R-Net的平均准确率为97%，似乎是比微调的VGG 16模型更好的种族分类选择。 微调VGG16（ImageNet）和VGG16（VGGFace）的ROC曲线如图16所示。4. 结论种族本身对人类来说是一个定义不清的概念，对机器识别来说是一项艰巨的任务更重要的是，混血人口的增长正在进一步缩小边界。因此，训练样本的选择将最终决定模型在实际应用中的性能，具有重要意义本文提出了一种CNN模型，用于在无约束环境中从低分辨率（40 - 40）灰度图像中进行种族识别。开发的模型可以用于现实生活中的情况下，图像或可以集成在视频中的不同应用。通过在不同数据集上的测试以及与预训练模型的比较，验证了模型的有效性。通过使用高分辨率彩色图像作为输入，预计将进一步改进。资金这项工作得到了高哈蒂大学提供的TEQIP-III资金的支持。作者贡献这项工作由Mazida Akhtara Ahmed在Ridip Dev Choudhury博士的监督下进行。Kishore Kashyap先生提供了技术指导和支持。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Ahmed，文学硕士，Choudhury，R. D.，2019.从面部图像进行性别分类。国际工程高级技术杂志9,6217-6223.https://doi.org/10.35940/ijeat.A1874.109119网站。Andrew Ng，n.d.改进深度神经网络：超参数调整，正则化和优化。丁，H.，黄，D.，王玉，Chen，L.，中国地质大学，2013.基于局部纹理和形状描述的人脸 种 族 分 类 。 In ： 2013 10th IEEE Int. Conf. Work. 自 动 。 Face GestureRecognition，FG 2013，pp. 1-6. https://doi.org/10.1109/FG.2013.6553815。他，K.，孙，J.，2015.时间受限的卷积神经网络。In：Proc. IEEE Conf. Comput.目视模式识别，pp. 5353-5360. https://doi.org/10.1109/CVPR.2015.7299173。Ioffe，S.，塞格迪角，澳-地2015年。 批量归一化：通过减少内部协变量偏移来加速深度网络训练。在：第32届机器学习国际会议论文集，pp。 448- 456邓，贾，董，魏，索赫尔，R.，李丽佳，李凯，李飞飞，2009年。ImageNet：一个大规模的 分 层 图 像 数 据 库 .IEEE 计 算 机 视 觉 与 模 式 识 别 会 议 。 IEEE ， pp. 248-255.https://doi.org/10.1109/cvprw.2009.5206848.Kazemi，V.，Sullivan，J.，2014.一毫秒人脸对齐与回归树的集合。在：IEEE计算机协会 计 算 机 视 觉 和 模 式 识 别 会 议 论 文 集 ， pp 。 1867-1874.https://doi.org/10.1109/CVPR.2014.241。King，D.E.，2009. Dlib-ml：机器学习工具包。J·马赫。学习. Res. 10，1755- 1758.金玛，D.P.，Ba，J.L.，2014. Adam：随机最佳化的方法。第三届国际学习表征会议论文集，ICLR 2015。Lagree，S.，Bowyer，K.W.，2011年。基于虹膜纹理特征的种族预测输入：程序第22届中西部Artiff。内特尔科根Sci. Conf. 2011年，第页 225- 230卢，X.，贾恩，A.K.，2004. 从人脸图像中识别种族/title>。在：SPIE的程序，pp。114-123 https://doi.org/10.1117/12.542847网站。莱尔J.R.米勒体育Pundlik，S.J.，伍达德，D.L.，2010年。使用局部外观眼周区域特征的软生物特征第四届IEEE生物识别国际会议：理论，应用和系统（BTAS），pp。1-7.https://doi.org/10.1016/j.patcog.2012.04.027网站。妈D.S.Correll，J.，Wittenbrink，B.，2015年。芝加哥人脸数据库：一个免费的人脸刺激 集 和 标 准 化 数 据 。 行 为 举 止 。 Res. Methods 47 ， 1122-1135 。 网 址 ： //doi.org/10.3758/s13428-014-0532-5。Manikonda，S.K.G.，Gaonkar，D. N.，2019.提出了一种基于VGG16网络的迁移学习孤岛检测方法。第一届IEEE可持续能源技术和系统国际会议，ICSETS 2019。IEEE，pp. 109-114. https://doi.org/10.1109/ICSETS.2019.8744778网站。Mansoor Roomi，S.M.，Virasundarii，S.L.，Selvamegala，S.，Jeevanandham，S.，Hariharasudhan，D.，2011.基于面部特征的种族分类。在：3rd Natl.确认补偿视觉 ， 模 式 识 别 ， 图 像 处 理 .Graph.NCVPRIPG2011 ， pp.54-57.https://doi.org/10.1109/NCVPRIPG.2011.19网站。Mohammad，A.S.，Al-Ani，J.A.，2018.卷积神经网络用于移动环境下基于眼区的种族分类。在：2018年第10届计算机科学和电子工程会议，CEEC 2018 -会议记录。IEEE，pp.293-298. https://doi.org/10.1109/CEEC.2018.8674194网站。Muhammad，G.，侯赛因，M.，Alenezy，F.，Bebis，G.，米尔扎，上午，Alsamh，H.，2012.基于局部描述符的人脸图像种族分类。Int. J. Artif.内特尔Tools 21，11-13.https://doi.org/10.1142/S0218213012500194网站。Narang，N.，Bourlai，T.，2016年。在异质人脸识别中使用深度学习进行性别和种族 分 类 在 ： 2016 年 国 际 会 议 上 生 物 识 别 ICB ， pp.1-8.https://doi.org/10.1109/ICB.2016.7550082网站。帕克希，O.M.，维达尔迪，A.，齐瑟曼，A.，2015年。深度面部识别在：英国机器视觉会议（BMVC），pp。41.1-41.12. 网址：//doi. org/10.5244/c.29.41。Qian，N.，1999.梯度下降学习算法中的动量项。Neural Networks 12，145-151.https：//doi.org/10.1016/S0893-6080（98）00116-6.邱，X.，太阳，Z.，Tan，T.，2006.用于种族分类的虹膜图像全局纹理分析。在：国际会议上生物识别，页。411-418.网址：//doi.org/10.1007/11608288_55网站。Saei Manesh，F.，Ghahramani，M.，Tan，Y.P.，2010.面部部分位移对基于模板的性别和种族分类的影响。第11届国际会议控制。自动机器人Vision，ICARV2010，pp.1644-1649. https://doi.org/10.1109/ICARCV.2010.5707882。Selvaraju，R.R.，Cogswell，M.，达斯，A.，韦丹塔姆河，帕里克，D.，巴特拉，D.，2020. Grad-CAM：通过基于梯度的定位从深度网络进行视觉解释。国际计算机视觉，336-359。https://doi.org/10.1007/</div> <div class="more_warp" data-v-03e86d15><div class="bottom_hover" data-v-03e86d15><!----> <!----> <p class="downText" data-v-03e86d15>
下载后可阅读完整内容，剩余1页未读，<a data-v-03e86d15>立即下载<i class="el-icon-arrow-down" style="margin-left: 4px" data-v-03e86d15></i></a></p></div></div></div></div> <!----></div></div></div></div> <div class="space" data-v-1ad8b000></div></div> <!----> <div id="recommend" type="recommend" class="nav-item nav-item-recommend"><div class="el-card is-never-shadow"><!----><div class="el-card__body"><div class="recommend-list" data-v-6b3d4552><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://img-home.csdnimg.cn/images/20210720083646.png" alt=".pdf" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="0" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-1-11420603-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-1-11420603-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fdownload.csdn.net%2Fdownload%2Fweixin_39840588%2F11420603&spm=1003.2020.3001.6616.1" href="https://download.csdn.net/download/weixin_39840588/11420603" title="基于手指经脉识别的个人识别技术的研究.pdf" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>基于手指经脉识别的个人识别技术的研究.pdf</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="0" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-1-11420603-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-1-11420603-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fdownload.csdn.net%2Fdownload%2Fweixin_39840588%2F11420603&spm=1003.2020.3001.6616.1" href="https://download.csdn.net/download/weixin_39840588/11420603" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>研究人员确定，手指静脉的形态是特定个体特有的，不易锻造，接触少，不受种族和皮肤变色的影响，该技术具有良好的应用前景和发展潜力，手指静脉识别的原则是用特定波长的红外光进行识别。长度可以穿过大部分人体组织...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://img-home.csdnimg.cn/images/20210720083646.png" alt=".pdf" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="1" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-2-11561619-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-2-11561619-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fdownload.csdn.net%2Fdownload%2Fweixin_39840650%2F11561619&spm=1003.2020.3001.6616.2" href="https://download.csdn.net/download/weixin_39840650/11561619" title="论文研究-一种加权的模糊LDA人脸识别方法 .pdf" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>论文研究-一种加权的模糊LDA人脸识别方法 .pdf</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="1" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-2-11561619-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-2-11561619-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fdownload.csdn.net%2Fdownload%2Fweixin_39840650%2F11561619&spm=1003.2020.3001.6616.2" href="https://download.csdn.net/download/weixin_39840650/11561619" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>一种加权的模糊LDA人脸识别方法，薛明亮，刘晓东，人脸识别是生物特征识别的关键技术之一，研究如何利用计算机分析人脸图像，提取有效信息，完成身份辨识。在人脸识别的研究中，虽</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://img-home.csdnimg.cn/images/20210720083512.png" alt="pdf" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="2" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-3-12454812-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-3-12454812-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fdownload.csdn.net%2Fdownload%2Fweixin_38748556%2F12454812&spm=1003.2020.3001.6616.3" href="https://download.csdn.net/download/weixin_38748556/12454812" title="论文研究 - 当代美国工作场所：种族隔离观念分析" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>论文研究 - 当代美国工作场所：种族隔离观念分析</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="2" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-3-12454812-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-3-12454812-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fdownload.csdn.net%2Fdownload%2Fweixin_38748556%2F12454812&spm=1003.2020.3001.6616.3" href="https://download.csdn.net/download/weixin_38748556/12454812" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>这项研究调查了在当代美国工作场所中受雇者对种族隔离的看法。 2016年收集的一般社会调查（GSS）信息用于关注对当前正在工作的个人的看法。 控制变量包括年龄，性别，种族，受教育程度，个人收入和工作状态等各种...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="3" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-4-714e380f8d8540b0b4dee516e67b0c82-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-4-714e380f8d8540b0b4dee516e67b0c82-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F714e380f8d8540b0b4dee516e67b0c82&spm=1003.2020.3001.6616.4" href="https://wenku.csdn.net/answer/714e380f8d8540b0b4dee516e67b0c82" title="基于深度学习的人脸识别的研究" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>基于深度学习的人脸识别的研究</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="3" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-4-714e380f8d8540b0b4dee516e67b0c82-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-4-714e380f8d8540b0b4dee516e67b0c82-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F714e380f8d8540b0b4dee516e67b0c82&spm=1003.2020.3001.6616.4" href="https://wenku.csdn.net/answer/714e380f8d8540b0b4dee516e67b0c82" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>基于深度学习的人脸识别一直是计算机视觉领域的热门研究方向之一。一般来说，基于深度学习的人脸识别可以分为以下几个步骤： 1. 数据集的准备：数据集的准备非常重要。一个好的数据集应该包含多种年龄、性别、种族...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="4" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-5-d801e2ee979d4785b6773535ad5b5e84-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-5-d801e2ee979d4785b6773535ad5b5e84-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fd801e2ee979d4785b6773535ad5b5e84&spm=1003.2020.3001.6616.5" href="https://wenku.csdn.net/answer/d801e2ee979d4785b6773535ad5b5e84" title="深度学习人脸识别数据集" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>深度学习人脸识别数据集</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="4" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-5-d801e2ee979d4785b6773535ad5b5e84-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-5-d801e2ee979d4785b6773535ad5b5e84-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fd801e2ee979d4785b6773535ad5b5e84&spm=1003.2020.3001.6616.5" href="https://wenku.csdn.net/answer/d801e2ee979d4785b6773535ad5b5e84" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>该数据集中的图像涵盖了不同年龄、性别、种族和表情的人脸图像，适用于训练深度学习模型。 3. VGGFace2数据集：该数据集包含3.31万个人的3.12百万张人脸图像，是一个大规模的人脸识别数据集。该数据集中的图像来自于...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="5" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-6-624d74b7eeed46ccbccad100da75467e-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-6-624d74b7eeed46ccbccad100da75467e-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F624d74b7eeed46ccbccad100da75467e&spm=1003.2020.3001.6616.6" href="https://wenku.csdn.net/answer/624d74b7eeed46ccbccad100da75467e" title="基于深度学习的人脸识别有什么缺点" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>基于深度学习的人脸识别有什么缺点</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="5" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-6-624d74b7eeed46ccbccad100da75467e-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-6-624d74b7eeed46ccbccad100da75467e-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F624d74b7eeed46ccbccad100da75467e&spm=1003.2020.3001.6616.6" href="https://wenku.csdn.net/answer/624d74b7eeed46ccbccad100da75467e" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>基于深度学习的人脸识别技术已经取得了很大的进展，但是仍然存在一些缺点。以下是一些可能的缺点： 1. 数据不平衡：由于收集数据的时间和成本等各种因素，训练数据可能不平衡，导致一些人的识别率低。 2. 鲁棒性：...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="6" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-7-b75e8dac1cd011eebf6ffa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-7-b75e8dac1cd011eebf6ffa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fb75e8dac1cd011eebf6ffa163eeb3507&spm=1003.2020.3001.6616.7" href="https://wenku.csdn.net/answer/b75e8dac1cd011eebf6ffa163eeb3507" title="facenet官方预训练模型" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>facenet官方预训练模型</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="6" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-7-b75e8dac1cd011eebf6ffa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-7-b75e8dac1cd011eebf6ffa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fb75e8dac1cd011eebf6ffa163eeb3507&spm=1003.2020.3001.6616.7" href="https://wenku.csdn.net/answer/b75e8dac1cd011eebf6ffa163eeb3507" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>FaceNet 是一个用于人脸识别的深度学习模型，它由Google研究团队开发。FaceNet 官方预训练模型是通过在大规模人脸数据集上进行训练得到的。 官方预训练模型的主要作用是提供一个已经在大量数据上训练好的模型，使...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="7" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-8-8032prx3p3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-8-8032prx3p3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F8032prx3p3&spm=1003.2020.3001.6616.8" href="https://wenku.csdn.net/answer/8032prx3p3" title="人脸表情识别数据集csdn" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>人脸表情识别数据集csdn</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="7" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-8-8032prx3p3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-8-8032prx3p3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F8032prx3p3&spm=1003.2020.3001.6616.8" href="https://wenku.csdn.net/answer/8032prx3p3" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>使用这些数据集，研究者和开发者可以利用机器学习和深度学习算法，构建人脸表情识别模型。这些模型可以应用于多个领域，如情感分析、人机交互、虚拟现实等。借助于CSDN提供的人脸表情识别数据集，研究者和开发者可以...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="8" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-9-5ymqxgz8ro-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-9-5ymqxgz8ro-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F5ymqxgz8ro&spm=1003.2020.3001.6616.9" href="https://wenku.csdn.net/answer/5ymqxgz8ro" title="面部识别resnet" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>面部识别resnet</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="8" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-9-5ymqxgz8ro-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-9-5ymqxgz8ro-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F5ymqxgz8ro&spm=1003.2020.3001.6616.9" href="https://wenku.csdn.net/answer/5ymqxgz8ro" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>面部识别ResNet模型的优点在于，它能够充分利用深度学习的技术提取图像中的特征信息，从而提高了识别的准确性和稳定性。而且ResNet模型本身就是一种非常高效的网络结构，能够在大规模的数据集上进行高效的训练和学习...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="9" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-10-4y5ozzd4g3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-10-4y5ozzd4g3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F4y5ozzd4g3&spm=1003.2020.3001.6616.10" href="https://wenku.csdn.net/answer/4y5ozzd4g3" title="机器学习识别年龄cnn" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>机器学习识别年龄cnn</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="9" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-10-4y5ozzd4g3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-10-4y5ozzd4g3-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F4y5ozzd4g3&spm=1003.2020.3001.6616.10" href="https://wenku.csdn.net/answer/4y5ozzd4g3" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>CNN是一种深度学习算法，它可以自动从输入的图像中学习特征和模式，从而识别出图像中的对象或者人脸等信息。 在识别年龄方面，CNN可以通过大量的训练数据，学习人脸的特征和年龄相关的模式。首先，需要一个包含各种...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="10" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-11-636p5y2p59-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-11-636p5y2p59-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F636p5y2p59&spm=1003.2020.3001.6616.11" href="https://wenku.csdn.net/answer/636p5y2p59" title="asian face 数据集" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>asian face 数据集</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="10" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-11-636p5y2p59-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-11-636p5y2p59-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F636p5y2p59&spm=1003.2020.3001.6616.11" href="https://wenku.csdn.net/answer/636p5y2p59" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>这个数据集的目的是为研究者和开发人员提供一个丰富而真实的亚洲人脸数据资源，用于训练和测试机器学习模型、深度学习模型以及人工智能算法。 利用 Asian Face 数据集，可以进行各种面部分析的研究，如人脸识别、...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="11" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-12-98425f4217d14c098c05d828bfd202c0-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-12-98425f4217d14c098c05d828bfd202c0-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F98425f4217d14c098c05d828bfd202c0&spm=1003.2020.3001.6616.12" href="https://wenku.csdn.net/answer/98425f4217d14c098c05d828bfd202c0" title="写出基于dlib的人脸识别Restnet算法的求解步骤" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>写出基于dlib的人脸识别Restnet算法的求解步骤</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="11" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-12-98425f4217d14c098c05d828bfd202c0-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-12-98425f4217d14c098c05d828bfd202c0-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F98425f4217d14c098c05d828bfd202c0&spm=1003.2020.3001.6616.12" href="https://wenku.csdn.net/answer/98425f4217d14c098c05d828bfd202c0" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>检测器可以使用HOG+SVM或者深度学习模型。 3. 人脸对齐：将检测到的人脸进行对齐，以便于后续的特征提取和匹配。可以使用基于仿射变换、透视变换的人脸对齐方法。 4. 特征提取：使用Resnet算法提取人脸特征。...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="12" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-13-1c5x0qza6z-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-13-1c5x0qza6z-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F1c5x0qza6z&spm=1003.2020.3001.6616.13" href="https://wenku.csdn.net/answer/1c5x0qza6z" title="基于ai智能识人技术的前期图像数据库建立与研究" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>基于ai智能识人技术的前期图像数据库建立与研究</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="12" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-13-1c5x0qza6z-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-13-1c5x0qza6z-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F1c5x0qza6z&spm=1003.2020.3001.6616.13" href="https://wenku.csdn.net/answer/1c5x0qza6z" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>在研究过程中，我们可以利用现有的人脸识别技术和深度学习算法，对图像数据进行分析和处理，提取出人脸的特征信息，建立人脸识别的模型。同时，我们还可以探索如何应用AI技术来提高人脸识别的准确性和速度，以及如何...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="13" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-14-2d3836fd17204cc48ae4947de3ffbce5-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-14-2d3836fd17204cc48ae4947de3ffbce5-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F2d3836fd17204cc48ae4947de3ffbce5&spm=1003.2020.3001.6616.14" href="https://wenku.csdn.net/answer/2d3836fd17204cc48ae4947de3ffbce5" title="fer2013数据集优点" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>fer2013数据集优点</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="13" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-14-2d3836fd17204cc48ae4947de3ffbce5-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-14-2d3836fd17204cc48ae4947de3ffbce5-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F2d3836fd17204cc48ae4947de3ffbce5&spm=1003.2020.3001.6616.14" href="https://wenku.csdn.net/answer/2d3836fd17204cc48ae4947de3ffbce5" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>1. 数据集规模大：Fer2013数据集包含了超过35,000张图片，数据量较大，可以用于训练深度学习模型。 2. 数据集质量高：Fer2013数据集中的图片都经过了人工标注，标注质量高。 3. 多样性：Fer2013数据集中包含了不同...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="14" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-15-36ku65smoe-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-15-36ku65smoe-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F36ku65smoe&spm=1003.2020.3001.6616.15" href="https://wenku.csdn.net/answer/36ku65smoe" title="facenet亚洲人脸预训练模型" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>facenet亚洲人脸预训练模型</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="14" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-15-36ku65smoe-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-15-36ku65smoe-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F36ku65smoe&spm=1003.2020.3001.6616.15" href="https://wenku.csdn.net/answer/36ku65smoe" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>FaceNet是一种人脸识别模型，它采用深度学习技术，能够将人脸图像转化为一个128维的向量表示，通过计算不同人脸间的距离来判断它们是否来自同一个人。 FaceNet已经预训练了许多不同种族的人脸图像，包括亚洲人。...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="15" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-16-a426d518154c11eea6c2fa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-16-a426d518154c11eea6c2fa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fa426d518154c11eea6c2fa163eeb3507&spm=1003.2020.3001.6616.16" href="https://wenku.csdn.net/answer/a426d518154c11eea6c2fa163eeb3507" title="openpose数据集" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>openpose数据集</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="15" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-16-a426d518154c11eea6c2fa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-16-a426d518154c11eea6c2fa163eeb3507-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fa426d518154c11eea6c2fa163eeb3507&spm=1003.2020.3001.6616.16" href="https://wenku.csdn.net/answer/a426d518154c11eea6c2fa163eeb3507" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>OpenPose数据集是一个用于人体姿势估计的开源数据集，主要用于研究人体姿态识别算法和深度学习模型。该数据集由多个摄像头捕捉到的人体姿态图像序列组成，并配有相应的姿态标签，可以用于训练和测试人体姿态估计模型...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="16" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-17-46c39ae53035453ebb75d6a40f916e9b-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-17-46c39ae53035453ebb75d6a40f916e9b-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F46c39ae53035453ebb75d6a40f916e9b&spm=1003.2020.3001.6616.17" href="https://wenku.csdn.net/answer/46c39ae53035453ebb75d6a40f916e9b" title="affwild2数据集下载" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>affwild2数据集下载</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="16" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-17-46c39ae53035453ebb75d6a40f916e9b-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-17-46c39ae53035453ebb75d6a40f916e9b-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F46c39ae53035453ebb75d6a40f916e9b&spm=1003.2020.3001.6616.17" href="https://wenku.csdn.net/answer/46c39ae53035453ebb75d6a40f916e9b" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>研究者可以利用这些数据训练深度学习模型，进一步提高面部表情识别的准确性和性能。 要下载AffWild2数据集，可以访问其官方网站（http://ibug.doc.ic.ac.uk/resources/aff-wild2/）并按照相关说明进行操作。数据集...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="17" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-18-edfd9ee2e2f242e8a341e4a122ed7907-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-18-edfd9ee2e2f242e8a341e4a122ed7907-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fedfd9ee2e2f242e8a341e4a122ed7907&spm=1003.2020.3001.6616.18" href="https://wenku.csdn.net/answer/edfd9ee2e2f242e8a341e4a122ed7907" title="300W_LP数据集介绍" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>300W_LP数据集介绍</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="17" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-18-edfd9ee2e2f242e8a341e4a122ed7907-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-18-edfd9ee2e2f242e8a341e4a122ed7907-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fedfd9ee2e2f242e8a341e4a122ed7907&spm=1003.2020.3001.6616.18" href="https://wenku.csdn.net/answer/edfd9ee2e2f242e8a341e4a122ed7907" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>300W_LP数据集是一个用于人脸关键点定位和姿态估计的数据集。该数据集包含超过12000张带有人脸的图像，...总体而言，300W_LP数据集是一个广泛使用的人脸数据集，可以用于训练和评估各种人脸相关的深度学习模型和算法。</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="18" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-19-b3fe553cf94a4a87a3312676417e2823-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-19-b3fe553cf94a4a87a3312676417e2823-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fb3fe553cf94a4a87a3312676417e2823&spm=1003.2020.3001.6616.19" href="https://wenku.csdn.net/answer/b3fe553cf94a4a87a3312676417e2823" title="请详细说明基于人脸的特征方法" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>请详细说明基于人脸的特征方法</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="18" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-19-b3fe553cf94a4a87a3312676417e2823-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-19-b3fe553cf94a4a87a3312676417e2823-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2Fb3fe553cf94a4a87a3312676417e2823&spm=1003.2020.3001.6616.19" href="https://wenku.csdn.net/answer/b3fe553cf94a4a87a3312676417e2823" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>3. 人脸表情识别：通过分析人脸的表情来了解人的情绪状态，该方法通常使用深度学习算法。 4. 人脸属性识别：通过分析人脸的特定属性，如年龄、性别、种族等，来获取更详细的人脸特征信息。 以上这些方法都是在利用...</span></a></div></div></div><div class="flex mb-16 item" data-v-6b3d4552><div class="mr-16" data-v-6b3d4552><img width="48" height="48px" src="https://csdnimg.cn/download_wenku/file_type_ask_c1.png" class="bor-r" data-v-6b3d4552></div> <div class="flex-1" data-v-6b3d4552><div class="fs-md flex" data-v-6b3d4552><a index="19" target="_blank" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-20-038039d29d2e44e8a79f08a6408ba1f7-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-20-038039d29d2e44e8a79f08a6408ba1f7-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F038039d29d2e44e8a79f08a6408ba1f7&spm=1003.2020.3001.6616.20" href="https://wenku.csdn.net/answer/038039d29d2e44e8a79f08a6408ba1f7" title="详细说说Eigenface算法 Fisherface算法 ModPCA算法 FaceNet算法的性能需求、可靠性需求安全性需求、可维护性需求、可用性需求、适应性需求的的对比" class="flex-1" data-v-6b3d4552><h4 class="flex-1 line" data-v-6b3d4552>详细说说Eigenface算法 Fisherface算法 ModPCA算法 FaceNet算法的性能需求、可靠性需求安全性需求、可维护性需求、可用性需求、适应性需求的的对比</h4> <!----></a></div> <div class="mt-4 pr-16" data-v-6b3d4552><a target="_blank" index="19" data-report-query="utm_medium=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-20-038039d29d2e44e8a79f08a6408ba1f7-download-6e5mli4942.315%5Ev3%5Econtrol_v2&depth_1-utm_source=distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-20-038039d29d2e44e8a79f08a6408ba1f7-download-6e5mli4942.315%5Ev3%5Econtrol_v2&dest=https%3A%2F%2Fwenku.csdn.net%2Fanswer%2F038039d29d2e44e8a79f08a6408ba1f7&spm=1003.2020.3001.6616.20" href="https://wenku.csdn.net/answer/038039d29d2e44e8a79f08a6408ba1f7" class="line" style="color:#777888;" data-v-6b3d4552><span data-v-6b3d4552>其中，FaceNet算法要求的计算能力最高，因为它使用了深度学习模型进行训练和预测。 2. 可靠性需求：对于人脸识别算法来说，可靠性是非常重要的需求。Eigenface算法和Fisherface算法都是基于统计模型的算法，因此在...</span></a></div></div></div></div></div></div></div> <div class="space"></div> </div> <!----></div> <div class="layout-right" data-v-1caecc57><div data-v-76a4b887 data-v-1caecc57><div class="file-owner-card" data-v-18de6965 data-v-76a4b887><div class="card-content" data-v-18de6965><div class="content-top" data-v-18de6965><div class="logo" style="cursor:pointer;" data-v-18de6965><img src="https://profile-avatar.csdnimg.cn/default.jpg!1" class="img-logo" data-v-18de6965> <!----></div> <div class="detail" data-v-18de6965><div class="username" style="cursor:pointer;" data-v-18de6965>cpongm</div> <ul class="d-ib mt-4" data-v-18de6965><li class="fans-count d-ib mr-8" data-v-18de6965>
粉丝: 4
</li> <li class="d-ib" data-v-18de6965><span class="fans-count" data-v-18de6965>资源:</span> <a rel="nofollow" href="https://download.csdn.net/user/cpongm" target="_blank" class="highlight-font d-ib" data-v-18de6965>2万+</a></li></ul></div> <div class="ml-8" data-v-18de6965><button type="button" class="el-button el-button--default el-button--small" data-v-18de6965><!----><!----><span>
私信
</span></button></div></div></div></div> <!----> <div class="upload-sidebar mt-10" data-v-d2529d5a data-v-76a4b887><div class="upload-button" data-v-d2529d5a><div class="btn" data-v-d2529d5a><i class="el-icon-plus" data-v-d2529d5a></i>
上传资源 快速赚钱
</div></div> <div class="user-info" data-v-d2529d5a><ul data-v-d2529d5a><li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source.ac4c7e83.png" data-v-d2529d5a> <span data-v-d2529d5a>我的内容管理</span> <span class="tip" data-v-d2529d5a>
收起
<i class="el-icon-arrow-down" data-v-d2529d5a></i></span></li> <div class="ml-16" data-v-d2529d5a data-v-d2529d5a><li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source.ac4c7e83.png" data-v-d2529d5a> <span data-v-d2529d5a> 我的资源</span> <span class="tip" data-v-d2529d5a>
快来上传第一个资源
<i class="el-icon-arrow-right" data-v-d2529d5a></i></span></li> <li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source-wallet.b4362fe7.png" data-v-d2529d5a> <span data-v-d2529d5a> 我的收益 </span> <div class="tip" data-v-d2529d5a><span data-v-d2529d5a>登录查看自己的收益</span> <i class="el-icon-arrow-right" data-v-d2529d5a></i></div></li> <li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source-points.06ca666d.png" data-v-d2529d5a> <span data-v-d2529d5a>我的积分</span> <span class="tip" data-v-d2529d5a>
登录查看自己的积分
<i class="el-icon-arrow-right" data-v-d2529d5a></i></span></li> <li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source-c.87c53263.png" data-v-d2529d5a> <span data-v-d2529d5a>我的C币</span> <span class="tip" data-v-d2529d5a>
登录后查看C币余额
</span> <i class="el-icon-arrow-right" data-v-d2529d5a></i></li> <li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source-collect.0655e61c.png" data-v-d2529d5a> <span data-v-d2529d5a> 我的收藏</span> <div class="tip" data-v-d2529d5a><i class="el-icon-arrow-right" data-v-d2529d5a></i></div></li> <li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source-download.f1f40a4f.png" data-v-d2529d5a> <span data-v-d2529d5a>我的下载 </span> <div class="tip" data-v-d2529d5a><i class="el-icon-arrow-right" data-v-d2529d5a></i></div></li> <li data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/source-help.7427e86d.png" data-v-d2529d5a> <span data-v-d2529d5a> 下载帮助 </span> <div class="tip" data-v-d2529d5a><i class="el-icon-arrow-right" data-v-d2529d5a></i></div></li></div></ul></div> <div class="user-tip" data-v-d2529d5a><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png" data-v-d2529d5a> <div class="el-carousel el-carousel--vertical" data-v-d2529d5a><div class="el-carousel__container"><!----><!----></div><!----></div></div></div> <div class="vip-equity-box mt-10" data-v-5f71935c data-v-76a4b887><div class="section1" data-v-5f71935c><h4 class="title" data-v-5f71935c>会员权益专享</h4> <div class="cont bg1" data-v-5f71935c><div class="item-list" data-v-5f71935c><a target="_blank" href="https://devbit.csdn.net/pdf/imgtotext?utm_source=xiangqingye" class="item" data-v-5f71935c><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/icon3.d093cb5b.png" class="icon" data-v-5f71935c> <span class="text" data-v-5f71935c>图片转文字</span></a><a target="_blank" href="https://devbit.csdn.net/pdf/pdftotext?utm_source=xiangqingye" class="item" data-v-5f71935c><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/icon2.1059df89.png" class="icon" data-v-5f71935c> <span class="text" data-v-5f71935c>PDF转文字</span></a><a target="_blank" href="https://devbit.csdn.net/pdf/pdftoword?utm_source=xiangqingye" class="item" data-v-5f71935c><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/icon5.aa001cf9.png" class="icon" data-v-5f71935c> <span class="text" data-v-5f71935c>PDF转Word</span></a><a target="_blank" href="https://devbit.csdn.net/pdf/pdfaddware?utm_source=xiangqingye" class="item" data-v-5f71935c><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/icon1.6a570976.png" class="icon" data-v-5f71935c> <span class="text" data-v-5f71935c>PDF加水印</span></a></div> <a target="_blank" href="https://mall.csdn.net/vip?spm=1055.2568" class="btn" data-v-5f71935c><span class="text1" data-v-5f71935c>全年可省5，000元</span><span style="color:#fff" data-v-5f71935c>立即开通</span></a></div></div></div> <!----> <div class="sticky-content" data-v-76a4b887><div class="latest-file-card mt-10" data-v-f7fbb29e data-v-76a4b887><h3 class="title" data-v-f7fbb29e>最新资源</h3> <ul data-v-f7fbb29e><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/3vl915uw42" target="_blank" class="title-new" data-v-f7fbb29e>
RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/7tp4av6ah3" target="_blank" class="title-new" data-v-f7fbb29e>
c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/7tdrin4mbd" target="_blank" class="title-new" data-v-f7fbb29e>
建筑供配电系统相关课件.pptx
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/4wz7u4cmws" target="_blank" class="title-new" data-v-f7fbb29e>
企业管理规章制度及管理模式.doc
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/6im7vk7q8h" target="_blank" class="title-new" data-v-f7fbb29e>
vb打开摄像头.doc
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/12ahyfn4wx" target="_blank" class="title-new" data-v-f7fbb29e>
云计算-可信计算中认证协议改进方案.pdf
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/2u87w34or8" target="_blank" class="title-new" data-v-f7fbb29e>
[详细完整版]单片机编程4.ppt
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/46ui5uwewo" target="_blank" class="title-new" data-v-f7fbb29e>
c语言常用算法.pdf
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/7s36nj9ex1" target="_blank" class="title-new" data-v-f7fbb29e>
c++经典程序代码大全.pdf
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/5h1xz8pcdq" target="_blank" class="title-new" data-v-f7fbb29e>
单片机数字时钟资料.doc
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/79h2eo7ftg" target="_blank" class="title-new" data-v-f7fbb29e>
11项目管理前沿1.0.pptx
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/1qzt78v65r" target="_blank" class="title-new" data-v-f7fbb29e>
基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/2q4370ov89" target="_blank" class="title-new" data-v-f7fbb29e>
智慧交通综合解决方案.pptx
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/ewxh862fyu" target="_blank" class="title-new" data-v-f7fbb29e>
建筑防潮设计-PowerPointPresentati.pptx
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/2k7jfj7omn" target="_blank" class="title-new" data-v-f7fbb29e>
SPC统计过程控制程序.pptx
</a></li><li data-v-f7fbb29e><a href="https://wenku.csdn.net/doc/700ujduuta" target="_blank" class="title-new" data-v-f7fbb29e>
SPC统计方法基础知识.pptx
</a></li></ul></div> <div class="mt-10" data-v-33bcb4e9 data-v-76a4b887><!----> <!----></div> <div class="feedback mt-10" data-v-d951529e data-v-76a4b887><div class="left-content" data-v-d951529e><span data-v-d951529e>资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！</span> <a rel="nofollow" href="https://gitcode.net/csdn/download/-/issues" target="_blank" class="btn mt-8" data-v-d951529e>
点击此处反馈
<img src="https://img-home.csdnimg.cn/images/20220527035711.png" data-v-d951529e></a></div> <img src="https://img-home.csdnimg.cn/images/20220527035111.png" class="right-img ml-16" data-v-d951529e></div></div></div></div></div> <!----> <!----> <!----> <!----> <!----> <!----> <!----> <!----> <!----> <div class="el-dialog__wrapper" style="display:none;" data-v-1caecc57><div role="dialog" aria-modal="true" aria-label="dialog" class="el-dialog lottery" style="margin-top:15vh;width:500px;"><div class="el-dialog__header"><span class="el-dialog__title"></span><!----></div><!----><!----></div></div> <div class="el-dialog__wrapper coupon-dialog" style="display:none;" data-v-7e9c3e49 data-v-1caecc57><div role="dialog" aria-modal="true" aria-label="dialog" class="el-dialog" style="margin-top:15vh;width:422px;"><div class="el-dialog__header"><span class="el-dialog__title"></span><button type="button" aria-label="Close" class="el-dialog__headerbtn"><i class="el-dialog__close el-icon el-icon-close"></i></button></div><!----><!----></div></div> <div class="el-dialog__wrapper" style="display:none;" data-v-63e113a1 data-v-1caecc57><div role="dialog" aria-modal="true" aria-label="安全验证" class="el-dialog" style="margin-top:15vh;width:300px;"><div class="el-dialog__header"><span class="el-dialog__title">安全验证</span><button type="button" aria-label="Close" class="el-dialog__headerbtn"><i class="el-dialog__close el-icon el-icon-close"></i></button></div><!----><!----></div></div> <div class="el-dialog__wrapper copy-check" style="display:none;" data-v-0a933a23 data-v-1caecc57><div role="dialog" aria-modal="true" aria-label="文档复制为VIP权益，开通VIP直接复制" class="el-dialog el-dialog--center" style="margin-top:15vh;width:470px;"><div class="el-dialog__header"><span class="el-dialog__title">文档复制为VIP权益，开通VIP直接复制</span><button type="button" aria-label="Close" class="el-dialog__headerbtn"><i class="el-dialog__close el-icon el-icon-close"></i></button></div><!----><div class="el-dialog__footer"><span class="dialog-footer" data-v-0a933a23><button type="button" class="el-button jump-button el-button--primary" data-v-0a933a23><!----><!----><span>开通VIP，畅享复制特权不限次数</span></button></span></div></div></div> <div class="el-dialog__wrapper" style="display:none;" data-v-1672b810 data-v-1caecc57><div role="dialog" aria-modal="true" aria-label="dialog" class="el-dialog" style="margin-top:15vh;width:400px;"><div class="el-dialog__header"><div class="title" data-v-1672b810><div class="flex-1 flex top-content" data-v-1672b810><img src="https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png" class="dialog-icon" data-v-1672b810> <span data-v-1672b810>信息提交成功</span></div> <div class="el-dialog__close el-icon el-icon-close" data-v-1672b810></div></div><!----></div><!----><div class="el-dialog__footer"><button type="button" class="el-button button el-button--default" data-v-1672b810><!----><!----><span>暂时放弃优惠</span></button> <button type="button" class="el-button btn-light button el-button--primary" data-v-1672b810><!----><!----><span>立即享受8折</span></button></div></div></div> <!----> <!----> <!----> <!----></div></div> <div class="global-modal" data-v-11673da2><!----></div></div></div><script> window.__INITIAL_STATE__= {"csrf":"dUKVhgGh-CfhtMLo0xa6p_4CiFppJpFhA8u4","origin":"http:\u002F\u002Fwenku.csdn.net","isMobile":false,"cookie":"uuid_tt_dd=10_590701240-1714340753745-891356;","ip":"3.133.86.172","pageData":{"sourceBaseInfo":{"sourceId":88754264,"sourcesIsessence":6,"loginUsername":"","rating":0,"isWhiteListAuthor":false,"isAllowDownload":true,"blindBox":{"url":"https:\u002F\u002Fmall.csdn.net\u002Fvip?utm_source=vip_cth_xzxqy_xfc","imgUrl":"https:\u002F\u002Fimg-home.csdnimg.cn\u002Fimages\u002F20220914063810.gif"},"userIsVip":false,"previewData":{"previewList":[{"index":1,"content":"沙特国王大学学报使用深度网络进行马济达河Ahmeda，Abdul，Ridip Dev Choudhuryb，Kishore Kashyapaa印度阿萨姆邦Guwahati 14号高哈蒂大学信息技术系bKrishna Kanta Handiqui State Open University，Guwahati 22，Assam，印度阿提奇莱因福奥文章历史记录：收到2020年2020年10月13日修订2020年11月13日接受2020年11月24日网上发售保留字：深度学习卷积神经网络反向传播迁移学习Grad-CAM特征图A B S T R A C T种族是人类的一个主要身体特征，但由于缺乏种族的具体定义和全球人口的多样性，种族的识别仍然是一项具有挑战性的任务在本文中，我们试图解决的问题，种族识别的四大种族群体，即高加索人，非洲人，亚洲人和印度人。新开发的BUPT人脸识别数据集在不受限制的环境中包含约130万张图像为了测试该模型的有效性，在其他数据集（即UTK和CFD）上进行了评估。R-Net还与微调的VGG 16模型进行了比较。实验结果证明了该模型在无约束环境中的鲁棒性。最后，应用梯度加权类激活映射（Grad-CAM）来获得深度学习模型的可视化解释©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。1. 介绍一个人的脸的视觉激活三个神经刺激：性别，年龄和种族。种族作为一种主要的生物特征，其机械化识别与面部识别、性别识别和年龄检测一样重要，因为大多数安全机构如执法和情报机构现在都倾向于自动预测系统。虽然人类甚至可以在第一眼就预测比赛，但机器却不是这样。推断出一个人的软生物特征的信息肯定会增强安全系统。例如，在特定场景中，在寻找逃犯时，如果使用种族作为过滤器，则该系统将支持减少搜索空间。其他种族效应（ORE）（Yaros等人，2019年），一个众所周知的现象常见于人类，也取得了机器翻译的方式。这一事实是由著名的谷歌照片事件曝光的，当时它将两名美国非洲人标记为大猩猩。这就需要一个具有平衡种族组成的数据集，*通讯作者。电 子 邮 件 地 址 ： gmail.com （ 硕 士 ） Ahmed ） ， rdc@gauhati.ac.in（R.D.Choudhury），kk@gauhati.ac.in（K. Kashyap）。沙特国王大学负责同行审查制作和主办：Elsevier减轻种族偏见的影响。自动种族识别可以帮助在这个任务中作为一个过滤器的过程中的图像收集建立一个数据集。在过去的十年中，已经进行了许多研究，从数字图像的种族估计。Tin和Sein（2011年）以及Lu和Jain（2004年）探索了PCA和LDA等线性变换技术，用于导出种族特征。Xie等人（2012）和MansoorRoomi等人（2011）使用肤色特征对高加索人、非洲人、印度人和亚洲人进行分类。类似地，纹理和形状属性也被Saei Manesh等人用于相同的目的。（2010）、Ding等人（2013）、Muhammad等人（2012）等。（2010）仅使用眼周区域进行种族分类。虹膜还包含丰富的种族判别特征。Qiu等人（2006）和Lagree和Bowyer（2011）以及其他研究探索了虹膜属性以获得种族信息。除了这些使用手工制作特征的传统方法外，还探索了深度学习方法。Wang等人（2016）使用卷积神经网络（CNN）对中国人和非中国人进行分类，并对汉族、维吾尔族和非中国人进行亚民族分类。他们收集 了 从 多 个 来 源 收 集 的 数 据 ， 如 MORPH-II ， CMU-MultiPIE ，CASIA-WebFace ， CASIA-PEAL 和 他 们 的 私 人 中 国 图 像 收 集 。Srinivas等人（2017）还使用自行设计的数据集探索了中国人、日本人、韩国人、南亚人、菲律宾人等的亚种族分类。Narang和Bourlai（2016）研究了在夜间使用可见光和NIR波段的CNN进行种族估计，其中受试者距离为30，60，90和120米。 Vo等人（2018）将越南人和https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.jksuci.2020.11.0291319-1578\u002F©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.A. 作者声明：David D.Kashyap沙特国王大学学报4580表1使用CNN比较不同的种族分类。纸质数据集使用的图像数量（训练集）姿势\u002F表情\u002F光照\u002F年龄变化输入大小ROI类平均值精度（Narang和Bourlai，2016）自制（可见光+NIR波段，与相机的距离不同）未知未知128×128× 1面部亚洲人，白人99.04%[可见1.5 m处的条带];95.3% [30 m处的可见光（列车）、NIR（试验）]（Wang等人，（2016年）MORPH-II21，060是（限制型）64×64×1面孔非洲人，高加索人99.7%（Wang等人，（2016年）（Wang等人，（2016年）自制+CAS-PEAL+ CASIA-WebFace+ MORPH-II自制+ CASIA- WebFace+ MORPH-II2，40，000是（受约束）64×64×1面孔中国人，非中国人99.8%3，30，411是（受限）64× 64× 1面孔汉族、维吾尔族、非中国人99.7%（ Srinivas等人，（ 2017年）WEAFD 2，500是（无约束）256×256×36个ROI(Full面和部分线段）中文、日语、韩语、（菲律宾语、印度尼西亚语、马来西亚语）、（越南语、缅甸语、泰国语）33.33%（Vo等人，2018年）VNFaces 6，100是（无约束）64×64×1面孔越南人，非越南人88.64%（Mohammad和Al-Ani，2018）Feret（种族不平衡）2，730否40×160×3扩展眼部区域亚洲人、中东人、非洲人、西班牙人、高加索人百分之九十七点八三非越南人使用从Facebook收集的图像。他们总共使用了6100张图片。Mohammad和Al-Ani（2018）使用FERET数据库中的眼部区域（覆盖眼睛和鼻子）以获取种族信息。他们使用了2730张正面图像，忽略了侧面或任何非正面图像（表1）。本文尝试使用大规模数据（BUPT数据集）构建深度学习模型，与以前的工作不同，该模型不限于实验室环境，而是真实的，在姿势，表情，年龄和背景方面有很大的变化。该模型在输入网络之前使用面部标志来对齐图像。本文强调了组成深层网络的各个组件的重要性，并试图通过选择最合适的组件来优化模型。开发的模型在其他数据集上进行了测试，并与流行的预训练模型进行了比较。结果表明，该模型具有较好的生理小种识别能力，可应用于多种场合。论文的其余部分组织如下。第2节描述了所使用的数据，所使用的方法的数学背景，也提出了模型。第3节讨论了实验结果。第四是论文的结论。2. 材料和方法2.1. 数据准备2.1.1. BUPT数据集用 于 构 建 模 型 的 数 据 集 是 新 发 布 的 BUPT Equalized Face（Wang et al.，2019年）。它由北京邮电大学开发，并于2019年8月公开发布。该数据集由总共130万张具有四个不同种族的图像每个种族都有大约320K+图像的平等比例。这些照片共有28,000名名人，每个种族各有7000张。这些图像是在一个不受约束的环境中拍摄的，具有不同的表情，年龄和姿势，从中度到高度的偏航和滚动角度。图1分别显示了来自BUPT的每个类别的样本。在其上进行实验的平台具有如表2中所述的配置。的资源限制，平台限制了整个数据集用于实验。因此，数据集被下采样以适应平台的容量。总共选择400，000张图像进行训练，每类100，000张图像，而32，000张图像用于验证，每类8，000张图像测试集由8，000张图像组成图像被选择为使得集合是不相交的，也就是说，没有集合共享相同主题的图像。2.1.2. 用于评价的除了在BUPT集上测试模型外，还使用其他数据集来评估模型。两个数据集，即芝加哥人脸数据库（CFD）（Ma等人， 2015）和UTK面部数据集（Song和Zhang），具有不同种族起源的样本。这些数据集的一些样本如图2所示。我们提出的方法的流程如图所示。3.第三章。2.1.3. 数据预处理由于图像显示的姿态范围很广，因此需要进行预处理以确保它们之间的一致性，以提高模型的性能。该模块负责以下任务：1) 人脸检测和对齐，2) 图片来源：3) RGB到灰度转换，4) 均值中心化，5) 将值归一化到范围[0，1]。虽然步骤4和步骤5是非常明显的，步骤1-3的细节描述如下。图像经过Ahmed和Choudhury（2019）中的2D对齐过程，详细说明如下：a) 根据Kazemi和Sullivan（2014）使用dlib（King，2009）检测面部标志。估计通过双眼的线与水平线所形成的角度b) 图像围绕眼睛中心旋转步骤a中计算的角度。M.A. 作者声明：David D.Kashyap沙特国王大学学报4581×Fig. 1. 每个类的BUPT数据集的样本图像。图二. 来自UTK面部和CFD数据集的样本图像。表2使用系统配置处理器Intel Core i5- 8300 H逻辑处理器数量处理器速度2.30 GHz物理内存8 GB共享GPU Intel UHD Graphics 630专用GPU NVIDIA GeForce GTX 1050 Ti专用GPU内存4 GBc) 然后，在面部区域周围裁剪目标图像，使得眼睛出现在距离边缘总宽度的32%和距离顶部高度的38%的距离处。然后将所得图像调整为40 - 40的大小，并转换为灰度（图1）。 4）.d) 当遵循上述过程时，具有较高偏航的面在下部基本上被裁剪。 为了纠正他们，下巴也被认为是，使它出现在框架内（图。5）。M.A. 作者声明：David D.Kashyap沙特国王大学学报4582布ð Þ ¼Pb我我我i¼1i我NBi¼1i- -以下是预处理的伪代码：方法预处理输入：image，target_size输出：对齐图像function preProcess（image，target_size）Begin：步骤一曰：找到68面部第二步：A =通过眼睛的直线与水平线的夹角第三步：围绕眼睛中心旋转图像A第四步：裁剪面部调整比例，使左眼和下巴出现在描述中第5步：调整裁剪图像的大小结束步骤6：返回旋转，裁剪和调整大小的图像2.2. 卷积神经网络我们使用CNN（s）进行实验。种族识别的任务可以被认为是一个N路分类问题，N = 4（高加索人、非洲人、亚洲人和印度人）用于BUPT数据集。卷积层通过具有核的卷积操作来提取特征。卷积之后是非线性激活;其示例包括sigmoid、tanh和整流线性单元（ReLU）。（1）图四、（a）具有标志的原始图像;红点是眼睛Ioffe和Szegedy（2015）引入了批量归一化（BN），它将层输出归一化为零均值和单位方差。创作者展示了BN在加速训练过程中的有效性。如果对于小批量b，x是BN层的输入激活，则归一化的输出激活xi由以下等式给出：X Lbxi¼qr2s4其中，elb和rb分别是b的均值和方差。每个人都分别。sigmoid z11e-zð1Þ由一系列这些卷积层提取的特征被馈送到充当分类器组件的全连接（FC）层，其中前一层的每个节点都连接到下一层的每个其他节点不像卷积，每-丹兹ez-e-z在输入的局部2D区域形成，FC层在整个2ð Þ ¼ezþe-zð Þreluzmax0;z3输入量。FC层还包括非线性，匹配输入信号。DropOut（DO）通常用作正则化技术，其以概率p断开随机节点从前一层到下一层的连接。这种连接的丢弃用作对抗过拟合的措施。对于多类分类，最终FC层的输出是每个样本的分数（softmax激活）。Softmax是一个函数，它接受大小为C的输入向量z，并输出相应后验概率的相同大小的向量。如果C是类别数，则softmax值表示样本属于每个类别的概率。softmax的方程在（5）中给出softmax zezi12C和z zz z5联系我们第1页ezj 8¼;; ···;1\u002F4;2; ···C反向传播训练的目的是找到最佳的参数值，使模型对训练样本的输出尽可能接近其地面真理;换句话说，它们的损失最小化。多类交叉熵损失（f）函数用于计算每个时期发生的损失。 当量(6)给出了单个样本xi的交叉熵损失方程，其中C是类的总数，y，y分别是其基础真值和预测概率。基本事实是标签的独热编码。对于一批（7）计算总损失。l¼XC 伊洛湾2016年6月f¼1XN L图三. 建议方法的基本工作流程。ð7ÞM.A. 作者声明：David D.Kashyap沙特国王大学学报4583@hxiRrRK-sqrtqk- -K1\u002F4吨kn1\u002F1G@J图五. a）具有面部标志的原始图像（高偏航）; b）对准（步骤c）; c）对准（步骤d）。通过梯度下降方法找到使损失最小化的参数。从初始值开始，梯度下降在梯度的负方向上更新参数值，这确保新的损失值低于先前值（Zhang等人，n.d. ）.通过几次迭代重复这个更新过程，损失函数达到其最小值。设rfivl@f为损失函数evalu的梯度值V k1-bV k1-bfk 其中b是权重，fk 是kth梯度值此外，更新学习率g，随着时间的推移逐渐减少，收敛速度更快自适应学习算法结合了这种自动学习率衰减技术。均方根传播（RMS prop）（Andrew Ng，n. d. ）是一种自适应学习算法，其中通过使用梯度平方的移动平均值来更新模型参数。2在采样点xi处，则等式（8）给出第k次更新，模型参数h.ent，qk;由qk\u003C$bqk-11-brfk给出，其中b为重量和fk是第k个梯度值。参数更新方程变为h ¼h-g1Xn Rfð8Þ其中g是学习率，n是小批量中训练样本的数量随机梯度下降（SGD）是梯度下降的更新版本，其中，而不是精确的梯度，使用梯度的噪声估计。SGD通过计算每个数据样本的梯度估计来当量（8）减少到（9）当使用SGD时，其给出样本xi的第k次更新。hkhk-1-sqrtq@h10自适应矩估计（Adam）（Kingma和Ba，2014）也是一种自适应学习算法，其中学习率随着每次迭代而变化。Adam可以被看作是两种优化技术的混合体，即Momentum和RMSprop。亚当的更新方程由下式给出：hk¼ h K-1 -grfikð9Þhk1-gV k11虽然SGD应在每次列车其中，q是移动平均值的偏差校正项，样本，但参数更新是用小批量完成的，以固定kq过程Momentum（Qian，1999）被合并到SGD中以加快收敛。在动量中，梯度值被它第k个梯度的平方，由qk\u003C$1kt给出，其中t是电流数据和Vk是移动平均值的偏差校正项，由VVk给出的梯度 .1-B见图6。CNN模型。K-1我M.A. 作者声明：David D.Kashyap沙特国王大学学报45842q-出来B¼ þ128@J斯格雷特·格洛克××我1ijIJIJ2反向传播的伪代码是：方法反向传播输入：训练集（Tr），验证集（V），随机权重的R-NetTr：{m1，m2，...}其中mi是大小为128输出：训练的R-Net函数反向传播（Tr，V，R-Net）{对于m2 Tr doJ¼0对于xi m dox相对较大的过滤器。核是从区间上的均匀分布初始化的[l，l]，其中l6和þin和out是权重张量中输入和输出单元的数量。图6显示了R-Net的图形表示。FC层中包含40%的DO，而在第五卷积层中添加10%的最小DO以避免过拟合。可训练参数的总数为8，407，254。用于训练和测试的伪代码是：#培训输入：训练集（Tr），验证集（V）输出：训练的R-Net模型步骤yi = forward_propagate（R-Net）（xi）#计算损失（li）步骤2：对于img2（Tr[V]），l¼P4 ylog.其中，byx的标签。preProcess（img，（40，40））端第三步：因为i从1到40J.J.L.i端J¼1×J#更新模型参数（h）rf¼@hVk¼bVk-11-brf k#rf的移动平均值;qk\u003C$bqk-11-brfk #移动平均值的平方rf;反向传播（Tr，V，R）端测试次数输入：test_image输出：种族标签步骤1：t = preProcess（test_image，（40，40））步骤2：y_scores = R（t）第三步：race_label = argmax（y_scores）hk1-GVk#Adam优化带V端的}2.3. R-Net：提出的CNN架构所提出的模型是一个简单的体系结构，共包括九层。前六层是卷积层，而最后三层是具有1000、500和4个节点的FC层。CNN的输入是4040灰度图像。第一层从输入中提取20个特征。所有的激活都是双态的。第3.1.1节讨论了激活的选择。第一层的输出用批量归一化进行归一化。受VGG的启发，在后续层中提取的特征逐渐增加。在第二层中有40个特征，在第三层中有50个，在其他三层中有64个。卷积层5和6通过采用卷积步长2将大小缩小到一半。在卷积层中不使用填充，这也有助于减小输入体积的大小内核大小被选择为3 3，这是受到Simonyan和Zisserman（2015）的启发，因为具有较小滤波器的卷积层实际上比具有较小滤波器的单层涉及更少的参数。表3模型见图7。使用不同的优化器训练模型的损失。激活函数训练集验证集见图8。 训练损失\u002F准确度与时期曲线。名称损失准确度（%）准确度（%）损失准确度（%）ReLU初始0.30688.70.2591经过40个纪元0.05698.20.2294.72乙状初始0.82820.3287经过40个纪元0.01599.40.2894.4Tanh初始0.446383.90.323088.7经过40个纪元0.502081.40.380285.9M.A. 作者声明：David D.Kashyap沙特国王大学学报45852 22表4R-Net与BUPT上评估的其他方法的比较2.4. 时间复杂根据He和Sun（2015）的卷积层贡献的时间复杂度为：是输出特征图的大小。时间复杂度为 O （ n4 ），时间复杂度为O（n2）。对于R-Net模型，根据（12），6个卷积层的总（测试）时间复杂度为：O.XDnl-1：s2：nl：m2ð12Þ= O（1×32×20×（n-2）2）+ O（20×32×40×（n -4）2）40×3 ×50×100× 100 × 100 ×100 ×6422ll苏ICP备05000000号-1电话：+8621 8888 8888 ×64×n-10=22 7其中d是卷积层的总数，nl是第l层中的滤波器的数量，sl是滤波器的大小，ml1000×1000×64×n-12= 4 6： 99×10运算：M.A. 作者声明：David D.Kashyap沙特国王大学学报4586.Σ6图9.第九条。错误分类的BUPT样本示例见图10。 视觉解释（Grad-CAM）。此外，训练阶段的时间复杂度是测试阶段的三倍（He和Sun，2015），因为它包括前向和后向传播。上述复杂度估计不包括批量归一化的复杂度。对于FC层，前向传递由前一层的权重和激活的矩阵乘法组成，然后通过激活函数传播。对于单个实例，R-Net的测试时间复杂度为：= O（1000× 3136）+O（500× 1000）+O（4× 500）\u003C$3.63× 106次运算。在反向传播过程中，对于单个实例起作用的基本方程是：dz½l]\u003C$da½l]ωg0½l]。z½l]13dw½ l]\u003C$dz½l]。A½l-1]14db\u003C$l]\u003C$dz\u003C$l]15dal-1½w½l]Tdzl16其中，da[l]、dw[l]、db[l]、dz[l]是损耗相对于激活、权重、偏置和网络输出的偏导数，g[l]是激活函数，A[l]是激活向量，全部用于第l层。对于R-Net，总反向传播时间复杂度为：= O（3136× 1000 + 1000× 1 + 1000× 3136 + 1 +500× 4þ500× 1þ 500× 1000þ 1þ 1þ 4× 3þ 1Þ2016年：7×10次手术db[l]的复杂度是常数时间，并且上述表达式不包括激活函数所涉及的复杂度。对于具有n个epoch的M个训练样本，上述复杂度扩展到M× n倍。M.A. 作者声明：David D.Kashyap沙特国王大学学报45873. 结果和讨论进行的实验如下。在Python环境中使用TensorFlow后端可以促进GPU上的加速执行3.1. 实验1：BUPT数据集上的拟议模型该模型在BUPT测试集上进行训练和评估3.1.1. 训练和验证激活函数和优化方法是CNN模型的基本组成部分，也影响模型进行实验以选择合适的候选者。激活函数表3显示了使用Adam作为优化算法时模型很明显（表3），在完成定义数量的epoch后，在sigmoid激活的情况下，列车损失小于ReLU或tanh。因此，选择sigmoid作为模型。优化器的选择该模型的性能也进行了分析和比较，为三个不同的优化，即（i）SGD，（ii）RMSprop和（iii）亚当。Momentum被纳入SGD，（初始）对于所有三个优化器，学习率被设置为0.01。最小批量大小固定为128。从图7中可以看出，Adam在降低列车损失方面对我们的模型工作得更快。亚当被选为优化者。使用sigmoid激活和Adam，该模型被训练了40个epoch。图8示出了在 训 练 期 间贯 穿 时 期 的 训 练 集丢 失 （ train_loss ） 和 验 证 集丢 失（ val_loss ） 的 转 变 。 该 模 型 在 40 个 epoch 后 的 训 练 集 准 确 率 为99.44%，验证集准确率为94.4%。 虽然验证损失趋于上升，但其仍包含在0.28（表3）。3.1.2. 测试该模型在BUPT测试集上进行评估时，平均准确率可所有类的查准率和查全率都在0.95以上，这表明模型对所有类都是无偏学习的。模型性能的详细总结见表4。3%的误差，图。 9描述了一些错误分类的样本。3.1.3. 使用Grad-CAM进行梯度加权类激活映射（Grad-CAM）使用分类网络中的任何目标概念的梯度，流入最终卷积层，以产生粗略的局部化图，突出显示图像中的重要区域，用于预测概念（Selvaraju等人，2020年）。Grad-CAM已经实现，以便对我们的CNN进行可视化解释（图10）。图11显示了使用Grad-CAM后的输出示例。 虽然在模型中使用了灰度图像，但是为了清晰的可视化，已经给出了彩色图像作为输入。如Grad-CAM所示，眼周和下巴区域似乎很重要用于种族识别的区域。3.1.4. 过滤器和特征图过滤器的可视化给出了网络如何学习的想法。特征图还提供了CNN检测到的 图图12和图13示出了过滤器及其图十一岁使用Grad-CAM对亚洲人（a）、非洲人（d）、高加索人（g）和印度人（j）面部图像进行可视化预处理后的面部图像[a，d，g，j];产生的热图[b，e，h，k];将热图透明地覆盖在面部图像上[c，f，i，l] 第一卷积层中的滤波器。M.A. 作者声明：David D.Kashyap沙特国王大学学报4588~图十三.第一卷积层的特征图。精度召回f1得分考卡0.940.780.85非洲0.970.900.93亚洲0.460.940.61精度0.85见图14。 CFD测试统计表5R-Net模型在不同年龄段的表现。14981精度召回精度召回精度召回精度召回高加索0.770.740.950.810.940.900.880.88非洲0.250.760.351.000.400.930.600.75亚洲0.800.880.800.910.760.810.560.45印度0.790.300.650.480.770.570.230.27Avg. 精度百分之七十一百分之七十九百分之八十四百分之七十六R-Net的第一卷积层的对应特征图可以看出，第一层提取了轮廓形状和整体纹理等过程特征3.2. 实验2：在其他数据集3.2.1. 芝加哥人脸数据库（CFD）CFD数据集是属于不同种族群体的男性和女性面部的集合，例如高加索人、非洲人、亚洲人和拉丁美洲人。芝加哥消防局没有来自印度的样本。这些图像在统一的白色背景上展示了不同表情的正面姿势。R-Net的性能如图所示。 十四岁3.2.2. UTK数据集与CFD不同的是，它由20-30岁的受试者样本组成由于图像是从互联网上收集的，因此它们显示了不同的姿势、表情和照明条件，而不是像CFD那样处于受约束的均匀环境中。我们用不同的年龄组来检验我们的模型。我们按照1-3岁、4-8岁、9-80岁和81-110岁的年龄组划分UTK集表5显示了该模型分析表5中的值，可以得到以下观察结果：M.A. 作者声明：David D.Kashyap沙特国王大学学报4589表6使用预训练的VGG16进行比赛分类。特定类别的性能VGG16（ImageNet）VGG16（VGGFace）精度召回精度召回高加索0.760.850.760.72非洲0.770.830.790.85亚洲0.840.900.820.82印度0.86总体业绩（%）0.630.790.77列车接入90.3491.23确认访问75.571.63测试访问8079图15. (a)VGG16卷积神经网络示意图（改编自Manikonda和Gaonkar，2019），（b）微调VGG16卷积神经网络示意图。图16. (a)VGG16的ROC曲线（ImageNet），（b）VGG16的ROC曲线（VGGFace）[0类ROC =高加索人Vs其他人，1类ROC =非洲人Vs其他人，2类ROC =亚洲人Vs其他人，3类ROC =印度人Vs其他人]a) 模型对高加索人和亚洲人类具有公平的性能。b) 模型对所有年龄组的印度类样本具有相对较弱的召回值。c) 模型d) 该模型在9-80岁年龄组中表现最好这是很自然的，因为这一群体的种族识别甚至对人类来说都是困难的。3.3. 实验3：迁移学习迁移学习意味着使用预先训练好的模型的全部或一部分来完成新的分类任务。迁移学习是M.A. 作者声明：David D.Kashyap沙特国王大学学报4590×采用三种不同的方式：（i）使用完整的训练模型（ii）微调和（iii）特征提取。对于该实验，使用微调方法微调是指FC层被截断并且附加新的FC层集合的过程。然后在当前数据集上重新训练改变的模型，保持卷积层的权重在这里，流行的VGG16（Simonyan和Zisserman，2015）模型在BUPT上进行了微调（见图15）。VGG16有一系列卷积层和最大池层，然后是3个FC层，总共16层。在我们的实验中，VGG 16在两个版本中用作基础模型; VGG 16在(i)ImageNet数据和（ii）VGGFace数据。ImageNet（Deng等人，2009）是具有从动物、鸟类到计算机键盘的1000个不同类别的数百万大小的大型数据集。VGGFace（Parkhi等人，2015），另一方面，仅包括属于互联网电影数据库的不同主题的面部图像。它的大小约为2.6M，由牛津大学视觉几何小组开发。在微调的VGG 16模型中，有两个FC层，500和4个节点。ReLU和softmax相应地用作激活。交叉熵损失和亚当分别是损失函数和优化器。由于我们系统的计算限制，我们总共使用了32，000张图像，其中BUPT集的每类8，000张图像用于重新训练模型。使用这些预训练模型的种族分类结果在表6中给出。R-Net的平均准确率为97%，似乎是比微调的VGG 16模型更好的种族分类选择。 微调VGG16（ImageNet）和VGG16（VGGFace）的ROC曲线如图16所示。4. 结论种族本身对人类来说是一个定义不清的概念，对机器识别来说是一项艰巨的任务更重要的是，混血人口的增长正在进一步缩小边界。因此，训练样本的选择将最终决定模型在实际应用中的性能，具有重要意义本文提出了一种CNN模型，用于在无约束环境中从低分辨率（40 - 40）灰度图像中进行种族识别。开发的模型可以用于现实生活中的情况下，图像或可以集成在视频中的不同应用。通过在不同数据集上的测试以及与预训练模型的比较，验证了模型的有效性。通过使用高分辨率彩色图像作为输入，预计将进一步改进。资金这项工作得到了高哈蒂大学提供的TEQIP-III资金的支持。作者贡献这项工作由Mazida Akhtara Ahmed在Ridip Dev Choudhury博士的监督下进行。Kishore Kashyap先生提供了技术指导和支持。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Ahmed，文学硕士，Choudhury，R. D.，2019.从面部图像进行性别分类。国际工程高级技术杂志9,6217-6223.https:\u002F\u002Fdoi.org\u002F10.35940\u002Fijeat.A1874.109119网站。Andrew Ng，n.d.改进深度神经网络：超参数调整，正则化和优化。丁，H.，黄，D.，王玉，Chen，L.，中国地质大学，2013.基于局部纹理和形状描述的人脸 种 族 分 类 。 In ： 2013 10th IEEE Int. Conf. Work. 自 动 。 Face GestureRecognition，FG 2013，pp. 1-6. https:\u002F\u002Fdoi.org\u002F10.1109\u002FFG.2013.6553815。他，K.，孙，J.，2015.时间受限的卷积神经网络。In：Proc. IEEE Conf. Comput.目视模式识别，pp. 5353-5360. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2015.7299173。Ioffe，S.，塞格迪角，澳-地2015年。 批量归一化：通过减少内部协变量偏移来加速深度网络训练。在：第32届机器学习国际会议论文集，pp。 448- 456邓，贾，董，魏，索赫尔，R.，李丽佳，李凯，李飞飞，2009年。ImageNet：一个大规模的 分 层 图 像 数 据 库 .IEEE 计 算 机 视 觉 与 模 式 识 别 会 议 。 IEEE ， pp. 248-255.https:\u002F\u002Fdoi.org\u002F10.1109\u002Fcvprw.2009.5206848.Kazemi，V.，Sullivan，J.，2014.一毫秒人脸对齐与回归树的集合。在：IEEE计算机协会 计 算 机 视 觉 和 模 式 识 别 会 议 论 文 集 ， pp 。 1867-1874.https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2014.241。King，D.E.，2009. Dlib-ml：机器学习工具包。J·马赫。学习. Res. 10，1755- 1758.金玛，D.P.，Ba，J.L.，2014. Adam：随机最佳化的方法。第三届国际学习表征会议论文集，ICLR 2015。Lagree，S.，Bowyer，K.W.，2011年。基于虹膜纹理特征的种族预测输入：程序第22届中西部Artiff。内特尔科根Sci. Conf. 2011年，第页 225- 230卢，X.，贾恩，A.K.，2004. \u003Ctitle\u003E从人脸图像中识别种族\u002Ftitle\u003E。在：SPIE的程序，pp。114-123 https:\u002F\u002Fdoi.org\u002F10.1117\u002F12.542847网站。莱尔J.R.米勒体育Pundlik，S.J.，伍达德，D.L.，2010年。使用局部外观眼周区域特征的软生物特征第四届IEEE生物识别国际会议：理论，应用和系统（BTAS），pp。1-7.https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patcog.2012.04.027网站。妈D.S.Correll，J.，Wittenbrink，B.，2015年。芝加哥人脸数据库：一个免费的人脸刺激 集 和 标 准 化 数 据 。 行 为 举 止 。 Res. Methods 47 ， 1122-1135 。 网 址 ： \u002F\u002Fdoi.org\u002F10.3758\u002Fs13428-014-0532-5。Manikonda，S.K.G.，Gaonkar，D. N.，2019.提出了一种基于VGG16网络的迁移学习孤岛检测方法。第一届IEEE可持续能源技术和系统国际会议，ICSETS 2019。IEEE，pp. 109-114. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICSETS.2019.8744778网站。Mansoor Roomi，S.M.，Virasundarii，S.L.，Selvamegala，S.，Jeevanandham，S.，Hariharasudhan，D.，2011.基于面部特征的种族分类。在：3rd Natl.确认补偿视觉 ， 模 式 识 别 ， 图 像 处 理 .Graph.NCVPRIPG2011 ， pp.54-57.https:\u002F\u002Fdoi.org\u002F10.1109\u002FNCVPRIPG.2011.19网站。Mohammad，A.S.，Al-Ani，J.A.，2018.卷积神经网络用于移动环境下基于眼区的种族分类。在：2018年第10届计算机科学和电子工程会议，CEEC 2018 -会议记录。IEEE，pp.293-298. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCEEC.2018.8674194网站。Muhammad，G.，侯赛因，M.，Alenezy，F.，Bebis，G.，米尔扎，上午，Alsamh，H.，2012.基于局部描述符的人脸图像种族分类。Int. J. Artif.内特尔Tools 21，11-13.https:\u002F\u002Fdoi.org\u002F10.1142\u002FS0218213012500194网站。Narang，N.，Bourlai，T.，2016年。在异质人脸识别中使用深度学习进行性别和种族 分 类 在 ： 2016 年 国 际 会 议 上 生 物 识 别 ICB ， pp.1-8.https:\u002F\u002Fdoi.org\u002F10.1109\u002FICB.2016.7550082网站。帕克希，O.M.，维达尔迪，A.，齐瑟曼，A.，2015年。深度面部识别在：英国机器视觉会议（BMVC），pp。41.1-41.12. 网址：\u002F\u002Fdoi. org\u002F10.5244\u002Fc.29.41。Qian，N.，1999.梯度下降学习算法中的动量项。Neural Networks 12，145-151.https：\u002F\u002Fdoi.org\u002F10.1016\u002FS0893-6080（98）00116-6.邱，X.，太阳，Z.，Tan，T.，2006.用于种族分类的虹膜图像全局纹理分析。在：国际会议上生物识别，页。411-418.网址：\u002F\u002Fdoi.org\u002F10.1007\u002F11608288_55网站。Saei Manesh，F.，Ghahramani，M.，Tan，Y.P.，2010.面部部分位移对基于模板的性别和种族分类的影响。第11届国际会议控制。自动机器人Vision，ICARV2010，pp.1644-1649. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICARCV.2010.5707882。Selvaraju，R.R.，Cogswell，M.，达斯，A.，韦丹塔姆河，帕里克，D.，巴特拉，D.，2020. Grad-CAM：通过基于梯度的定位从深度网络进行视觉解释。国际计算机视觉，336-359。https:\u002F\u002Fdoi.org\u002F10.1007\u002F"}],"previewType":2,"briefIntroduction":"沙特国王大学学报使用深度网络进行马济达河Ahmeda，Abdul，Ridip Dev Choudhuryb，Kishore Kashyapaa印度阿萨姆邦Guwahati 14号高哈蒂大学信息技术系bKrishna Kanta Handiqui State Open University，Guwahati 22，Assam，印度阿提奇莱因福奥文章历史记录：收到2020年2020年10月13日修订2020年11月13日接受2020年11月24日网上发售保留字：深度学习卷积神经网络反向传播迁移学习Grad-CAM特征图A B S T R A C T种族是人类的一个主要身体特征，但由于缺乏种族的具体定义和全球人口的多样性，种族的识别仍然是一项具有挑战性的任务在本文中，我们试图解决的问题，种族识别的四大种族群体，即高加索人，非洲人，亚洲人和印度人。新开发的BUPT人脸识别数据集在不受限制的环境中包含约130万张图像为了测试该模型的有效性，在其他数据集（即UTK和CFD）上进行了评估。R-Net还与微调的VGG 16模型进行了比较。实验结果证明了该模型在无约束环境中的鲁棒性。最后，应用梯度加权类激活映射（Grad-CAM）来获得深度学习模型的可视化解释©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。1. 介绍一个人的脸的视觉激活三个神经刺激：性别，年龄和种族。种族作为一种主要的生物特征，其机械化识别与面部识别、性别识别和年龄检测一样重要，因为大多数安全机构如执法和情报机构现在都倾向于自动预测系统。虽然人类甚至可以在第一眼就预测比赛，但机器却不是这样。推断出一个人的软生物特征的信息肯定会增强安全系统。例如，在特定场景中，在寻找逃犯时，如果使用种族作为过滤器，则该系统将支持减少搜索空间。其他种族效应（ORE）（Yaros等人，2019年），一个众所周知的现象常见于人类，也取得了机器翻译的方式。这一事实是由著名的谷歌照片事件曝光的，当时它将两名美国非洲人标记为大猩猩。这就需要一个具有平衡种族组成的数据集，*通讯作者。电 子 邮 件 地 址 ： gmail.com （ 硕 士 ） Ahmed ） ， rdc@gauhati.ac.in（R.D.Choudhury），kk@gauhati.ac.in（K. Kashyap）。沙特国王大学负责同行审查制作和主办：Elsevier减轻种族偏见的影响。自动种族识别可以帮助在这个任务中作为一个过滤器的过程中的图像收集建立一个数据集。在过去的十年中，已经进行了许多研究，从数字图像的种族估计。Tin和Sein（2011年）以及Lu和Jain（2004年）探索了PCA和LDA等线性变换技术，用于导出种族特征。Xie等人（2012）和MansoorRoomi等人（2011）使用肤色特征对高加索人、非洲人、印度人和亚洲人进行分类。类似地，纹理和形状属性也被Saei Manesh等人用于相同的目的。（2010）、Ding等人（2013）、Muhammad等人（2012）等。（2010）仅使用眼周区域进行种族分类。虹膜还包含丰富的种族判别特征。Qiu等人（2006）和Lagree和Bowyer（2011）以及其他研究探索了虹膜属性以获得种族信息。除了这些使用手工制作特征的传统方法外，还探索了深度学习方法。Wang等人（2016）使用卷积神经网络（CNN）对中国人和非中国人进行分类，并对汉族、维吾尔族和非中国人进行亚民族分类。他们收集 了 从 多 个 来 源 收 集 的 数 据 ， 如 MORPH-II ， CMU-MultiPIE ，CASIA-WebFace ， CASIA-PEAL 和 他 们 的 私 人 中 国 图 像 收 集 。Srinivas等人（2017）还使用自行设计的数据集探索了中国人、日本人、韩国人、南亚人、菲律宾人等的亚种族分类。Narang和Bourlai（2016）研究了在夜间使用可见光和NIR波段的CNN进行种族估计，其中受试者距离为30，60，90和120米。 Vo等人（2018）将越南人和https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.jksuci.2020.11.0291319-1578\u002F©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.A. 作者声明：David D.Kashyap沙特国王大学学报4580表1使用CNN比较不同的种族分类。纸质数据集使用的图像数量（训练集）姿势\u002F表情\u002F光照\u002F年龄变化输入大小ROI类平均值精度（Narang和Bourlai，2016）自制（可见光+NIR波段，与相机的距离不同）未知未知128×128× 1面部亚洲人，白人99.04%[可见1.5 m处的条带];95.3% [30 m处的可见光（列车）、NIR（试验）]（Wang等人，（2016年）MORPH-II21，060是（限制型）64×64×1面孔非洲人，高加索人99.7%（Wang等人，（2016年）（Wang等人，（2016年）自制+CAS-PEAL+ CASIA-WebFace+ MORPH-II自制+ CASIA- WebFace+ MORPH-II2，40，000是（受约束）64×64×1面孔中国人，非中国人99.8%3，30，411是（受限）64× 64× 1面孔汉族、维吾尔族、非中国人99.7%（ Srinivas等人，（ 2017年）WEAFD 2，500是（无约束）256×256×36个ROI(Full面和部分线段）中文、日语、韩语、（菲律宾语、印度尼西亚语、马来西亚语）、（越南语、缅甸语、泰国语）33.33%（Vo等人，2018年）VNFaces 6，100是（无约束）64×64×1面孔越南人，非越南人88.64%（Mohammad和Al-Ani，2018）Feret（种族不平衡）2，730否40×160×3扩展眼部区域亚洲人、中东人、非洲人、西班牙人、高加索人百分之九十七点八三非越南人使用从Facebook收集的图像。他们总共使用了6100张图片。Mohammad和Al-Ani（2018）使用FERET数据库中的眼部区域（覆盖眼睛和鼻子）以获取种族信息。他们使用了2730张正面图像，忽略了侧面或任何非正面图像（表1）。本文尝试使用大规模数据（BUPT数据集）构建深度学习模型，与以前的工作不同，该模型不限于实验室环境，而是真实的，在姿势，表情，年龄和背景方面有很大的变化。该模型在输入网络之前使用面部标志来对齐图像。本文强调了组成深层网络的各个组件的重要性，并试图通过选择最合适的组件来优化模型。开发的模型在其他数据集上进行了测试，并与流行的预训练模型进行了比较。结果表明，该模型具有较好的生理小种识别能力，可应用于多种场合。论文的其余部分组织如下。第2节描述了所使用的数据，所使用的方法的数学背景，也提出了模型。第3节讨论了实验结果。第四是论文的结论。2. 材料和方法2.1. 数据准备2.1.1. BUPT数据集用 于 构 建 模 型 的 数 据 集 是 新 发 布 的 BUPT Equalized Face（Wang et al.，2019年）。它由北京邮电大学开发，并于2019年8月公开发布。该数据集由总共130万张具有四个不同种族的图像每个种族都有大约320K+图像的平等比例。这些照片共有28,000名名人，每个种族各有7000张。这些图像是在一个不受约束的环境中拍摄的，具有不同的表情，年龄和姿势，从中度到高度的偏航和滚动角度。图1分别显示了来自BUPT的每个类别的样本。在其上进行实验的平台具有如表2中所述的配置。的资源限制，平台限制了整个数据集用于实验。因此，数据集被下采样以适应平台的容量。总共选择400，000张图像进行训练，每类100，000张图像，而32，000张图像用于验证，每类8，000张图像测试集由8，000张图像组成图像被选择为使得集合是不相交的，也就是说，没有集合共享相同主题的图像。2.1.2. 用于评价的除了在BUPT集上测试模型外，还使用其他数据集来评估模型。两个数据集，即芝加哥人脸数据库（CFD）（Ma等人， 2015）和UTK面部数据集（Song和Zhang），具有不同种族起源的样本。这些数据集的一些样本如图2所示。我们提出的方法的流程如图所示。3.第三章。2.1.3. 数据预处理由于图像显示的姿态范围很广，因此需要进行预处理以确保它们之间的一致性，以提高模型的性能。该模块负责以下任务：1) 人脸检测和对齐，2) 图片来源：3) RGB到灰度转换，4) 均值中心化，5) 将值归一化到范围[0，1]。虽然步骤4和步骤5是非常明显的，步骤1-3的细节描述如下。图像经过Ahmed和Choudhury（2019）中的2D对齐过程，详细说明如下：a) 根据Kazemi和Sullivan（2014）使用dlib（King，2009）检测面部标志。估计通过双眼的线与水平线所形成的角度b) 图像围绕眼睛中心旋转步骤a中计算的角度。M.A. 作者声明：David D.Kashyap沙特国王大学学报4581×Fig. 1. 每个类的BUPT数据集的样本图像。图二. 来自UTK面部和CFD数据集的样本图像。表2使用系统配置处理器Intel Core i5- 8300 H逻辑处理器数量处理器速度2.30 GHz物理内存8 GB共享GPU Intel UHD Graphics 630专用GPU NVIDIA GeForce GTX 1050 Ti专用GPU内存4 GBc) 然后，在面部区域周围裁剪目标图像，使得眼睛出现在距离边缘总宽度的32%和距离顶部高度的38%的距离处。然后将所得图像调整为40 - 40的大小，并转换为灰度（图1）。 4）.d) 当遵循上述过程时，具有较高偏航的面在下部基本上被裁剪。 为了纠正他们，下巴也被认为是，使它出现在框架内（图。5）。M.A. 作者声明：David D.Kashyap沙特国王大学学报4582布ð Þ ¼Pb我我我i¼1i我NBi¼1i- -以下是预处理的伪代码：方法预处理输入：image，target_size输出：对齐图像function preProcess（image，target_size）Begin：步骤一曰：找到68面部第二步：A =通过眼睛的直线与水平线的夹角第三步：围绕眼睛中心旋转图像A第四步：裁剪面部调整比例，使左眼和下巴出现在描述中第5步：调整裁剪图像的大小结束步骤6：返回旋转，裁剪和调整大小的图像2.2. 卷积神经网络我们使用CNN（s）进行实验。种族识别的任务可以被认为是一个N路分类问题，N = 4（高加索人、非洲人、亚洲人和印度人）用于BUPT数据集。卷积层通过具有核的卷积操作来提取特征。卷积之后是非线性激活;其示例包括sigmoid、tanh和整流线性单元（ReLU）。（1）图四、（a）具有标志的原始图像;红点是眼睛Ioffe和Szegedy（2015）引入了批量归一化（BN），它将层输出归一化为零均值和单位方差。创作者展示了BN在加速训练过程中的有效性。如果对于小批量b，x是BN层的输入激活，则归一化的输出激活xi由以下等式给出：X Lbxi¼qr2s4其中，elb和rb分别是b的均值和方差。每个人都分别。sigmoid z11e-zð1Þ由一系列这些卷积层提取的特征被馈送到充当分类器组件的全连接（FC）层，其中前一层的每个节点都连接到下一层的每个其他节点不像卷积，每-丹兹ez-e-z在输入的局部2D区域形成，FC层在整个2ð Þ ¼ezþe-zð Þreluzmax0;z3输入量。FC层还包括非线性，匹配输入信号。DropOut（DO）通常用作正则化技术，其以概率p断开随机节点从前一层到下一层的连接。这种连接的丢弃用作对抗过拟合的措施。对于多类分类，最终FC层的输出是每个样本的分数（softmax激活）。Softmax是一个函数，它接受大小为C的输入向量z，并输出相应后验概率的相同大小的向量。如果C是类别数，则softmax值表示样本属于每个类别的概率。softmax的方程在（5）中给出softmax zezi12C和z zz z5联系我们第1页ezj 8¼;; ···;1\u002F4;2; ···C反向传播训练的目的是找到最佳的参数值，使模型对训练样本的输出尽可能接近其地面真理;换句话说，它们的损失最小化。多类交叉熵损失（f）函数用于计算每个时期发生的损失。 当量(6)给出了单个样本xi的交叉熵损失方程，其中C是类的总数，y，y分别是其基础真值和预测概率。基本事实是标签的独热编码。对于一批（7）计算总损失。l¼XC 伊洛湾2016年6月f¼1XN L图三. 建议方法的基本工作流程。ð7ÞM.A. 作者声明：David D.Kashyap沙特国王大学学报4583@hxiRrRK-sqrtqk- -K1\u002F4吨kn1\u002F1G@J图五. a）具有面部标志的原始图像（高偏航）; b）对准（步骤c）; c）对准（步骤d）。通过梯度下降方法找到使损失最小化的参数。从初始值开始，梯度下降在梯度的负方向上更新参数值，这确保新的损失值低于先前值（Zhang等人，n.d. ）.通过几次迭代重复这个更新过程，损失函数达到其最小值。设rfivl@f为损失函数evalu的梯度值V k1-bV k1-bfk 其中b是权重，fk 是kth梯度值此外，更新学习率g，随着时间的推移逐渐减少，收敛速度更快自适应学习算法结合了这种自动学习率衰减技术。均方根传播（RMS prop）（Andrew Ng，n. d. ）是一种自适应学习算法，其中通过使用梯度平方的移动平均值来更新模型参数。2在采样点xi处，则等式（8）给出第k次更新，模型参数h.ent，qk;由qk\u003C$bqk-11-brfk给出，其中b为重量和fk是第k个梯度值。参数更新方程变为h ¼h-g1Xn Rfð8Þ其中g是学习率，n是小批量中训练样本的数量随机梯度下降（SGD）是梯度下降的更新版本，其中，而不是精确的梯度，使用梯度的噪声估计。SGD通过计算每个数据样本的梯度估计来当量（8）减少到（9）当使用SGD时，其给出样本xi的第k次更新。hkhk-1-sqrtq@h10自适应矩估计（Adam）（Kingma和Ba，2014）也是一种自适应学习算法，其中学习率随着每次迭代而变化。Adam可以被看作是两种优化技术的混合体，即Momentum和RMSprop。亚当的更新方程由下式给出：hk¼ h K-1 -grfikð9Þhk1-gV k11虽然SGD应在每次列车其中，q是移动平均值的偏差校正项，样本，但参数更新是用小批量完成的，以固定kq过程Momentum（Qian，1999）被合并到SGD中以加快收敛。在动量中，梯度值被它第k个梯度的平方，由qk\u003C$1kt给出，其中t是电流数据和Vk是移动平均值的偏差校正项，由VVk给出的梯度 .1-B见图6。CNN模型。K-1我M.A. 作者声明：David D.Kashyap沙特国王大学学报45842q-出来B¼ þ128@J斯格雷特·格洛克××我1ijIJIJ2反向传播的伪代码是：方法反向传播输入：训练集（Tr），验证集（V），随机权重的R-NetTr：{m1，m2，...}其中mi是大小为128输出：训练的R-Net函数反向传播（Tr，V，R-Net）{对于m2 Tr doJ¼0对于xi m dox相对较大的过滤器。核是从区间上的均匀分布初始化的[l，l]，其中l6和þin和out是权重张量中输入和输出单元的数量。图6显示了R-Net的图形表示。FC层中包含40%的DO，而在第五卷积层中添加10%的最小DO以避免过拟合。可训练参数的总数为8，407，254。用于训练和测试的伪代码是：#培训输入：训练集（Tr），验证集（V）输出：训练的R-Net模型步骤yi = forward_propagate（R-Net）（xi）#计算损失（li）步骤2：对于img2（Tr[V]），l¼P4 ylog.其中，byx的标签。preProcess（img，（40，40））端第三步：因为i从1到40J.J.L.i端J¼1×J#更新模型参数（h）rf¼@hVk¼bVk-11-brf k#rf的移动平均值;qk\u003C$bqk-11-brfk #移动平均值的平方rf;反向传播（Tr，V，R）端测试次数输入：test_image输出：种族标签步骤1：t = preProcess（test_image，（40，40））步骤2：y_scores = R（t）第三步：race_label = argmax（y_scores）hk1-GVk#Adam优化带V端的}2.3. R-Net：提出的CNN架构所提出的模型是一个简单的体系结构，共包括九层。前六层是卷积层，而最后三层是具有1000、500和4个节点的FC层。CNN的输入是4040灰度图像。第一层从输入中提取20个特征。所有的激活都是双态的。第3.1.1节讨论了激活的选择。第一层的输出用批量归一化进行归一化。受VGG的启发，在后续层中提取的特征逐渐增加。在第二层中有40个特征，在第三层中有50个，在其他三层中有64个。卷积层5和6通过采用卷积步长2将大小缩小到一半。在卷积层中不使用填充，这也有助于减小输入体积的大小内核大小被选择为3 3，这是受到Simonyan和Zisserman（2015）的启发，因为具有较小滤波器的卷积层实际上比具有较小滤波器的单层涉及更少的参数。表3模型见图7。使用不同的优化器训练模型的损失。激活函数训练集验证集见图8。 训练损失\u002F准确度与时期曲线。名称损失准确度（%）准确度（%）损失准确度（%）ReLU初始0.30688.70.2591经过40个纪元0.05698.20.2294.72乙状初始0.82820.3287经过40个纪元0.01599.40.2894.4Tanh初始0.446383.90.323088.7经过40个纪元0.502081.40.380285.9M.A. 作者声明：David D.Kashyap沙特国王大学学报45852 22表4R-Net与BUPT上评估的其他方法的比较2.4. 时间复杂根据He和Sun（2015）的卷积层贡献的时间复杂度为：是输出特征图的大小。时间复杂度为 O （ n4 ），时间复杂度为O（n2）。对于R-Net模型，根据（12），6个卷积层的总（测试）时间复杂度为：O.XDnl-1：s2：nl：m2ð12Þ= O（1×32×20×（n-2）2）+ O（20×32×40×（n -4）2）40×3 ×50×100× 100 × 100 ×100 ×6422ll苏ICP备05000000号-1电话：+8621 8888 8888 ×64×n-10=22 7其中d是卷积层的总数，nl是第l层中的滤波器的数量，sl是滤波器的大小，ml1000×1000×64×n-12= 4 6： 99×10运算：M.A. 作者声明：David D.Kashyap沙特国王大学学报4586.Σ6图9.第九条。错误分类的BUPT样本示例见图10。 视觉解释（Grad-CAM）。此外，训练阶段的时间复杂度是测试阶段的三倍（He和Sun，2015），因为它包括前向和后向传播。上述复杂度估计不包括批量归一化的复杂度。对于FC层，前向传递由前一层的权重和激活的矩阵乘法组成，然后通过激活函数传播。对于单个实例，R-Net的测试时间复杂度为：= O（1000× 3136）+O（500× 1000）+O（4× 500）\u003C$3.63× 106次运算。在反向传播过程中，对于单个实例起作用的基本方程是：dz½l]\u003C$da½l]ωg0½l]。z½l]13dw½ l]\u003C$dz½l]。A½l-1]14db\u003C$l]\u003C$dz\u003C$l]15dal-1½w½l]Tdzl16其中，da[l]、dw[l]、db[l]、dz[l]是损耗相对于激活、权重、偏置和网络输出的偏导数，g[l]是激活函数，A[l]是激活向量，全部用于第l层。对于R-Net，总反向传播时间复杂度为：= O（3136× 1000 + 1000× 1 + 1000× 3136 + 1 +500× 4þ500× 1þ 500× 1000þ 1þ 1þ 4× 3þ 1Þ2016年：7×10次手术db[l]的复杂度是常数时间，并且上述表达式不包括激活函数所涉及的复杂度。对于具有n个epoch的M个训练样本，上述复杂度扩展到M× n倍。M.A. 作者声明：David D.Kashyap沙特国王大学学报45873. 结果和讨论进行的实验如下。在Python环境中使用TensorFlow后端可以促进GPU上的加速执行3.1. 实验1：BUPT数据集上的拟议模型该模型在BUPT测试集上进行训练和评估3.1.1. 训练和验证激活函数和优化方法是CNN模型的基本组成部分，也影响模型进行实验以选择合适的候选者。激活函数表3显示了使用Adam作为优化算法时模型很明显（表3），在完成定义数量的epoch后，在sigmoid激活的情况下，列车损失小于ReLU或tanh。因此，选择sigmoid作为模型。优化器的选择该模型的性能也进行了分析和比较，为三个不同的优化，即（i）SGD，（ii）RMSprop和（iii）亚当。Momentum被纳入SGD，（初始）对于所有三个优化器，学习率被设置为0.01。最小批量大小固定为128。从图7中可以看出，Adam在降低列车损失方面对我们的模型工作得更快。亚当被选为优化者。使用sigmoid激活和Adam，该模型被训练了40个epoch。图8示出了在 训 练 期 间贯 穿 时 期 的 训 练 集丢 失 （ train_loss ） 和 验 证 集丢 失（ val_loss ） 的 转 变 。 该 模 型 在 40 个 epoch 后 的 训 练 集 准 确 率 为99.44%，验证集准确率为94.4%。 虽然验证损失趋于上升，但其仍包含在0.28（表3）。3.1.2. 测试该模型在BUPT测试集上进行评估时，平均准确率可所有类的查准率和查全率都在0.95以上，这表明模型对所有类都是无偏学习的。模型性能的详细总结见表4。3%的误差，图。 9描述了一些错误分类的样本。3.1.3. 使用Grad-CAM进行梯度加权类激活映射（Grad-CAM）使用分类网络中的任何目标概念的梯度，流入最终卷积层，以产生粗略的局部化图，突出显示图像中的重要区域，用于预测概念（Selvaraju等人，2020年）。Grad-CAM已经实现，以便对我们的CNN进行可视化解释（图10）。图11显示了使用Grad-CAM后的输出示例。 虽然在模型中使用了灰度图像，但是为了清晰的可视化，已经给出了彩色图像作为输入。如Grad-CAM所示，眼周和下巴区域似乎很重要用于种族识别的区域。3.1.4. 过滤器和特征图过滤器的可视化给出了网络如何学习的想法。特征图还提供了CNN检测到的 图图12和图13示出了过滤器及其图十一岁使用Grad-CAM对亚洲人（a）、非洲人（d）、高加索人（g）和印度人（j）面部图像进行可视化预处理后的面部图像[a，d，g，j];产生的热图[b，e，h，k];将热图透明地覆盖在面部图像上[c，f，i，l] 第一卷积层中的滤波器。M.A. 作者声明：David D.Kashyap沙特国王大学学报4588~图十三.第一卷积层的特征图。精度召回f1得分考卡0.940.780.85非洲0.970.900.93亚洲0.460.940.61精度0.85见图14。 CFD测试统计表5R-Net模型在不同年龄段的表现。14981精度召回精度召回精度召回精度召回高加索0.770.740.950.810.940.900.880.88非洲0.250.760.351.000.400.930.600.75亚洲0.800.880.800.910.760.810.560.45印度0.790.300.650.480.770.570.230.27Avg. 精度百分之七十一百分之七十九百分之八十四百分之七十六R-Net的第一卷积层的对应特征图可以看出，第一层提取了轮廓形状和整体纹理等过程特征3.2. 实验2：在其他数据集3.2.1. 芝加哥人脸数据库（CFD）CFD数据集是属于不同种族群体的男性和女性面部的集合，例如高加索人、非洲人、亚洲人和拉丁美洲人。芝加哥消防局没有来自印度的样本。这些图像在统一的白色背景上展示了不同表情的正面姿势。R-Net的性能如图所示。 十四岁3.2.2. UTK数据集与CFD不同的是，它由20-30岁的受试者样本组成由于图像是从互联网上收集的，因此它们显示了不同的姿势、表情和照明条件，而不是像CFD那样处于受约束的均匀环境中。我们用不同的年龄组来检验我们的模型。我们按照1-3岁、4-8岁、9-80岁和81-110岁的年龄组划分UTK集表5显示了该模型分析表5中的值，可以得到以下观察结果：M.A. 作者声明：David D.Kashyap沙特国王大学学报4589表6使用预训练的VGG16进行比赛分类。特定类别的性能VGG16（ImageNet）VGG16（VGGFace）精度召回精度召回高加索0.760.850.760.72非洲0.770.830.790.85亚洲0.840.900.820.82印度0.86总体业绩（%）0.630.790.77列车接入90.3491.23确认访问75.571.63测试访问8079图15. (a)VGG16卷积神经网络示意图（改编自Manikonda和Gaonkar，2019），（b）微调VGG16卷积神经网络示意图。图16. (a)VGG16的ROC曲线（ImageNet），（b）VGG16的ROC曲线（VGGFace）[0类ROC =高加索人Vs其他人，1类ROC =非洲人Vs其他人，2类ROC =亚洲人Vs其他人，3类ROC =印度人Vs其他人]a) 模型对高加索人和亚洲人类具有公平的性能。b) 模型对所有年龄组的印度类样本具有相对较弱的召回值。c) 模型d) 该模型在9-80岁年龄组中表现最好这是很自然的，因为这一群体的种族识别甚至对人类来说都是困难的。3.3. 实验3：迁移学习迁移学习意味着使用预先训练好的模型的全部或一部分来完成新的分类任务。迁移学习是M.A. 作者声明：David D.Kashyap沙特国王大学学报4590×采用三种不同的方式：（i）使用完整的训练模型（ii）微调和（iii）特征提取。对于该实验，使用微调方法微调是指FC层被截断并且附加新的FC层集合的过程。然后在当前数据集上重新训练改变的模型，保持卷积层的权重在这里，流行的VGG16（Simonyan和Zisserman，2015）模型在BUPT上进行了微调（见图15）。VGG16有一系列卷积层和最大池层，然后是3个FC层，总共16层。在我们的实验中，VGG 16在两个版本中用作基础模型; VGG 16在(i)ImageNet数据和（ii）VGGFace数据。ImageNet（Deng等人，2009）是具有从动物、鸟类到计算机键盘的1000个不同类别的数百万大小的大型数据集。VGGFace（Parkhi等人，2015），另一方面，仅包括属于互联网电影数据库的不同主题的面部图像。它的大小约为2.6M，由牛津大学视觉几何小组开发。在微调的VGG 16模型中，有两个FC层，500和4个节点。ReLU和softmax相应地用作激活。交叉熵损失和亚当分别是损失函数和优化器。由于我们系统的计算限制，我们总共使用了32，000张图像，其中BUPT集的每类8，000张图像用于重新训练模型。使用这些预训练模型的种族分类结果在表6中给出。R-Net的平均准确率为97%，似乎是比微调的VGG 16模型更好的种族分类选择。 微调VGG16（ImageNet）和VGG16（VGGFace）的ROC曲线如图16所示。4. 结论种族本身对人类来说是一个定义不清的概念，对机器识别来说是一项艰巨的任务更重要的是，混血人口的增长正在进一步缩小边界。因此，训练样本的选择将最终决定模型在实际应用中的性能，具有重要意义本文提出了一种CNN模型，用于在无约束环境中从低分辨率（40 - 40）灰度图像中进行种族识别。开发的模型可以用于现实生活中的情况下，图像或可以集成在视频中的不同应用。通过在不同数据集上的测试以及与预训练模型的比较，验证了模型的有效性。通过使用高分辨率彩色图像作为输入，预计将进一步改进。资金这项工作得到了高哈蒂大学提供的TEQIP-III资金的支持。作者贡献这项工作由Mazida Akhtara Ahmed在Ridip Dev Choudhury博士的监督下进行。Kishore Kashyap先生提供了技术指导和支持。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Ahmed，文学硕士，Choudhury，R. D.，2019.从面部图像进行性别分类。国际工程高级技术杂志9,6217-6223.https:\u002F\u002Fdoi.org\u002F10.35940\u002Fijeat.A1874.109119网站。Andrew Ng，n.d.改进深度神经网络：超参数调整，正则化和优化。丁，H.，黄，D.，王玉，Chen，L.，中国地质大学，2013.基于局部纹理和形状描述的人脸 种 族 分 类 。 In ： 2013 10th IEEE Int. Conf. Work. 自 动 。 Face GestureRecognition，FG 2013，pp. 1-6. https:\u002F\u002Fdoi.org\u002F10.1109\u002FFG.2013.6553815。他，K.，孙，J.，2015.时间受限的卷积神经网络。In：Proc. IEEE Conf. Comput.目视模式识别，pp. 5353-5360. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2015.7299173。Ioffe，S.，塞格迪角，澳-地2015年。 批量归一化：通过减少内部协变量偏移来加速深度网络训练。在：第32届机器学习国际会议论文集，pp。 448- 456邓，贾，董，魏，索赫尔，R.，李丽佳，李凯，李飞飞，2009年。ImageNet：一个大规模的 分 层 图 像 数 据 库 .IEEE 计 算 机 视 觉 与 模 式 识 别 会 议 。 IEEE ， pp. 248-255.https:\u002F\u002Fdoi.org\u002F10.1109\u002Fcvprw.2009.5206848.Kazemi，V.，Sullivan，J.，2014.一毫秒人脸对齐与回归树的集合。在：IEEE计算机协会 计 算 机 视 觉 和 模 式 识 别 会 议 论 文 集 ， pp 。 1867-1874.https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2014.241。King，D.E.，2009. Dlib-ml：机器学习工具包。J·马赫。学习. Res. 10，1755- 1758.金玛，D.P.，Ba，J.L.，2014. Adam：随机最佳化的方法。第三届国际学习表征会议论文集，ICLR 2015。Lagree，S.，Bowyer，K.W.，2011年。基于虹膜纹理特征的种族预测输入：程序第22届中西部Artiff。内特尔科根Sci. Conf. 2011年，第页 225- 230卢，X.，贾恩，A.K.，2004. \u003Ctitle\u003E从人脸图像中识别种族\u002Ftitle\u003E。在：SPIE的程序，pp。114-123 https:\u002F\u002Fdoi.org\u002F10.1117\u002F12.542847网站。莱尔J.R.米勒体育Pundlik，S.J.，伍达德，D.L.，2010年。使用局部外观眼周区域特征的软生物特征第四届IEEE生物识别国际会议：理论，应用和系统（BTAS），pp。1-7.https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patcog.2012.04.027网站。妈D.S.Correll，J.，Wittenbrink，B.，2015年。芝加哥人脸数据库：一个免费的人脸刺激 集 和 标 准 化 数 据 。 行 为 举 止 。 Res. Methods 47 ， 1122-1135 。 网 址 ： \u002F\u002Fdoi.org\u002F10.3758\u002Fs13428-014-0532-5。Manikonda，S.K.G.，Gaonkar，D. N.，2019.提出了一种基于VGG16网络的迁移学习孤岛检测方法。第一届IEEE可持续能源技术和系统国际会议，ICSETS 2019。IEEE，pp. 109-114. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICSETS.2019.8744778网站。Mansoor Roomi，S.M.，Virasundarii，S.L.，Selvamegala，S.，Jeevanandham，S.，Hariharasudhan，D.，2011.基于面部特征的种族分类。在：3rd Natl.确认补偿视觉 ， 模 式 识 别 ， 图 像 处 理 .Graph.NCVPRIPG2011 ， pp.54-57.https:\u002F\u002Fdoi.org\u002F10.1109\u002FNCVPRIPG.2011.19网站。Mohammad，A.S.，Al-Ani，J.A.，2018.卷积神经网络用于移动环境下基于眼区的种族分类。在：2018年第10届计算机科学和电子工程会议，CEEC 2018 -会议记录。IEEE，pp.293-298. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCEEC.2018.8674194网站。Muhammad，G.，侯赛因，M.，Alenezy，F.，Bebis，G.，米尔扎，上午，Alsamh，H.，2012.基于局部描述符的人脸图像种族分类。Int. J. Artif.内特尔Tools 21，11-13.https:\u002F\u002Fdoi.org\u002F10.1142\u002FS0218213012500194网站。Narang，N.，Bourlai，T.，2016年。在异质人脸识别中使用深度学习进行性别和种族 分 类 在 ： 2016 年 国 际 会 议 上 生 物 识 别 ICB ， pp.1-8.https:\u002F\u002Fdoi.org\u002F10.1109\u002FICB.2016.7550082网站。帕克希，O.M.，维达尔迪，A.，齐瑟曼，A.，2015年。深度面部识别在：英国机器视觉会议（BMVC），pp。41.1-41.12. 网址：\u002F\u002Fdoi. org\u002F10.5244\u002Fc.29.41。Qian，N.，1999.梯度下降学习算法中的动量项。Neural Networks 12，145-151.https：\u002F\u002Fdoi.org\u002F10.1016\u002FS0893-6080（98）00116-6.邱，X.，太阳，Z.，Tan，T.，2006.用于种族分类的虹膜图像全局纹理分析。在：国际会议上生物识别，页。411-418.网址：\u002F\u002Fdoi.org\u002F10.1007\u002F11608288_55网站。Saei Manesh，F.，Ghahramani，M.，Tan，Y.P.，2010.面部部分位移对基于模板的性别和种族分类的影响。第11届国际会议控制。自动机器人Vision，ICARV2010，pp.1644-1649. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICARCV.2010.5707882。Selvaraju，R.R.，Cogswell，M.，达斯，A.，韦丹塔姆河，帕里克，D.，巴特拉，D.，2020. Grad-CAM：通过基于梯度的定位从深度网络进行视觉解释。国际计算机视觉，336-359。https:\u002F\u002Fdoi.org\u002F10.1007\u002F","totalNum":1,"upLimitPageNum":0},"downloadNum":0,"previewInfo":{"coverImg":["https:\u002F\u002Fdl-preview.csdnimg.cn\u002F88754264\u002F0001-50de90a5721ed53b01ca5b8357b0df07_thumbnail.jpeg"],"isPreview":true,"isFromSo":false,"totalPage":13,"defaultCoverImg":"https:\u002F\u002Fcsdnimg.cn\u002Frelease\u002Fdownload\u002Fstatic_files\u002Fpc\u002Fimages\u002Fthumbnail\u002FPDF.png","unloginPreviewNum":0,"soPage":0,"firstPage":1,"sourceType":1,"isPpt":0,"previewImg":[]},"upDate":1705479054000,"isPaySource":false,"tagArr":[{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F5176","tagName":"深度学习","key":"71884fa273974788bacc55a9a592130d"},{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1291706","tagName":"深度网络","key":"d83d9709a56f439a996fc007ab70ced2"},{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F841","tagName":"数据集","key":"2cef9a9a9076413baf86a9b350bcc317"},{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1831033","tagName":"Grad-CAM","key":"238887231bb941bc83878a79adc07c3c"}],"isVipExclusive":true,"button4BuyVip":{"broadcastBackgroundColor":"#FC5531","url":"https:\u002F\u002Fmall.csdn.net\u002Fvip?spm=1003.2020.3001.4167&utm_source=vip_pc_xz_tabjb","name":"开通VIP（低至0.43\u002F天）","broadcastCharactersColor":"#FFFFFF","broadcastText":"15个月+AI工具集"},"sourceLowestPrice":0.43,"userIsStudent":false,"button4Download":{"downloadVipIcon":false,"name":"立即下载"},"pubDate":1705385454000,"userVipCouponNum":0,"favoriteNum":0,"fileSize":2578195,"firstSourceId":88754264,"isFavorite":false,"flag":26,"sourcesStatus":2,"description":"","title":"种族识别的深度学习模型研究","showCBeansBool":true,"abTest10140":1,"isShowCopyRightIcon":false,"viewCountInteger":98,"tagStr":"[\"深度学习\",\"深度网络\",\"数据集\",\"Grad-CAM\"]","sourcePrice":0,"downloadToday":false,"viewCount":"98","userBalance":0,"minVipBalance":8600,"bundledVipInfo":{"hitId":0,"isBundledVip":false},"cBeans":90,"vipDiscount":0.9,"isCertification":false,"fileSizeFormat":"2.46MB","firstIsessence":"WENKU_PDF_SOURCES","fileTypeUrl":"https:\u002F\u002Fcsdnimg.cn\u002Frelease\u002Fdownload\u002Fstatic_files\u002Fpc\u002Fimages\u002Fminetype\u002FPDF.png","tarArrString":"[{\"key\":\"71884fa273974788bacc55a9a592130d\",\"tagName\":\"深度学习\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F5176\"},{\"key\":\"d83d9709a56f439a996fc007ab70ced2\",\"tagName\":\"深度网络\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1291706\"},{\"key\":\"2cef9a9a9076413baf86a9b350bcc317\",\"tagName\":\"数据集\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F841\"},{\"key\":\"238887231bb941bc83878a79adc07c3c\",\"tagName\":\"Grad-CAM\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1831033\"}]","userPayExpire":true,"userIsEmployee":false,"couponsValue":0,"sourceScore":5,"sourceAuthor":"cpongm","tagNavList":[],"userIsRisk":true,"activitiesTips":"限时抽奖","fileType":"PDF","optimalCouponsExpirationDate":"","vipActivityConfig":{"vip11EndTime":1605283200,"renewalDiscount":8,"vip11beginTime":1604678400,"vip11word":"领券续费立减¥100"}},"sourceAuthorInfo":{"authorVip":false,"ownColumnNum":0,"userStatus":1,"authorAvatarUrl":"https:\u002F\u002Fprofile-avatar.csdnimg.cn\u002Fdefault.jpg!1","ownFansNum":4,"ownCourseNum":0,"downloadNum":"676","isFollow":false,"authorUserName":"cpongm","ownSourcesNum":"2万+","authorNickName":"cpongm"},"breadcrumbList":[{"categoryName":"首页","url":"https:\u002F\u002Fwenku.csdn.net\u002F","key":"a1a4670df79b4cd9bb71703d091ffd35"},{"categoryName":"种族识别的深度学习模型研究","url":"https:\u002F\u002Fwenku.csdn.net\u002Fpdf\u002F6e5mli4942","key":"43a1dba485674430b8a410db3ad0bf6f"}],"sourceDetailCouponConfig":{"couponSwitch":true,"couponDesc":"领优惠券(最高得80元）"},"recommendationsList":{"ext":{"highlight":["深度学习","识别","模型","研究","种族"],"contain_baidu":false},"items":[{"ext":{"item":{"filetype":".pdf","index":1,"pic":"https:\u002F\u002Fimg-home.csdnimg.cn\u002Fimages\u002F20210720083646.png","title":"基于手指经脉识别的个人识别技术的研究.pdf","type":"download","url":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_39840588\u002F11420603","createdAt":"2019-07-23 15:52:08","sourcesize":"757561","subTitle":"-","id":"11420603","tag":"医疗电子","strategy":"2~default~OPENSEARCH~Rate","views":1,"username":"weixin_39840588","desc":"研究人员确定，手指静脉的形态是特定个体特有的，不易锻造，接触少，不受种族和皮肤变色的影响，该技术具有良好的应用前景和发展潜力，手指静脉识别的原则是用特定波长的红外光进行识别。长度可以穿过大部分人体组织..."}},"productId":"11420603","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":1,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-1-11420603-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Rate","_sort_index":1,"dest":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_39840588\u002F11420603","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-1-11420603-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-1-11420603-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_39840588\u002F11420603","spm":"1003.2020.3001.6616.1"},"eventClick":true,"eventView":true},"index":1,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Rate","style":"text_1","productType":"download"},{"ext":{"item":{"filetype":".pdf","index":2,"pic":"https:\u002F\u002Fimg-home.csdnimg.cn\u002Fimages\u002F20210720083646.png","title":"论文研究-一种加权的模糊LDA人脸识别方法 .pdf","type":"download","url":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_39840650\u002F11561619","createdAt":"2019-08-15 17:15:51","sourcesize":"231166","subTitle":"-","id":"11561619","tag":"人脸识别","strategy":"2~default~OPENSEARCH~Rate","views":1,"username":"weixin_39840650","desc":"一种加权的模糊LDA人脸识别方法，薛明亮，刘晓东，人脸识别是生物特征识别的关键技术之一，研究如何利用计算机分析人脸图像，提取有效信息，完成身份辨识。在人脸识别的研究中，虽"}},"productId":"11561619","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":2,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-2-11561619-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Rate","_sort_index":2,"dest":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_39840650\u002F11561619","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-2-11561619-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-2-11561619-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_39840650\u002F11561619","spm":"1003.2020.3001.6616.2"},"eventClick":true,"eventView":true},"index":2,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Rate","style":"text_1","productType":"download"},{"ext":{"item":{"filetype":"pdf","index":3,"pic":"https:\u002F\u002Fimg-home.csdnimg.cn\u002Fimages\u002F20210720083512.png","title":"论文研究 - 当代美国工作场所：种族隔离观念分析","type":"download","url":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_38748556\u002F12454812","createdAt":"2020-05-24 21:20:56","sourcesize":"349203","subTitle":"-","id":"12454812","tag":"机构种族歧视 差别待遇 不等式 隐性种族主义 组织平等的障碍 种族团体 工作场所种族组成","strategy":"2~default~OPENSEARCH~Rate","views":0,"username":"weixin_38748556","desc":"这项研究调查了在当代美国工作场所中受雇者对种族隔离的看法。 2016年收集的一般社会调查（GSS）信息用于关注对当前正在工作的个人的看法。 控制变量包括年龄，性别，种族，受教育程度，个人收入和工作状态等各种..."}},"productId":"12454812","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":3,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-3-12454812-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Rate","_sort_index":3,"dest":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_38748556\u002F12454812","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-3-12454812-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-download-2~default~OPENSEARCH~Rate-3-12454812-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fdownload.csdn.net\u002Fdownload\u002Fweixin_38748556\u002F12454812","spm":"1003.2020.3001.6616.3"},"eventClick":true,"eventView":true},"index":3,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Rate","style":"text_1","productType":"download"},{"ext":{"item":{"index":4,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"基于深度学习的人脸识别的研究","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F714e380f8d8540b0b4dee516e67b0c82","createdAt":"2023-05-24 04:39:48","subTitle":"-","id":"714e380f8d8540b0b4dee516e67b0c82","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"qq_71850098","desc":"基于深度学习的人脸识别一直是计算机视觉领域的热门研究方向之一。一般来说，基于深度学习的人脸识别可以分为以下几个步骤： 1. 数据集的准备：数据集的准备非常重要。一个好的数据集应该包含多种年龄、性别、种族..."}},"productId":"714e380f8d8540b0b4dee516e67b0c82","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":4,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-4-714e380f8d8540b0b4dee516e67b0c82-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":4,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F714e380f8d8540b0b4dee516e67b0c82","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-4-714e380f8d8540b0b4dee516e67b0c82-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-4-714e380f8d8540b0b4dee516e67b0c82-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F714e380f8d8540b0b4dee516e67b0c82","spm":"1003.2020.3001.6616.4"},"eventClick":true,"eventView":true},"index":4,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":5,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"深度学习人脸识别数据集","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fd801e2ee979d4785b6773535ad5b5e84","createdAt":"2023-06-10 03:19:25","subTitle":"-","id":"d801e2ee979d4785b6773535ad5b5e84","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"m0_71301375","desc":"该数据集中的图像涵盖了不同年龄、性别、种族和表情的人脸图像，适用于训练深度学习模型。 3. VGGFace2数据集：该数据集包含3.31万个人的3.12百万张人脸图像，是一个大规模的人脸识别数据集。该数据集中的图像来自于..."}},"productId":"d801e2ee979d4785b6773535ad5b5e84","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":5,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-5-d801e2ee979d4785b6773535ad5b5e84-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":5,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fd801e2ee979d4785b6773535ad5b5e84","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-5-d801e2ee979d4785b6773535ad5b5e84-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-5-d801e2ee979d4785b6773535ad5b5e84-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fd801e2ee979d4785b6773535ad5b5e84","spm":"1003.2020.3001.6616.5"},"eventClick":true,"eventView":true},"index":5,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":6,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"基于深度学习的人脸识别有什么缺点","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F624d74b7eeed46ccbccad100da75467e","createdAt":"2023-05-15 01:50:50","subTitle":"-","id":"624d74b7eeed46ccbccad100da75467e","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"weixin_49191258","desc":"基于深度学习的人脸识别技术已经取得了很大的进展，但是仍然存在一些缺点。以下是一些可能的缺点： 1. 数据不平衡：由于收集数据的时间和成本等各种因素，训练数据可能不平衡，导致一些人的识别率低。 2. 鲁棒性：..."}},"productId":"624d74b7eeed46ccbccad100da75467e","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":6,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-6-624d74b7eeed46ccbccad100da75467e-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":6,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F624d74b7eeed46ccbccad100da75467e","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-6-624d74b7eeed46ccbccad100da75467e-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-6-624d74b7eeed46ccbccad100da75467e-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F624d74b7eeed46ccbccad100da75467e","spm":"1003.2020.3001.6616.6"},"eventClick":true,"eventView":true},"index":6,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":7,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"facenet官方预训练模型","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fb75e8dac1cd011eebf6ffa163eeb3507","createdAt":"2023-07-07 22:17:21","subTitle":"-","id":"b75e8dac1cd011eebf6ffa163eeb3507","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"FaceNet 是一个用于人脸识别的深度学习模型，它由Google研究团队开发。FaceNet 官方预训练模型是通过在大规模人脸数据集上进行训练得到的。 官方预训练模型的主要作用是提供一个已经在大量数据上训练好的模型，使..."}},"productId":"b75e8dac1cd011eebf6ffa163eeb3507","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":7,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-7-b75e8dac1cd011eebf6ffa163eeb3507-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":7,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fb75e8dac1cd011eebf6ffa163eeb3507","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-7-b75e8dac1cd011eebf6ffa163eeb3507-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-7-b75e8dac1cd011eebf6ffa163eeb3507-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fb75e8dac1cd011eebf6ffa163eeb3507","spm":"1003.2020.3001.6616.7"},"eventClick":true,"eventView":true},"index":7,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":8,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"人脸表情识别数据集csdn","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F8032prx3p3","createdAt":"2023-08-15 01:30:22","subTitle":"-","id":"8032prx3p3","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"使用这些数据集，研究者和开发者可以利用机器学习和深度学习算法，构建人脸表情识别模型。这些模型可以应用于多个领域，如情感分析、人机交互、虚拟现实等。借助于CSDN提供的人脸表情识别数据集，研究者和开发者可以..."}},"productId":"8032prx3p3","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":8,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-8-8032prx3p3-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":8,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F8032prx3p3","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-8-8032prx3p3-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-8-8032prx3p3-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F8032prx3p3","spm":"1003.2020.3001.6616.8"},"eventClick":true,"eventView":true},"index":8,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":9,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"面部识别resnet","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F5ymqxgz8ro","createdAt":"2023-12-14 14:10:22","subTitle":"-","id":"5ymqxgz8ro","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"面部识别ResNet模型的优点在于，它能够充分利用深度学习的技术提取图像中的特征信息，从而提高了识别的准确性和稳定性。而且ResNet模型本身就是一种非常高效的网络结构，能够在大规模的数据集上进行高效的训练和学习..."}},"productId":"5ymqxgz8ro","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":9,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-9-5ymqxgz8ro-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":9,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F5ymqxgz8ro","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-9-5ymqxgz8ro-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-9-5ymqxgz8ro-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F5ymqxgz8ro","spm":"1003.2020.3001.6616.9"},"eventClick":true,"eventView":true},"index":9,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":10,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"机器学习识别年龄cnn","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F4y5ozzd4g3","createdAt":"2023-12-24 12:45:11","subTitle":"-","id":"4y5ozzd4g3","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"CNN是一种深度学习算法，它可以自动从输入的图像中学习特征和模式，从而识别出图像中的对象或者人脸等信息。 在识别年龄方面，CNN可以通过大量的训练数据，学习人脸的特征和年龄相关的模式。首先，需要一个包含各种..."}},"productId":"4y5ozzd4g3","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":10,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-10-4y5ozzd4g3-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":10,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F4y5ozzd4g3","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-10-4y5ozzd4g3-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-10-4y5ozzd4g3-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F4y5ozzd4g3","spm":"1003.2020.3001.6616.10"},"eventClick":true,"eventView":true},"index":10,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":11,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"asian face 数据集","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F636p5y2p59","createdAt":"2023-09-07 02:57:08","subTitle":"-","id":"636p5y2p59","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"这个数据集的目的是为研究者和开发人员提供一个丰富而真实的亚洲人脸数据资源，用于训练和测试机器学习模型、深度学习模型以及人工智能算法。 利用 Asian Face 数据集，可以进行各种面部分析的研究，如人脸识别、..."}},"productId":"636p5y2p59","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":11,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-11-636p5y2p59-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":11,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F636p5y2p59","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-11-636p5y2p59-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-11-636p5y2p59-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F636p5y2p59","spm":"1003.2020.3001.6616.11"},"eventClick":true,"eventView":true},"index":11,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":12,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"写出基于dlib的人脸识别Restnet算法的求解步骤","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F98425f4217d14c098c05d828bfd202c0","createdAt":"2023-06-01 05:02:22","subTitle":"-","id":"98425f4217d14c098c05d828bfd202c0","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"m0_59306196","desc":"检测器可以使用HOG+SVM或者深度学习模型。 3. 人脸对齐：将检测到的人脸进行对齐，以便于后续的特征提取和匹配。可以使用基于仿射变换、透视变换的人脸对齐方法。 4. 特征提取：使用Resnet算法提取人脸特征。..."}},"productId":"98425f4217d14c098c05d828bfd202c0","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":12,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-12-98425f4217d14c098c05d828bfd202c0-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":12,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F98425f4217d14c098c05d828bfd202c0","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-12-98425f4217d14c098c05d828bfd202c0-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-12-98425f4217d14c098c05d828bfd202c0-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F98425f4217d14c098c05d828bfd202c0","spm":"1003.2020.3001.6616.12"},"eventClick":true,"eventView":true},"index":12,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":13,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"基于ai智能识人技术的前期图像数据库建立与研究","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F1c5x0qza6z","createdAt":"2023-12-04 14:13:48","subTitle":"-","id":"1c5x0qza6z","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"在研究过程中，我们可以利用现有的人脸识别技术和深度学习算法，对图像数据进行分析和处理，提取出人脸的特征信息，建立人脸识别的模型。同时，我们还可以探索如何应用AI技术来提高人脸识别的准确性和速度，以及如何..."}},"productId":"1c5x0qza6z","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":13,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-13-1c5x0qza6z-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":13,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F1c5x0qza6z","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-13-1c5x0qza6z-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-13-1c5x0qza6z-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F1c5x0qza6z","spm":"1003.2020.3001.6616.13"},"eventClick":true,"eventView":true},"index":13,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":14,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"fer2013数据集优点","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F2d3836fd17204cc48ae4947de3ffbce5","createdAt":"2023-05-19 01:43:26","subTitle":"-","id":"2d3836fd17204cc48ae4947de3ffbce5","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"m0_70797745","desc":"1. 数据集规模大：Fer2013数据集包含了超过35,000张图片，数据量较大，可以用于训练深度学习模型。 2. 数据集质量高：Fer2013数据集中的图片都经过了人工标注，标注质量高。 3. 多样性：Fer2013数据集中包含了不同..."}},"productId":"2d3836fd17204cc48ae4947de3ffbce5","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":14,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-14-2d3836fd17204cc48ae4947de3ffbce5-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":14,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F2d3836fd17204cc48ae4947de3ffbce5","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-14-2d3836fd17204cc48ae4947de3ffbce5-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-14-2d3836fd17204cc48ae4947de3ffbce5-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F2d3836fd17204cc48ae4947de3ffbce5","spm":"1003.2020.3001.6616.14"},"eventClick":true,"eventView":true},"index":14,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":15,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"facenet亚洲人脸预训练模型","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F36ku65smoe","createdAt":"2023-07-14 07:48:59","subTitle":"-","id":"36ku65smoe","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"FaceNet是一种人脸识别模型，它采用深度学习技术，能够将人脸图像转化为一个128维的向量表示，通过计算不同人脸间的距离来判断它们是否来自同一个人。 FaceNet已经预训练了许多不同种族的人脸图像，包括亚洲人。..."}},"productId":"36ku65smoe","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":15,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-15-36ku65smoe-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":15,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F36ku65smoe","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-15-36ku65smoe-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-15-36ku65smoe-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F36ku65smoe","spm":"1003.2020.3001.6616.15"},"eventClick":true,"eventView":true},"index":15,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":16,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"openpose数据集","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fa426d518154c11eea6c2fa163eeb3507","createdAt":"2023-06-28 08:44:11","subTitle":"-","id":"a426d518154c11eea6c2fa163eeb3507","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"cpongoc","desc":"OpenPose数据集是一个用于人体姿势估计的开源数据集，主要用于研究人体姿态识别算法和深度学习模型。该数据集由多个摄像头捕捉到的人体姿态图像序列组成，并配有相应的姿态标签，可以用于训练和测试人体姿态估计模型..."}},"productId":"a426d518154c11eea6c2fa163eeb3507","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":16,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-16-a426d518154c11eea6c2fa163eeb3507-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":16,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fa426d518154c11eea6c2fa163eeb3507","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-16-a426d518154c11eea6c2fa163eeb3507-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-16-a426d518154c11eea6c2fa163eeb3507-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fa426d518154c11eea6c2fa163eeb3507","spm":"1003.2020.3001.6616.16"},"eventClick":true,"eventView":true},"index":16,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":17,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"affwild2数据集下载","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F46c39ae53035453ebb75d6a40f916e9b","createdAt":"2023-09-17 07:33:29","subTitle":"-","id":"46c39ae53035453ebb75d6a40f916e9b","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"sun_66","desc":"研究者可以利用这些数据训练深度学习模型，进一步提高面部表情识别的准确性和性能。 要下载AffWild2数据集，可以访问其官方网站（http:\u002F\u002Fibug.doc.ic.ac.uk\u002Fresources\u002Faff-wild2\u002F）并按照相关说明进行操作。数据集..."}},"productId":"46c39ae53035453ebb75d6a40f916e9b","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":17,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-17-46c39ae53035453ebb75d6a40f916e9b-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":17,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F46c39ae53035453ebb75d6a40f916e9b","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-17-46c39ae53035453ebb75d6a40f916e9b-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-17-46c39ae53035453ebb75d6a40f916e9b-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F46c39ae53035453ebb75d6a40f916e9b","spm":"1003.2020.3001.6616.17"},"eventClick":true,"eventView":true},"index":17,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":18,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"300W_LP数据集介绍","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fedfd9ee2e2f242e8a341e4a122ed7907","createdAt":"2023-07-10 01:26:38","subTitle":"-","id":"edfd9ee2e2f242e8a341e4a122ed7907","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"qq_45852426","desc":"300W_LP数据集是一个用于人脸关键点定位和姿态估计的数据集。该数据集包含超过12000张带有人脸的图像，...总体而言，300W_LP数据集是一个广泛使用的人脸数据集，可以用于训练和评估各种人脸相关的深度学习模型和算法。"}},"productId":"edfd9ee2e2f242e8a341e4a122ed7907","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":18,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-18-edfd9ee2e2f242e8a341e4a122ed7907-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":18,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fedfd9ee2e2f242e8a341e4a122ed7907","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-18-edfd9ee2e2f242e8a341e4a122ed7907-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-18-edfd9ee2e2f242e8a341e4a122ed7907-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fedfd9ee2e2f242e8a341e4a122ed7907","spm":"1003.2020.3001.6616.18"},"eventClick":true,"eventView":true},"index":18,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":19,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"请详细说明基于人脸的特征方法","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fb3fe553cf94a4a87a3312676417e2823","createdAt":"2023-04-24 02:02:20","subTitle":"-","id":"b3fe553cf94a4a87a3312676417e2823","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"weixin_51384612","desc":"3. 人脸表情识别：通过分析人脸的表情来了解人的情绪状态，该方法通常使用深度学习算法。 4. 人脸属性识别：通过分析人脸的特定属性，如年龄、性别、种族等，来获取更详细的人脸特征信息。 以上这些方法都是在利用..."}},"productId":"b3fe553cf94a4a87a3312676417e2823","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":19,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-19-b3fe553cf94a4a87a3312676417e2823-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":19,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fb3fe553cf94a4a87a3312676417e2823","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-19-b3fe553cf94a4a87a3312676417e2823-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-19-b3fe553cf94a4a87a3312676417e2823-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002Fb3fe553cf94a4a87a3312676417e2823","spm":"1003.2020.3001.6616.19"},"eventClick":true,"eventView":true},"index":19,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"},{"ext":{"item":{"index":20,"pic":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Ffile_type_ask_c1.png","title":"详细说说Eigenface算法 Fisherface算法 ModPCA算法 FaceNet算法的性能需求、可靠性需求安全性需求、可维护性需求、可用性需求、适应性需求的的对比","type":"chatgpt","url":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F038039d29d2e44e8a79f08a6408ba1f7","createdAt":"2023-05-14 01:17:51","subTitle":"-","id":"038039d29d2e44e8a79f08a6408ba1f7","strategy":"2~default~OPENSEARCH~Position","views":0,"username":"yxh0816","desc":"其中，FaceNet算法要求的计算能力最高，因为它使用了深度学习模型进行训练和预测。 2. 可靠性需求：对于人脸识别算法来说，可靠性是非常重要的需求。Eigenface算法和Fisherface算法都是基于统计模型的算法，因此在..."}},"productId":"038039d29d2e44e8a79f08a6408ba1f7","reportData":{"data":{"mod":"","ab_strategy":"donwload_gpt_vector_v1","index":20,"extra":"{\"utm_medium\":\"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-20-038039d29d2e44e8a79f08a6408ba1f7-download-6e5mli4942.315^v3^control_v2\",\"dist_request_id\":\"1714340753838_31655\"}","dist_request_id":"1714340753838_31655","strategy":"2~default~OPENSEARCH~Position","_sort_index":20,"dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F038039d29d2e44e8a79f08a6408ba1f7","spm":"1003.2020.3001.6616"},"urlParams":{"utm_medium":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-20-038039d29d2e44e8a79f08a6408ba1f7-download-6e5mli4942.315^v3^control_v2","depth_1-utm_source":"distribute.pc_relevant_chatgpt_v2.none-task-chatgpt-2~default~OPENSEARCH~Position-20-038039d29d2e44e8a79f08a6408ba1f7-download-6e5mli4942.315^v3^control_v2","dest":"https:\u002F\u002Fwenku.csdn.net\u002Fanswer\u002F038039d29d2e44e8a79f08a6408ba1f7","spm":"1003.2020.3001.6616.20"},"eventClick":true,"eventView":true},"index":20,"recommendType":"ali","strategyId":"2~default~OPENSEARCH~Position","style":"text_1","productType":"chatgpt"}]},"topAdsList":[{"beginTimestamp":1711382400000,"jumpUrl":"https:\u002F\u002Fmall.csdn.net\u002Fvip?utm_source=tengxuncontrol","isShow":true,"imgUrl":"https:\u002F\u002Fcsdnimg.cn\u002Fdownload_wenku\u002Fwk_detail_ads\u002F下载顶通@2x_0326.png","configId":"309904700860268544","endTimestamp":1719676800000}],"latestSliderSources":[{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F3vl915uw42","sdescription":"REALTEK 8188FTV 8188eus 8188etv linux驱动程序稳定版本， 支持AP,STA 以及AP+STA 共存模式。 稳定支持linux4.0以上内核。","stitle":"RTL8188FU-Linux-v5.7.4.2-36687.20200602.tar(20765).gz"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F7tp4av6ah3","sdescription":"校园超市商品信息管理系统课程设计旨在帮助学生深入理解程序设计的基础知识，同时锻炼他们的实际操作能力。通过设计和实现一个校园超市商品信息管理系统，学生掌握了如何利用计算机科学与技术知识解决实际问题的能力。在课程设计过程中，学生需要对超市商品和销售员的关系进行有效管理，使系统功能更全面、实用，从而提高用户体验和便利性。\n\n学生在课程设计过程中展现了积极的学习态度和纪律，没有缺勤情况，演示过程流畅且作品具有很强的使用价值。设计报告完整详细，展现了对问题的深入思考和解决能力。在答辩环节中，学生能够自信地回答问题，展示出扎实的专业知识和逻辑思维能力。教师对学生的表现予以肯定，认为学生在课程设计中表现出色，值得称赞。\n\n整个课程设计过程包括平时成绩、报告成绩和演示与答辩成绩三个部分，其中平时表现占比20%，报告成绩占比40%，演示与答辩成绩占比40%。通过这三个部分的综合评定，最终为学生总成绩提供参考。总评分以百分制计算，全面评估学生在课程设计中的各项表现，最终为学生提供综合评价和反馈意见。\n\n通过校园超市商品信息管理系统课程设计，学生不仅提升了对程序设计基础知识的理解与应用能力，同时也增强了团队协作和沟通能力。这一过程旨在培养学生综合运用技术解决问题的能力，为其未来的专业发展打下坚实基础。学生在进行校园超市商品信息管理系统课程设计过程中，不仅获得了理论知识的提升，同时也锻炼了实践能力和创新思维，为其未来的职业发展奠定了坚实基础。\n\n校园超市商品信息管理系统课程设计的目的在于促进学生对程序设计基础知识的深入理解与掌握，同时培养学生解决实际问题的能力。通过对系统功能和用户需求的全面考量，学生设计了一个实用、高效的校园超市商品信息管理系统，为用户提供了更便捷、更高效的管理和使用体验。\n\n综上所述，校园超市商品信息管理系统课程设计是一项旨在提升学生综合能力和实践技能的重要教学活动。通过此次设计，学生不仅深化了对程序设计基础知识的理解，还培养了解决实际问题的能力和团队合作精神。这一过程将为学生未来的专业发展提供坚实基础，使其在实际工作中能够胜任更多挑战。","stitle":"c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F7tdrin4mbd","sdescription":"建筑供配电系统是建筑中的重要组成部分，负责为建筑内的设备和设施提供电力支持。在建筑供配电系统相关课件中介绍了建筑供配电系统的基本知识，其中提到了电路的基本概念。电路是电流流经的路径，由电源、负载、开关、保护装置和导线等组成。在电路中，涉及到电流、电压、电功率和电阻等基本物理量。电流是单位时间内电路中产生或消耗的电能，而电功率则是电流在单位时间内的功率。另外，电路的工作状态包括开路状态、短路状态和额定工作状态，各种电气设备都有其额定值，在满足这些额定条件下，电路处于正常工作状态。而交流电则是实际电力网中使用的电力形式，按照正弦规律变化，即使在需要直流电的行业也多是通过交流电整流获得。\n\n建筑供配电系统的设计和运行是建筑工程中一个至关重要的环节，其正确性和稳定性直接关系到建筑物内部设备的正常运行和电力安全。通过了解建筑供配电系统的基本知识，可以更好地理解和应用这些原理，从而提高建筑电力系统的效率和可靠性。在课件中介绍了电工基本知识，包括电路的基本概念、电路的基本物理量和电路的工作状态。这些知识不仅对电气工程师和建筑设计师有用，也对一般人了解电力系统和用电有所帮助。\n\n值得一提的是，建筑供配电系统在建筑工程中的重要性不仅仅是提供电力支持，更是为了确保建筑物的安全性。在建筑供配电系统设计中必须考虑到保护装置的设置，以确保电路在发生故障时及时切断电源，避免潜在危险。此外，在电气设备的选型和布置时也需要根据建筑的特点和需求进行合理规划，以提高电力系统的稳定性和安全性。\n\n在实际应用中，建筑供配电系统的设计和建设需要考虑多个方面的因素，如建筑物的类型、规模、用途、电力需求、安全标准等。通过合理的设计和施工，可以确保建筑供配电系统的正常运行和安全性。同时，在建筑供配电系统的维护和管理方面也需要重视，定期检查和维护电气设备，及时发现和解决问题，以确保建筑物内部设备的正常使用。\n\n总的来说，建筑供配电系统是建筑工程中不可或缺的一部分，其重要性不言而喻。通过学习建筑供配电系统的相关知识，可以更好地理解和应用这些原理，提高建筑电力系统的效率和可靠性，确保建筑物内部设备的正常运行和电力安全。建筑供配电系统的设计、建设、维护和管理都需要严谨细致，只有这样才能确保建筑物的电力系统稳定、安全、高效地运行。","stitle":"建筑供配电系统相关课件.pptx"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F4wz7u4cmws","sdescription":"企业治理是一个复杂而重要的议题，在现今激烈竞争的商业环境中，企业如何有效地实现治理，保证稳健、快速、健康运行，已成为每一个企业家不可回避的现实问题。企业的治理模式是企业内外环境变化的反映，随着股东、经营代理人等因素的变化而产生改变，同时也受外部环境变数的影响。在这样的背景下，G 治理模式应运而生，以追求治理最优境地作为动力，致力于创造一种崭新的治理理念和治理模式体系。\n\nG 治理模式是在大量治理理论和实践经验基础上总结得出的，针对企业治理实际需要提出的一套治理思想、程序、制度和方法论体系。在运作规范化的企业组织中，体现其治理模式特性的是企业的治理制度。企业的治理制度应是动态而柔性的，需要随着内外环境变化而灵活调整，以适应变化、调控企业行为，保证企业运行稳固、快速、健康。\n\n企业管理规章制度及管理模式中深入探讨了企业治理制度的导论，提出了企业治理模式的重要性，以及G 治理模式与企业制度创新再造的关系。G 治理模式是一种以追求治理最优境地为基点的治理理念和模式，它的出现为企业管理带来了全新的思维方式和方法论，有效地指导和规范企业的内部管理行为，推动企业朝着更加健康、稳定的方向发展。\n\n随着竞争日益激烈，企业所面临的内外环境变化也愈发频繁和复杂，这就要求企业必须不断调整和创新自身的治理模式和制度，才能在激烈的市场竞争中立于不败之地。而G 治理模式的提出，为企业管理者提供了一种全新的思路和方法，帮助他们更好地应对复杂多变的环境挑战，使企业的治理制度能够及时跟随环境变化而调整，保证企业能够健康、稳定地发展。\n\n总的来说，企业管理规章制度及管理模式中的G 治理模式是一种战略性、前瞻性的管理理念，它对企业的管理提出了新的要求和挑战，同时也为企业提供了一种实现治理最优境地的新途径。企业管理者应当不断学习和思考，积极应用G 治理模式，不断优化企业的治理制度，以应对竞争日益激烈的市场环境，确保企业能够持续快速、稳健、健康地发展。 G 治理模式与企业制度创新再造相互影响、相互促进，共同推动着企业向着更高水平的治理与管理迈进，实现企业长期可持续发展的目标。","stitle":"企业管理规章制度及管理模式.doc"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F6im7vk7q8h","sdescription":"The \"vb打开摄像头.doc\" is a document that provides instructions on how to open a camera in a Visual Basic program. The document discusses the use of Private Const WS_CHILD, a constant that is used to create a child window within a parent window. This constant is essential for creating a window that will display the camera feed in the Visual Basic program.\n\nOpening a camera in Visual Basic requires the use of specific codes and functions to communicate with the camera hardware and display the video feed within the program. The document outlines the step-by-step process of initializing the camera, capturing the video stream, and displaying the camera feed on the screen.\n\nIn order to open a camera in Visual Basic, it is important to understand the concept of child windows and how they can be created using the Private Const WS_CHILD constant. This constant allows the camera feed to be displayed within a designated area of the parent window, making it easier to integrate the camera functionality into the overall user interface of the program.\n\nBy following the instructions provided in the \"vb打开摄像头.doc\" document, developers can successfully open a camera in their Visual Basic program and access the live video stream from the camera. This capability can be useful for a variety of applications, such as video conferencing, surveillance systems, and image processing.\n\nIn conclusion, the \"vb打开摄像头.doc\" provides valuable information on how to open a camera in a Visual Basic program using the Private Const WS_CHILD constant. By understanding the concepts presented in the document and following the recommended steps, developers can enhance the functionality of their programs by integrating camera capabilities and accessing live video feeds.","stitle":"vb打开摄像头.doc"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F12ahyfn4wx","sdescription":"云计算-可信计算中认证协议改进方案.pdf提出了对可信计算的研究方向，并介绍了可信计算的基本概念和背景。可信计算是指在任意操作条件下，一个可信组件、操作或过程的行为是可预测的，并能有效地抵抗不良代码和物理干扰的破坏。这种计算首先确保了所有终端的安全性，通过安全的组件来构建更大的安全系统。可信计算强调了行为结果的可预测性和可控性，确保实体在实现给定目标时行为总是符合预期。为了保证计算节点的安全性，需要确保权限的唯一性、限定性，以及工作空间的完整性和可用性，并确保机密性、完整性的存储、处理和传输，还需要确保硬件环境配置和密钥操作的安全，保障系统免受病毒和黑客等攻击的影响。\n\n针对当前PC机存在易被篡改和破坏的安全隐患，引入了可信平台模块（TPM）来解决安全性问题。通过在计算机上增加一个控制节点TPM，可以对整个计算过程进行控制和验证，不需要对应用程序进行配置。TPM是一个以密码技术为核心的模块，可以确保计算机系统的安全性，有效防止恶意软件攻击。可信计算规范制定组织是由2000年美国卡内基梅隆大学与美国国家宇航总署（NASA）的艾姆斯研究中心牵头，联合大公司成立的TCPA。在这个规范的指导下，TPM的应用可以有效地增强计算机系统的整体安全性。\n\n云计算-可信计算中认证协议改进方案.pdf对现有的认证协议进行了改进，以应对新的安全挑战和需求。通过引入更加安全可靠的认证机制，可以提高云计算系统的安全性和可信度。该文献提出了一些针对认证协议的具体改进方案，为构建更加安全可靠的云计算系统提供了有力支持。\n\n总的来说，云计算-可信计算中认证协议改进方案.pdf对可信计算的基本概念、背景和应用进行了深入探讨，提出了一些针对性的解决方案，为加强云计算安全性和可信度提供了有益的指导。通过改进认证协议和引入可信平台模块，可以有效地防范各种安全风险和威胁，保障云计算系统的正常运行和数据安全。随着信息技术的快速发展，可信计算将在未来起到越来越重要的作用，需要不断研究和创新，以满足不断变化的安全需求。","stitle":"云计算-可信计算中认证协议改进方案.pdf"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F2u87w34or8","sdescription":"本文档详细介绍了单片机编程的第四章内容：MCS-51单片机的系统扩展。该章节包括了系统扩展的基本概念、程序存储器的扩展、数据存储器的扩展、定时器\u002F计数器的扩展、输入\u002F输出口的扩展、外部中断源的扩展以及综合功能扩展。\n\n在系统扩展的基本概念部分，首先回顾了最小系统的结构，指出了8051\u002F8751最小应用系统的特点包括全部I\u002FO口线均可供用户使用，内部存储器容量有限，应用系统开发有特殊性。接着介绍了系统扩展的相关概念和MCS-51单片机的片外总线结构。\n\n在程序存储器的扩展部分，讲述了如何扩展程序存储器以增加单片机的功能和性能。通过使用外部存储器，可以扩展地址空间并增加可执行代码的存储容量。\n\n数据存储器的扩展部分涵盖了如何扩展数据存储器以增加单片机的数据处理能力。通过连接外部数据存储器，可以存储更多的数据并实现更复杂的算法和逻辑操作。\n\n定时器\u002F计数器的扩展部分介绍了如何扩展定时器和计数器以实现更精确的计时和计数功能。通过外部扩展模块，可以增加定时器和计数器的数量和功能，满足不同应用场景对时间和频率的要求。\n\n输入\u002F输出口的扩展部分详细讲解了如何扩展输入和输出口以连接外部设备和传感器。通过外部扩展模块，可以增加I\u002FO口的数量和功能，实现更丰富的外部设备接口和数据交互。\n\n外部中断源的扩展部分介绍了如何扩展外部中断源以实现更灵活的中断处理功能。通过连接外部中断源，可以实现更多种类的中断触发和处理方式，提高系统的响应速度和稳定性。\n\n综合功能扩展部分综合了以上内容，介绍了如何结合程序存储器扩展、数据存储器扩展、定时器\u002F计数器扩展、输入\u002F输出口扩展和外部中断源扩展，实现更复杂和多功能的单片机系统。通过合理的系统扩展设计，可以满足不同应用场景对单片机功能和性能的需求，提高系统的可靠性和灵活性。\n\n总的来说，本文档详细且完整地介绍了MCS-51单片机的系统扩展内容，对于单片机编程学习者和工程师来说具有很高的借鉴和参考价值。欢迎大家下载和使用这份精心准备的讲义，如果有任何问题和疑惑，也欢迎及时联系作者进行沟通交流。祝大家在单片机编程的学习和应用中取得更大的成就和进步！","stitle":"[详细完整版]单片机编程4.ppt"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F46ui5uwewo","sdescription":"C程序设计的常用算法是指计算机解决问题的基本思想方法和步骤。算法的描述是对解决问题或完成任务所采取的具体方法和步骤的描述，包括输入输出数据、数据结构、语句使用以及语句安排等方面。通常通过自然语言、结构化流程图、伪代码等方式来描述算法。\n\n在C语言中，常用的算法可以分为几类，比如计数、求和、求阶乘等简单算法。这些问题通常需要使用循环来解决，需要注意循环变量的初始化、终止条件，以及用来表示计数、求和、阶乘的变量的初值。举例来说，可以通过随机函数生成100个在[0,99]范围内的随机整数，然后统计个位上的数字为1、2、3、4、5、6、7、8、9、0的数的个数并打印出来。这个问题可以通过使用数组来解决，可以使用一个数组a[100]来存放生成的100个随机整数，另一个数组x[10]来存放个位数的统计情况，即个位是1的个数存放在x[1]中，个位是2的个数存放在x[2]中，依此类推。\n\n一个实现这个问题的C程序可能如下所示：\n```c\n#include\u003Cstdio.h\u003E\n#include\u003Cstdlib.h\u003E\n\nint main() {\n int a[100], x[10] = {0}, i;\n\n \u002F\u002F 生成随机数\n for (i = 0; i \u003C 100; i++) {\n a[i] = rand() % 100;\n x[a[i] % 10]++;\n }\n\n \u002F\u002F 打印统计结果\n for (i = 0; i \u003C 10; i++) {\n printf(\"个位数为 %d 的个数为：%d\\n\", i, x[i]);\n }\n\n return 0;\n}\n```\n\n这段代码使用rand()函数生成随机数，并通过对10取模得到个位数，然后根据个位数统计个数并打印出来。这是一个简单的算法示例，展示了如何使用数组和循环来解决问题。\n\n总之，C程序设计的常用算法是解决计算机问题的核心思想和方法，通过合理描述、构建算法，可以更加高效地解决各种问题。在实际编程中，根据具体问题选择合适的算法并正确实现是非常重要的。希望通过学习和掌握这些常用算法，能够提升自己的编程能力和解决问题的能力。","stitle":"c语言常用算法.pdf"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F7s36nj9ex1","sdescription":"在\"c 经典程序代码大全.pdf\"这本经典的程序代码手册中，我们可以找到关于如何根据半径计算圆的周长和面积的代码示例。在这本手册中，作者提供了一种简单而有效的方法来解决这个常见的数学问题。通过使用合适的数学公式和适当的编程语言语法，我们可以很容易地编写一个程序来计算任意给定半径的圆的周长和面积。\n\n首先，对于任何给定的圆，我们知道周长可以通过公式2πr来计算，其中r是圆的半径，π是一个近似值为3.14159的数学常数。而圆的面积可以通过公式πr^2来计算。在编写代码时，我们只需要将这两个公式转化为适当的编程语言语法即可。\n\n在这本手册中，作者可能会提供多种不同编程语言的代码示例，比如C语言、Python、Java等。无论选择哪种语言，基本的计算原理都是相同的。我们只需要定义一个变量来存储半径的值，然后根据上述公式来计算周长和面积，并将结果打印输出。\n\n举例来说，如果我们选择C语言来编写这个程序，我们可以先定义一个叫做radius的变量来存储圆的半径值。然后，我们可以使用printf函数来将计算出的周长和面积输出到屏幕上。整个代码看起来可能像这样：\n\n#include \u003Cstdio.h\u003E\n#define PI 3.14159\n\nint main() {\n float radius, circumference, area;\n\n printf(\"请输入圆的半径：\");\n scanf(\"%f\", &radius);\n\n circumference = 2 * PI * radius;\n area = PI * radius * radius;\n\n printf(\"圆的周长为：%f\\n\", circumference);\n printf(\"圆的面积为：%f\\n\", area);\n\n return 0;\n}\n\n通过这段代码，我们可以很容易地计算任意给定半径的圆的周长和面积，并在屏幕上显示结果。这个程序简单易懂，但功能强大，可以帮助我们快速解决这个常见的数学问题。\n\n总之，在\"c 经典程序代码大全.pdf\"这本经典手册中，我们可以找到关于如何根据半径计算圆的周长和面积的代码示例。这些示例代码不仅仅是一种解决问题的方法，更是一种学习编程思维和实践的宝贵资源。无论是初学者还是有经验的程序员，都可以从这本手册中受益匪浅，提升自己的编程水平。愿大家在编程的道路上越走越远，不断学习，不断进步！","stitle":"c++经典程序代码大全.pdf"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F5h1xz8pcdq","sdescription":"钟时间.Keywords: microcontroller, control, display, time adjustment.\n\n二、功能实现\n本设计实现了时钟的基本功能，包括显示时间和设置闹钟功能。时钟的显示采用了八位数码管，通过单片机控制各个数码管的段选和位选信号，显示当前的时、分、秒。同时，利用计数器中断程序实现每秒钟的精确计数，从而确保时钟的准确性。另外，通过按钮可以进行时钟和闹钟的时间设置和校对，使时钟功能更加实用。\n\n三、系统结构\n时钟系统主要包括单片机89S52、数码管、晶振、按钮等部件。单片机89S52作为系统的核心，负责控制时钟的功能。数码管用于显示时钟的时、分、秒信息。晶振提供时钟脉冲信号，保证单片机的工作稳定。按钮用于设置和校对时钟和闹钟时间。系统通过电路连接各部件，完成时钟的功能。\n\n四、原理介绍\n1. 单片机89S52\n单片机89S52是一款功能强大的单片机，具有丰富的外设和强大的控制能力。本设计中，89S52作为时钟系统的核心，通过编程控制各个部件的工作，实现时钟的功能。\n2. 数码管\n数码管是一种用于显示数字的显示器件，可以显示0-9的数字以及一些字母和符号。本设计使用了八位数码管，每个数码管显示一个数字，通过单片机控制数码管的段选和位选信号，实现时钟的显示功能。\n3. 计数器中断程序\n计数器中断程序用于实现每秒一次的计数，通过中断的方式来保证计数的准确性。当计数器达到设定的值，产生中断信号，单片机响应中断处理程序，完成一次计数操作，从而实现秒的精确计数。\n4. 按钮\n按钮用于设置和校对时钟和闹钟时间，通过按钮按下和释放的信号来响应单片机的设置和校对指令，实现时钟的时间调节功能。按钮在实际应用中起到了重要的作用，使时钟使用更加方便。\n\n五、实验结果\n经过实验验证，时钟系统的各功能正常运行，能够准确显示时、分、秒信息，并实现了时钟和闹钟时间的设置和校对功能。时钟显示清晰、稳定，操作简单方便。实验结果表明，该时钟系统设计成功，达到了预期的效果。\n\n六、结论\n本设计基于单片机89S52实现了数字时钟功能，通过数码管显示时间，计数器中断程序实现精确计数，按钮实现时间设置和校对功能，实现了时钟的基本功能。时钟系统结构简单，功能实用，可以应用于日常生活中，提供了一种简单而实用的时钟解决方案。通过实验验证，时钟系统工作稳定，显示清晰，操作方便，达到了设计要求。总的来说，该数字时钟设计成功，具有一定的实用价值和推广意义。","stitle":"单片机数字时钟资料.doc"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F79h2eo7ftg","sdescription":"项目管理前沿是工程项目管理领域中一个重要的议题，它意味着不仅要在评价过去的基础上寻求改进，更要与客户一起开展工作的全新方式。在这个领域，信息沟通的重要性愈发凸显出来。传统建筑业在信息沟通方面存在着落后的现状，但同时也呈现出一些最新的发展趋势。\n\n项目建设中的信息沟通是指项目参与各方在项目建设过程中对项目信息的交换与共享。而在项目管理中，沟通、协调和合作三者是密不可分的。其中，沟通被视为协调与合作的前提和基础。然而，在当今信息时代，项目参与方常常“淹没”在浩瀚的信息海洋中，导致不必要信息的“过载”以及有效信息的“短缺”。同时，以纸张为传递媒介也使得纸张泛滥成灾。因此，解决信息沟通问题成为提高项目管理效率和质量的关键。\n\n为了应对这一挑战，项目管理者需要关注最新的信息沟通工具和方法。其中，项目专题网站（Project-specific Web Site）和项目信息门户（Project Information Portal）是两种被广泛采用的工具。项目专题网站为项目团队提供了一个集中、实时的信息交流平台，便于团队成员随时获取项目相关信息。而项目信息门户则是通过整合项目信息资源，为项目参与方提供了一个方便、快捷的信息检索和共享平台。这些工具的应用，不仅有助于解决信息过载和信息短缺的问题，也提升了项目团队的信息共享和协作效率。\n\n在信息沟通方面，项目管理前沿始终注重“3C”，即沟通、协调和合作。沟通作为协调和合作的基础，不仅仅是信息的传递，更是理解和沟通双方需求的桥梁。通过采用新颖的信息沟通工具和方法，以及建立良好的沟通机制，能够提高项目团队的协作效率，减少信息传递误差，从而推动项目管理的创新与发展。\n\n总的来说，项目管理前沿关注信息沟通的重要性，并努力寻求适合当今信息时代需求的解决方案。通过采用先进的信息沟通工具和方法，加强团队间的沟通和协作，可以提高项目管理的效率和质量，推动工程项目管理领域的不断创新和进步。因此，建议项目管理者和团队不断关注信息沟通领域的最新发展，积极采用新技术和方法，以实现项目管理的持续改进和优化。","stitle":"11项目管理前沿1.0.pptx"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F1qzt78v65r","sdescription":"heir own advantages through scientific and technological means; \"Charm\" Fan Zhi publicity website system of course cannot be excluded. With the continuous maturity of network technology, it has driven the development of the \"Charm\" Fan Zhi publicity website system and completely changed the traditional management methods of the past. It not only reduces the difficulty of service management, but also enhances the flexibility of management. \n\nThis personalized platform pays special attention to the coordination of interaction and management, stimulating the creativity and initiative of management personnel, which is very beneficial for the \"Charm\" Fan Zhi publicity website system. The database used in this system is Mysql, developed using JSP technology, running environment using Tomcat server, and MyEclipse is the development platform of this system. \n\nIn the design process, we fully ensure the good readability, practicality, scalability, generality, ease of later maintenance, ease of operation, and simplicity of the system code. Keywords: \"Charm\" Fan Zhi publicity website, JSP, Mysql.","stitle":"基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F2q4370ov89","sdescription":"智慧交通综合解决方案是在整个交通运输领域充分利用物联网、空间感知、云计算、移动互联网等新一代信息技术的基础上，综合运用交通科学、系统方法、人工智能、知识挖掘等理论与工具，以全面感知、深度融合、主动服务、科学决策为目标。通过建设实时的动态信息服务体系，深度挖掘交通运输相关数据，形成问题分析模型，实现行业资源配置优化能力、公共决策能力、行业管理能力、公众服务能力的提升，从而推动交通运输更安全、更高效、更便捷、更经济、更环保、更舒适的运行和发展，带动交通运输相关产业转型、升级。\n\n城市交通是一个充满挑战的领域，交通拥堵、交通事故、光化学污染、环境污染和能耗等问题已经成为影响社会生活和经济发展的重要因素。智慧交通综合解决方案通过城市交通方案的实施，成功案例已经遍布134个城市，为解决交通问题提供了重要参考。在交通指挥系统相关业务介绍中，道路视频监控、交通违法取证、机动车缉查布控、交通信号控制、交通事件监测、云存储、交通信息发布等方面发挥了重要作用，实现了城市交通的综合管理。通过交通指挥系统的建设，解决了城市交通事故频发和秩序混乱等问题，有效提高了城市交通资源的利用效率，减少了经济损失和环境污染。\n\n在智慧交通综合管控解决方案的背景下，城市交通面临着种种挑战，需要通过科技手段来解决。智慧交通综合解决方案的出现，为城市交通运输带来了全新的管理模式和运营方式。通过道路视频监控、交通违法取证、机动车缉查布控、交通信号控制、交通事件监测、云存储、交通信息发布等系统的运用，智慧交通系统实现了对交通资源的优化管理和监控，提高了交通运输效率和安全性。\n\n在交通指挥系统的相关业务介绍中，各个系统相互配合，共同构建了一个完整的城市交通运输信息管理系统。通过道路视频监控系统实现对道路情况的实时监测，交通事件监测系统可及时掌握交通事故信息，交通信号控制系统可优化交通信号的配时，从而缓解交通堵塞，提高交通运输效率。云存储系统提供了数据的安全存储和共享，机动车缉查布控系统通过实时监控车辆位置，提高了交通安全管理水平。交通违法取证系统和交通信息发布系统则为公众提供了更加便捷的交通服务。\n\n总的来说，智慧交通综合解决方案通过科技手段实现了城市交通的智能化管理和运营，有效提高了交通资源的利用效率，减少了交通事故发生率，改善了交通环境，促进了城市交通的可持续发展。随着智慧交通技术的不断发展和完善，城市交通将进一步向着更安全、更高效、更便捷、更环保、更舒适的方向发展，推动城市交通产业的转型升级，为城市可持续发展做出更大的贡献。","stitle":"智慧交通综合解决方案.pptx"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002Fewxh862fyu","sdescription":"建筑防潮设计是建筑工程领域中一个重要的设计要素。在建筑防潮设计的过程中，首先需要了解基本知识。材料的吸湿是建筑防潮设计中不可忽视的现象，通过将一块干的材料试件置于湿空气中，材料试件会逐步吸收水蒸汽而受潮。在达到热平衡和湿平衡时，材料的湿度称为平衡湿度，最大吸湿湿度则是在相对湿度为100%的条件下的平衡湿度。在建筑防潮设计中，图中的ω100、ω80、ω60等表示在不同相对湿度条件下的平衡湿度，等温吸湿曲线的形状呈\"S\"形，表明了材料的吸湿机理分三种状态。材料的吸湿湿度在相对湿度相同时，随着温度的降低而增加。此外，在围护结构中的水分迁移也是建筑防潮设计中需要考虑的因素。当材料内部存在压力差、湿度差和温度差时，会引起材料内部的水分迁移，围护结构的蒸汽渗透也是重要的影响因素之一。\n\n在建筑防潮设计中，除了基本知识外，还需要考虑如何有效地控制水分的迁移和渗透。建筑防潮设计不仅仅是为了防止建筑材料受潮而影响建筑结构的使用寿命，还要考虑到建筑内部的空气质量和对居住者的健康影响。因此，在建筑防潮设计中需要综合考虑材料的吸湿特性、围护结构的水分迁移和蒸汽渗透等多方面因素。\n\n在实际的建筑工程中，建筑防潮设计是一个综合性的工程设计，需要建筑设计师、结构工程师、材料工程师等多个领域的专业人员共同合作。通过合理设计建筑外墙、屋顶、地板等围护结构，采用适当的防潮材料和技术手段，可以有效地防止水分的渗透和迁移，保证建筑结构的稳定性和耐久性。同时，建筑防潮设计也需要考虑建筑的通风、排气和空调系统，在保持室内环境舒适的同时，有效控制建筑内部的湿度，避免霉菌和细菌的滋生。\n\n总的来说，建筑防潮设计是建筑工程中至关重要的一个环节，通过深入了解材料的吸湿特性、围护结构的水分迁移和蒸汽渗透等知识，结合实际工程经验和专业知识，可以有效地提高建筑结构的抗潮能力，延长建筑的使用寿命，保障建筑内部环境的质量，实现建筑工程的可持续发展。建筑防潮设计需要综合考虑各个方面的因素，通过合理设计和科学施工，为建筑工程的稳定性和耐久性提供可靠保障。","stitle":"建筑防潮设计-PowerPointPresentati.pptx"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F2k7jfj7omn","sdescription":"SPC统计过程控制程序.pptx是一套由品保***编写的教程，旨在通过研讨，交流和提高来帮助学员掌握SPC统计过程控制的基本内容。本次培训包括了以下主要内容：为什么要学习SPC、认识SPC、统计学基础、控制图原理、判断过程异常的准则、SPC推行的具体步骤以及过程能力分析。\n\n在学习SPC之前，我们首先需要明确为什么要学习SPC。质量是企业生存和发展的基石，而质量控制的核心是SPC统计过程控制。通过学习SPC，企业可以实现从产品控制到过程控制的进步，建立起SPC系统，关注源自顾客的输入信息，集中精力于不良品的预防，持续降低加工变差和服务变差。质量控制发展的主要阶段包括传统质量管理阶段、手工统计管理阶段、全面质量管理阶段和认证与电脑统计阶段，不断强调过程控制的重要性。\n\n通过学习SPC，我们可以更好地了解什么是质量，即一组固有特性满足要求的程度。为了获得高质量的产品和服务，公司必须关注顾客需求，进行不良品的预防而非检测，实行过程控制而非产品控制，持续改进加工和服务的质量。SPC的前景和重要性日益凸显，企业需要不断提升SPC的应用水平，从而提高产品和服务的质量。\n\n在SPC统计过程控制程序中，我们还学习了统计学基础、控制图原理、判断过程异常的准则、SPC推行的具体步骤和过程能力分析。这些内容将帮助学员掌握SPC的基本原理和方法，有效地应用于实际的生产和服务过程中。通过分析过程能力，企业可以评估生产过程的稳定性和一致性，进而制定改进措施，提高生产效率和质量水平。\n\n总之，SPC统计过程控制程序是一套重要的质量管理教程，通过系统的学习和实践，可以帮助企业建立起高效的SPC体系，实现质量的持续改进和提升。学习SPC不仅有助于提高企业的竞争力和市场地位，还可以为企业创造更大的经济效益和社会效益。希望通过本次培训，学员能够深入理解SPC的重要性，掌握SPC的应用技巧，将其运用于工作实践中，为企业的可持续发展做出积极贡献。","stitle":"SPC统计过程控制程序.pptx"},{"surl":"https:\u002F\u002Fwenku.csdn.net\u002Fdoc\u002F700ujduuta","sdescription":"SPC统计方法基础知识.pptx是一份介绍统计过程控制（SPC）统计方法基础知识的演示文件，它包含有关统计方法的多个方面的内容，通过以下几个节节的介绍：统计方法及其用途，产品质量波动，统计数据及其分类，总体与样本，随机抽样方法，统计特征数，两类错误和风险等来深入探讨统计方法的基础知识。\n\n在SPC统计方法基础知识.pptx文件中，第一节介绍了统计方法及其用途。统计方法是指对收集、整理、分析和解释统计数据，并对其所反映问题作出结论的方法。其中描述性统计方法是对统计数据进行整理和描述的方法，常用曲线、表格、图形等反映和描述观测结果；推断性统计方法是在描述的基础上进一步对问题进行分析、解释和作出推断性结论的方法。\n\n第二节讨论了产品质量波动，说明了统计方法在控制产品质量波动中的重要性。通过使用统计方法，可以对产品质量数据进行收集、整理和分析，以及提供信息来改善产品制造流程，减少质量波动，最终提高产品质量。\n\n第三节介绍了统计数据及其分类，探讨了对数据进行分类的重要性。统计数据的分类可以帮助我们更好地理解数据的性质，以及选择适当的统计方法来处理不同类型的数据。\n\n第四节讨论了总体与样本的概念。总体是指我们希望得到信息的全部对象或事件的集合，而样本是从总体中选取的一部分对象或事件。通过对样本进行统计分析，可以得出对总体的推断性结论，从而提高统计结果的准确性和可靠性。\n\n第五节介绍了随机抽样方法，解释了如何通过随机抽样来获取具有代表性的样本，并且讨论了不同类型的随机抽样方法的优缺点，以及如何选择合适的抽样方法。\n\n第六节详细探讨了统计特征数，包括平均数、中位数、级差和标准差等，说明了这些统计特征数在描述和分析数据中的作用和应用。\n\n最后，第七节介绍了两类错误和风险，强调了在统计分析中可能出现的两类错误（第一类错误和第二类错误）以及如何通过控制风险来减少错误，并做出正确的决策。\n\n总的来说，SPC统计方法基础知识.pptx通过深入讨论统计方法的基础知识，包括描述性统计方法和推断性统计方法的性质和应用，为了帮助人们更好地理解和应用统计方法，在控制产品质量波动，处理统计数据，选择合适的样本和抽样方法，以及分析数据过程中的重要概念和技巧。通过学习和掌握这些基础知识，可以提高统计分析的准确性和可靠性，为改进产品质量，优化生产过程和制定有效管理策略提供重要的指导和支持。","stitle":"SPC统计方法基础知识.pptx"}],"commonConfig":{"armsConfig":{"config4Pc":"{pid:\"dyiaei5ihw@7fb361a16fa3212\",appType:\"web\",imgUrl:\"https:\u002F\u002Farms-retcode.aliyuncs.com\u002Fr.png?\",sendResource:true,behavior:true,sample:10,enableLinkTrace:true,enableApiCors: true,linkType:\"tracing\"}","config4Mobile":"{pid:\"dyiaei5ihw@9772815e201305f\",appType:\"web\",imgUrl:\"https:\u002F\u002Farms-retcode.aliyuncs.com\u002Fr.png?\",sendResource:true,behavior:true,sample:10,enableLinkTrace:true,enableApiCors: true,linkType:\"tracing\"}","sample":"10","config":"{\n \"pid\": \"dyiaei5ihw@7fb361a16fa3212\",\n \"appType\": \"web\",\n \"imgUrl\": \"https:\u002F\u002Farms-retcode.aliyuncs.com\u002Fr.png?\",\n \"sendResource\": true,\n \"enableLinkTrace\": true,\n \"behavior\": true\n}"},"feOrderVersion":{"wapVersion":{"orderPaymentVersion":"3.0.1"},"pcVersion":{"orderCartVersion":"3.0.0","orderTipVersion":"5.0.1","orderPaymentVersion":"3.1.1-download-e"}},"spmWenKuDetailsPageConfig":{"buyVipBottom":"1003.2020.3001.6505","authorIM":"1003.2020.3001.5737","limitedTimeCouponGoToUse":"1003.2020.3001.6660","employeeIdentityVerification":"1003.2020.3001.4169","downloadNowBottom":"1003.2020.3001.6504","rightSideMyScore":"1003.2020.3001.6248","hotRankList":"1003.2020.3001.7010","yearCardFullReduction":"1003.2020.3001.6521","latestResources":"1003.2020.3001.4174","superYearCard":"1003.2020.3001.6522","previewDownload":"1003.2020.3001.4257","authorResource":"1003.2020.3001.5449","bulletFramePurchaseMember":"1003.2020.3001.5553","authorFans":"1003.2020.3001.5450","bulletFrameVipDownload":"1003.2020.3001.5552","openVipToEnjoyDownload":"1003.2020.3001.5718","boutiqueAlbum":"1003.2020.3001.6627","detailsPage":"1055.2568","popularResources":"1003.2020.3001.6659","studentIdentityVerification":"1003.2020.3001.4170","guideVip":"1003.2020.3001.7461","certification":"1003.2020.3001.4168","twoInOneDownload":"1003.2020.3001.6509","resourceTag":"1003.2020.3001.6243","rightSideMyResource":"1003.2020.3001.6246","authorCourse":"1003.2020.3001.6244","collect":"1003.2020.3001.6639","breadcrumbs":"1003.2020.3001.5735","rightHotResourcesRecommendation":"1003.2020.3001.6790","rightSideCourseRecommendation":"1003.2020.3001.6523","satisfactionSurvey":"1003.2020.3001.5712","rightSideDownloaded":"1003.2020.3001.6250","authorFollow":"1003.2020.3001.5736","studentCertification":"1003.2020.3001.6613","operatingPosition":"1003.2020.3001.6671","bottomRecommendation":"1003.2020.3001.6616","rightSideMyEarnings":"1003.2020.3001.6247","uploadResource":"1003.2020.3001.4171","rightSideMyFavorites":"1003.2020.3001.6249","previewDownloadBtn2LotteryClosed":"1003.2020.3001.6474","hotRankMore":"1003.2020.3001.7011","buyVip":"1003.2020.3001.4167","advertisement":"1003.2020.3001.6556","confirmDownload":"1003.2020.3001.5554","leftSideUpload":"1003.2020.3001.4172","downloadNow":"1003.2020.3001.4165","previewDownloadBtn2Lottery":"1003.2020.3001.6458","nonStudentCertification":"1003.2020.3001.6614","directMessageToTheChatPage":"1003.2020.3001.5737","twoInOneDownloadBottom":"1003.2020.3001.6510","authorColumn":"1003.2020.3001.6245","downloadBtn2Vip":"1003.2020.3001.5553","report":"1003.2020.3001.6640","comment":"1003.2020.3001.6638"},"seoTdkMeta":{"csdnBaiduSearch":"种族识别,深度学习,深度网络,数据集,Grad-CAM","tdkAbTest":"experiment1","metaDesc":"资源浏览查阅29次。沙特国王大学学报使用深度网络进行马济达河Ahmeda，Abdul，Ridip Dev Choudhuryb，Kishore Kashyapaa印度阿萨姆邦Guwahati 14号高哈蒂大学信息技术系bKrishna Kanta Handiqui Stat,更多下载资源、学习资料请访问CSDN文库频道","showTdkTime":false,"metaTitle":"种族识别的深度学习模型研究 - CSDN文库","metaKeyword":"种族识别,深度学习,深度网络,数据集,Grad-CAM"},"staticEndpointConfig":{"navSecondCss":"https:\u002F\u002Fg.csdnimg.cn\u002Fnav-second\u002F1.0.3\u002Fcss\u002Fnav-second.css","mpMyDownload":"https:\u002F\u002Fmp.csdn.net\u002Fmp_download\u002Fmanage\u002Fdownload\u002FDownloadDetailed","leveUserMedalImagePath":"\u002Fstatic_files\u002Fpc\u002Fimages\u002Flevel\u002Flevel_","studentUrl":"https:\u002F\u002Fi.csdn.net\u002F#\u002Fuser-center\u002Fprofile?floor=edu","collectionJs":"https:\u002F\u002Fg.csdnimg.cn\u002Fcollection-box\u002F2.0.6\u002Fcollection-box.js","userLoginJsVersion":"3.0.0","mpMyScoreUrl":"https:\u002F\u002Fmp.csdn.net\u002Fconsole\u002FdataWatch\u002FdownList","downloadHelperBlog":"https:\u002F\u002Fblog.csdn.net\u002Fblogdevteam\u002Fcategory_9584548.html","sourcesUploadUrl":"https:\u002F\u002Fmp.csdn.net\u002Fconsole\u002FuploadResources","meHost":"https:\u002F\u002Fblog.csdn.net\u002F","authUrl":"https:\u002F\u002Fi.csdn.net\u002F#\u002Fuc\u002Fprofile","csdnBuyVipPath":"https:\u002F\u002Fmall.csdn.net\u002Fvip","qrcodeJquery":"\u002F\u002Fg.csdnimg.cn\u002Flib\u002Fqrcode\u002F1.0.0\u002Fqrcode.min.js","navSecondJs":"https:\u002F\u002Fg.csdnimg.cn\u002Fnav-second\u002F1.0.4\u002Fnav-second.js","sideToolbarJs":"https:\u002F\u002Fg.csdnimg.cn\u002Fside-toolbar\u002F3.0\u002Fside-toolbar.js?t=1594881824401","mpMySourceUrl":"https:\u002F\u002Fmp.csdn.net\u002Fconsole\u002FupDetailed","blogHost":"https:\u002F\u002Fblog.csdn.net\u002F","imHost":"https:\u002F\u002Fim.csdn.net\u002Fchat\u002F","MyHost":"https:\u002F\u002Fmy.csdn.net\u002F","downloadCdnPath":"\u002Fstatic_files","certImage":"\u002Fstatic\u002Fpc\u002Fimages\u002Fcert_.png","certEmployeImage":"\u002Fstatic\u002Fpc\u002Fimages\u002Fcert_employe.png","downloadPathSource":"https:\u002F\u002Fmp.csdn.net\u002Fconsole\u002FuploadResources","medalJs":"https:\u002F\u002Fg.csdnimg.cn\u002Fuser-medal\u002F1.0.5\u002Fuser-medal.js","userVoiceVerificationJs":"https:\u002F\u002Fg.csdnimg.cn\u002Fuser-voice\u002F1.0.4\u002Fuser-voice-verification.js","reportJsVersion":"1.5.7","loginBoxJs":"https:\u002F\u002Fg.csdnimg.cn\u002Flogin-box\u002F1.1.4\u002Flogin-box.js","vipImg":"https:\u002F\u002Fcsdnimg.cn\u002Fidentity\u002Fvip.png","employeeAuthUrl":"https:\u002F\u002Fi.csdn.net\u002F#\u002Fuser-center\u002Fprofile?floor=job","certStudentImage":"\u002Fstatic\u002Fpc\u002Fimages\u002Fcert_student.png","iMyFavUrl":"https:\u002F\u002Fi.csdn.net\u002F#\u002Fuc\u002Fcollection-list","bindUrl":"https:\u002F\u002Fi.csdn.net\u002F#\u002Faccount\u002Fbind","certRealnameUrl":"\u002Fstatic\u002Fpc\u002Fimages\u002Fcert_realname.png"}},"curUserInfo":{"myEarning":0,"cBeans":0,"mySourcesNum":"0","cCoin":0,"showCBeansBool":true,"effectRiskAccount":false,"myIntegralNum":0},"spider":true,"templateName":"index-translate-pdf","ID":"6e5mli4942","sourceInfo":{"sourceId":88754264,"sourcesIsessence":6,"loginUsername":"","rating":0,"isWhiteListAuthor":false,"isAllowDownload":true,"blindBox":{"url":"https:\u002F\u002Fmall.csdn.net\u002Fvip?utm_source=vip_cth_xzxqy_xfc","imgUrl":"https:\u002F\u002Fimg-home.csdnimg.cn\u002Fimages\u002F20220914063810.gif"},"userIsVip":false,"previewData":{"previewList":[{"index":1,"content":"沙特国王大学学报使用深度网络进行马济达河Ahmeda，Abdul，Ridip Dev Choudhuryb，Kishore Kashyapaa印度阿萨姆邦Guwahati 14号高哈蒂大学信息技术系bKrishna Kanta Handiqui State Open University，Guwahati 22，Assam，印度阿提奇莱因福奥文章历史记录：收到2020年2020年10月13日修订2020年11月13日接受2020年11月24日网上发售保留字：深度学习卷积神经网络反向传播迁移学习Grad-CAM特征图A B S T R A C T种族是人类的一个主要身体特征，但由于缺乏种族的具体定义和全球人口的多样性，种族的识别仍然是一项具有挑战性的任务在本文中，我们试图解决的问题，种族识别的四大种族群体，即高加索人，非洲人，亚洲人和印度人。新开发的BUPT人脸识别数据集在不受限制的环境中包含约130万张图像为了测试该模型的有效性，在其他数据集（即UTK和CFD）上进行了评估。R-Net还与微调的VGG 16模型进行了比较。实验结果证明了该模型在无约束环境中的鲁棒性。最后，应用梯度加权类激活映射（Grad-CAM）来获得深度学习模型的可视化解释©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。1. 介绍一个人的脸的视觉激活三个神经刺激：性别，年龄和种族。种族作为一种主要的生物特征，其机械化识别与面部识别、性别识别和年龄检测一样重要，因为大多数安全机构如执法和情报机构现在都倾向于自动预测系统。虽然人类甚至可以在第一眼就预测比赛，但机器却不是这样。推断出一个人的软生物特征的信息肯定会增强安全系统。例如，在特定场景中，在寻找逃犯时，如果使用种族作为过滤器，则该系统将支持减少搜索空间。其他种族效应（ORE）（Yaros等人，2019年），一个众所周知的现象常见于人类，也取得了机器翻译的方式。这一事实是由著名的谷歌照片事件曝光的，当时它将两名美国非洲人标记为大猩猩。这就需要一个具有平衡种族组成的数据集，*通讯作者。电 子 邮 件 地 址 ： gmail.com （ 硕 士 ） Ahmed ） ， rdc@gauhati.ac.in（R.D.Choudhury），kk@gauhati.ac.in（K. Kashyap）。沙特国王大学负责同行审查制作和主办：Elsevier减轻种族偏见的影响。自动种族识别可以帮助在这个任务中作为一个过滤器的过程中的图像收集建立一个数据集。在过去的十年中，已经进行了许多研究，从数字图像的种族估计。Tin和Sein（2011年）以及Lu和Jain（2004年）探索了PCA和LDA等线性变换技术，用于导出种族特征。Xie等人（2012）和MansoorRoomi等人（2011）使用肤色特征对高加索人、非洲人、印度人和亚洲人进行分类。类似地，纹理和形状属性也被Saei Manesh等人用于相同的目的。（2010）、Ding等人（2013）、Muhammad等人（2012）等。（2010）仅使用眼周区域进行种族分类。虹膜还包含丰富的种族判别特征。Qiu等人（2006）和Lagree和Bowyer（2011）以及其他研究探索了虹膜属性以获得种族信息。除了这些使用手工制作特征的传统方法外，还探索了深度学习方法。Wang等人（2016）使用卷积神经网络（CNN）对中国人和非中国人进行分类，并对汉族、维吾尔族和非中国人进行亚民族分类。他们收集 了 从 多 个 来 源 收 集 的 数 据 ， 如 MORPH-II ， CMU-MultiPIE ，CASIA-WebFace ， CASIA-PEAL 和 他 们 的 私 人 中 国 图 像 收 集 。Srinivas等人（2017）还使用自行设计的数据集探索了中国人、日本人、韩国人、南亚人、菲律宾人等的亚种族分类。Narang和Bourlai（2016）研究了在夜间使用可见光和NIR波段的CNN进行种族估计，其中受试者距离为30，60，90和120米。 Vo等人（2018）将越南人和https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.jksuci.2020.11.0291319-1578\u002F©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.A. 作者声明：David D.Kashyap沙特国王大学学报4580表1使用CNN比较不同的种族分类。纸质数据集使用的图像数量（训练集）姿势\u002F表情\u002F光照\u002F年龄变化输入大小ROI类平均值精度（Narang和Bourlai，2016）自制（可见光+NIR波段，与相机的距离不同）未知未知128×128× 1面部亚洲人，白人99.04%[可见1.5 m处的条带];95.3% [30 m处的可见光（列车）、NIR（试验）]（Wang等人，（2016年）MORPH-II21，060是（限制型）64×64×1面孔非洲人，高加索人99.7%（Wang等人，（2016年）（Wang等人，（2016年）自制+CAS-PEAL+ CASIA-WebFace+ MORPH-II自制+ CASIA- WebFace+ MORPH-II2，40，000是（受约束）64×64×1面孔中国人，非中国人99.8%3，30，411是（受限）64× 64× 1面孔汉族、维吾尔族、非中国人99.7%（ Srinivas等人，（ 2017年）WEAFD 2，500是（无约束）256×256×36个ROI(Full面和部分线段）中文、日语、韩语、（菲律宾语、印度尼西亚语、马来西亚语）、（越南语、缅甸语、泰国语）33.33%（Vo等人，2018年）VNFaces 6，100是（无约束）64×64×1面孔越南人，非越南人88.64%（Mohammad和Al-Ani，2018）Feret（种族不平衡）2，730否40×160×3扩展眼部区域亚洲人、中东人、非洲人、西班牙人、高加索人百分之九十七点八三非越南人使用从Facebook收集的图像。他们总共使用了6100张图片。Mohammad和Al-Ani（2018）使用FERET数据库中的眼部区域（覆盖眼睛和鼻子）以获取种族信息。他们使用了2730张正面图像，忽略了侧面或任何非正面图像（表1）。本文尝试使用大规模数据（BUPT数据集）构建深度学习模型，与以前的工作不同，该模型不限于实验室环境，而是真实的，在姿势，表情，年龄和背景方面有很大的变化。该模型在输入网络之前使用面部标志来对齐图像。本文强调了组成深层网络的各个组件的重要性，并试图通过选择最合适的组件来优化模型。开发的模型在其他数据集上进行了测试，并与流行的预训练模型进行了比较。结果表明，该模型具有较好的生理小种识别能力，可应用于多种场合。论文的其余部分组织如下。第2节描述了所使用的数据，所使用的方法的数学背景，也提出了模型。第3节讨论了实验结果。第四是论文的结论。2. 材料和方法2.1. 数据准备2.1.1. BUPT数据集用 于 构 建 模 型 的 数 据 集 是 新 发 布 的 BUPT Equalized Face（Wang et al.，2019年）。它由北京邮电大学开发，并于2019年8月公开发布。该数据集由总共130万张具有四个不同种族的图像每个种族都有大约320K+图像的平等比例。这些照片共有28,000名名人，每个种族各有7000张。这些图像是在一个不受约束的环境中拍摄的，具有不同的表情，年龄和姿势，从中度到高度的偏航和滚动角度。图1分别显示了来自BUPT的每个类别的样本。在其上进行实验的平台具有如表2中所述的配置。的资源限制，平台限制了整个数据集用于实验。因此，数据集被下采样以适应平台的容量。总共选择400，000张图像进行训练，每类100，000张图像，而32，000张图像用于验证，每类8，000张图像测试集由8，000张图像组成图像被选择为使得集合是不相交的，也就是说，没有集合共享相同主题的图像。2.1.2. 用于评价的除了在BUPT集上测试模型外，还使用其他数据集来评估模型。两个数据集，即芝加哥人脸数据库（CFD）（Ma等人， 2015）和UTK面部数据集（Song和Zhang），具有不同种族起源的样本。这些数据集的一些样本如图2所示。我们提出的方法的流程如图所示。3.第三章。2.1.3. 数据预处理由于图像显示的姿态范围很广，因此需要进行预处理以确保它们之间的一致性，以提高模型的性能。该模块负责以下任务：1) 人脸检测和对齐，2) 图片来源：3) RGB到灰度转换，4) 均值中心化，5) 将值归一化到范围[0，1]。虽然步骤4和步骤5是非常明显的，步骤1-3的细节描述如下。图像经过Ahmed和Choudhury（2019）中的2D对齐过程，详细说明如下：a) 根据Kazemi和Sullivan（2014）使用dlib（King，2009）检测面部标志。估计通过双眼的线与水平线所形成的角度b) 图像围绕眼睛中心旋转步骤a中计算的角度。M.A. 作者声明：David D.Kashyap沙特国王大学学报4581×Fig. 1. 每个类的BUPT数据集的样本图像。图二. 来自UTK面部和CFD数据集的样本图像。表2使用系统配置处理器Intel Core i5- 8300 H逻辑处理器数量处理器速度2.30 GHz物理内存8 GB共享GPU Intel UHD Graphics 630专用GPU NVIDIA GeForce GTX 1050 Ti专用GPU内存4 GBc) 然后，在面部区域周围裁剪目标图像，使得眼睛出现在距离边缘总宽度的32%和距离顶部高度的38%的距离处。然后将所得图像调整为40 - 40的大小，并转换为灰度（图1）。 4）.d) 当遵循上述过程时，具有较高偏航的面在下部基本上被裁剪。 为了纠正他们，下巴也被认为是，使它出现在框架内（图。5）。M.A. 作者声明：David D.Kashyap沙特国王大学学报4582布ð Þ ¼Pb我我我i¼1i我NBi¼1i- -以下是预处理的伪代码：方法预处理输入：image，target_size输出：对齐图像function preProcess（image，target_size）Begin：步骤一曰：找到68面部第二步：A =通过眼睛的直线与水平线的夹角第三步：围绕眼睛中心旋转图像A第四步：裁剪面部调整比例，使左眼和下巴出现在描述中第5步：调整裁剪图像的大小结束步骤6：返回旋转，裁剪和调整大小的图像2.2. 卷积神经网络我们使用CNN（s）进行实验。种族识别的任务可以被认为是一个N路分类问题，N = 4（高加索人、非洲人、亚洲人和印度人）用于BUPT数据集。卷积层通过具有核的卷积操作来提取特征。卷积之后是非线性激活;其示例包括sigmoid、tanh和整流线性单元（ReLU）。（1）图四、（a）具有标志的原始图像;红点是眼睛Ioffe和Szegedy（2015）引入了批量归一化（BN），它将层输出归一化为零均值和单位方差。创作者展示了BN在加速训练过程中的有效性。如果对于小批量b，x是BN层的输入激活，则归一化的输出激活xi由以下等式给出：X Lbxi¼qr2s4其中，elb和rb分别是b的均值和方差。每个人都分别。sigmoid z11e-zð1Þ由一系列这些卷积层提取的特征被馈送到充当分类器组件的全连接（FC）层，其中前一层的每个节点都连接到下一层的每个其他节点不像卷积，每-丹兹ez-e-z在输入的局部2D区域形成，FC层在整个2ð Þ ¼ezþe-zð Þreluzmax0;z3输入量。FC层还包括非线性，匹配输入信号。DropOut（DO）通常用作正则化技术，其以概率p断开随机节点从前一层到下一层的连接。这种连接的丢弃用作对抗过拟合的措施。对于多类分类，最终FC层的输出是每个样本的分数（softmax激活）。Softmax是一个函数，它接受大小为C的输入向量z，并输出相应后验概率的相同大小的向量。如果C是类别数，则softmax值表示样本属于每个类别的概率。softmax的方程在（5）中给出softmax zezi12C和z zz z5联系我们第1页ezj 8¼;; ···;1\u002F4;2; ···C反向传播训练的目的是找到最佳的参数值，使模型对训练样本的输出尽可能接近其地面真理;换句话说，它们的损失最小化。多类交叉熵损失（f）函数用于计算每个时期发生的损失。 当量(6)给出了单个样本xi的交叉熵损失方程，其中C是类的总数，y，y分别是其基础真值和预测概率。基本事实是标签的独热编码。对于一批（7）计算总损失。l¼XC 伊洛湾2016年6月f¼1XN L图三. 建议方法的基本工作流程。ð7ÞM.A. 作者声明：David D.Kashyap沙特国王大学学报4583@hxiRrRK-sqrtqk- -K1\u002F4吨kn1\u002F1G@J图五. a）具有面部标志的原始图像（高偏航）; b）对准（步骤c）; c）对准（步骤d）。通过梯度下降方法找到使损失最小化的参数。从初始值开始，梯度下降在梯度的负方向上更新参数值，这确保新的损失值低于先前值（Zhang等人，n.d. ）.通过几次迭代重复这个更新过程，损失函数达到其最小值。设rfivl@f为损失函数evalu的梯度值V k1-bV k1-bfk 其中b是权重，fk 是kth梯度值此外，更新学习率g，随着时间的推移逐渐减少，收敛速度更快自适应学习算法结合了这种自动学习率衰减技术。均方根传播（RMS prop）（Andrew Ng，n. d. ）是一种自适应学习算法，其中通过使用梯度平方的移动平均值来更新模型参数。2在采样点xi处，则等式（8）给出第k次更新，模型参数h.ent，qk;由qk\u003C$bqk-11-brfk给出，其中b为重量和fk是第k个梯度值。参数更新方程变为h ¼h-g1Xn Rfð8Þ其中g是学习率，n是小批量中训练样本的数量随机梯度下降（SGD）是梯度下降的更新版本，其中，而不是精确的梯度，使用梯度的噪声估计。SGD通过计算每个数据样本的梯度估计来当量（8）减少到（9）当使用SGD时，其给出样本xi的第k次更新。hkhk-1-sqrtq@h10自适应矩估计（Adam）（Kingma和Ba，2014）也是一种自适应学习算法，其中学习率随着每次迭代而变化。Adam可以被看作是两种优化技术的混合体，即Momentum和RMSprop。亚当的更新方程由下式给出：hk¼ h K-1 -grfikð9Þhk1-gV k11虽然SGD应在每次列车其中，q是移动平均值的偏差校正项，样本，但参数更新是用小批量完成的，以固定kq过程Momentum（Qian，1999）被合并到SGD中以加快收敛。在动量中，梯度值被它第k个梯度的平方，由qk\u003C$1kt给出，其中t是电流数据和Vk是移动平均值的偏差校正项，由VVk给出的梯度 .1-B见图6。CNN模型。K-1我M.A. 作者声明：David D.Kashyap沙特国王大学学报45842q-出来B¼ þ128@J斯格雷特·格洛克××我1ijIJIJ2反向传播的伪代码是：方法反向传播输入：训练集（Tr），验证集（V），随机权重的R-NetTr：{m1，m2，...}其中mi是大小为128输出：训练的R-Net函数反向传播（Tr，V，R-Net）{对于m2 Tr doJ¼0对于xi m dox相对较大的过滤器。核是从区间上的均匀分布初始化的[l，l]，其中l6和þin和out是权重张量中输入和输出单元的数量。图6显示了R-Net的图形表示。FC层中包含40%的DO，而在第五卷积层中添加10%的最小DO以避免过拟合。可训练参数的总数为8，407，254。用于训练和测试的伪代码是：#培训输入：训练集（Tr），验证集（V）输出：训练的R-Net模型步骤yi = forward_propagate（R-Net）（xi）#计算损失（li）步骤2：对于img2（Tr[V]），l¼P4 ylog.其中，byx的标签。preProcess（img，（40，40））端第三步：因为i从1到40J.J.L.i端J¼1×J#更新模型参数（h）rf¼@hVk¼bVk-11-brf k#rf的移动平均值;qk\u003C$bqk-11-brfk #移动平均值的平方rf;反向传播（Tr，V，R）端测试次数输入：test_image输出：种族标签步骤1：t = preProcess（test_image，（40，40））步骤2：y_scores = R（t）第三步：race_label = argmax（y_scores）hk1-GVk#Adam优化带V端的}2.3. R-Net：提出的CNN架构所提出的模型是一个简单的体系结构，共包括九层。前六层是卷积层，而最后三层是具有1000、500和4个节点的FC层。CNN的输入是4040灰度图像。第一层从输入中提取20个特征。所有的激活都是双态的。第3.1.1节讨论了激活的选择。第一层的输出用批量归一化进行归一化。受VGG的启发，在后续层中提取的特征逐渐增加。在第二层中有40个特征，在第三层中有50个，在其他三层中有64个。卷积层5和6通过采用卷积步长2将大小缩小到一半。在卷积层中不使用填充，这也有助于减小输入体积的大小内核大小被选择为3 3，这是受到Simonyan和Zisserman（2015）的启发，因为具有较小滤波器的卷积层实际上比具有较小滤波器的单层涉及更少的参数。表3模型见图7。使用不同的优化器训练模型的损失。激活函数训练集验证集见图8。 训练损失\u002F准确度与时期曲线。名称损失准确度（%）准确度（%）损失准确度（%）ReLU初始0.30688.70.2591经过40个纪元0.05698.20.2294.72乙状初始0.82820.3287经过40个纪元0.01599.40.2894.4Tanh初始0.446383.90.323088.7经过40个纪元0.502081.40.380285.9M.A. 作者声明：David D.Kashyap沙特国王大学学报45852 22表4R-Net与BUPT上评估的其他方法的比较2.4. 时间复杂根据He和Sun（2015）的卷积层贡献的时间复杂度为：是输出特征图的大小。时间复杂度为 O （ n4 ），时间复杂度为O（n2）。对于R-Net模型，根据（12），6个卷积层的总（测试）时间复杂度为：O.XDnl-1：s2：nl：m2ð12Þ= O（1×32×20×（n-2）2）+ O（20×32×40×（n -4）2）40×3 ×50×100× 100 × 100 ×100 ×6422ll苏ICP备05000000号-1电话：+8621 8888 8888 ×64×n-10=22 7其中d是卷积层的总数，nl是第l层中的滤波器的数量，sl是滤波器的大小，ml1000×1000×64×n-12= 4 6： 99×10运算：M.A. 作者声明：David D.Kashyap沙特国王大学学报4586.Σ6图9.第九条。错误分类的BUPT样本示例见图10。 视觉解释（Grad-CAM）。此外，训练阶段的时间复杂度是测试阶段的三倍（He和Sun，2015），因为它包括前向和后向传播。上述复杂度估计不包括批量归一化的复杂度。对于FC层，前向传递由前一层的权重和激活的矩阵乘法组成，然后通过激活函数传播。对于单个实例，R-Net的测试时间复杂度为：= O（1000× 3136）+O（500× 1000）+O（4× 500）\u003C$3.63× 106次运算。在反向传播过程中，对于单个实例起作用的基本方程是：dz½l]\u003C$da½l]ωg0½l]。z½l]13dw½ l]\u003C$dz½l]。A½l-1]14db\u003C$l]\u003C$dz\u003C$l]15dal-1½w½l]Tdzl16其中，da[l]、dw[l]、db[l]、dz[l]是损耗相对于激活、权重、偏置和网络输出的偏导数，g[l]是激活函数，A[l]是激活向量，全部用于第l层。对于R-Net，总反向传播时间复杂度为：= O（3136× 1000 + 1000× 1 + 1000× 3136 + 1 +500× 4þ500× 1þ 500× 1000þ 1þ 1þ 4× 3þ 1Þ2016年：7×10次手术db[l]的复杂度是常数时间，并且上述表达式不包括激活函数所涉及的复杂度。对于具有n个epoch的M个训练样本，上述复杂度扩展到M× n倍。M.A. 作者声明：David D.Kashyap沙特国王大学学报45873. 结果和讨论进行的实验如下。在Python环境中使用TensorFlow后端可以促进GPU上的加速执行3.1. 实验1：BUPT数据集上的拟议模型该模型在BUPT测试集上进行训练和评估3.1.1. 训练和验证激活函数和优化方法是CNN模型的基本组成部分，也影响模型进行实验以选择合适的候选者。激活函数表3显示了使用Adam作为优化算法时模型很明显（表3），在完成定义数量的epoch后，在sigmoid激活的情况下，列车损失小于ReLU或tanh。因此，选择sigmoid作为模型。优化器的选择该模型的性能也进行了分析和比较，为三个不同的优化，即（i）SGD，（ii）RMSprop和（iii）亚当。Momentum被纳入SGD，（初始）对于所有三个优化器，学习率被设置为0.01。最小批量大小固定为128。从图7中可以看出，Adam在降低列车损失方面对我们的模型工作得更快。亚当被选为优化者。使用sigmoid激活和Adam，该模型被训练了40个epoch。图8示出了在 训 练 期 间贯 穿 时 期 的 训 练 集丢 失 （ train_loss ） 和 验 证 集丢 失（ val_loss ） 的 转 变 。 该 模 型 在 40 个 epoch 后 的 训 练 集 准 确 率 为99.44%，验证集准确率为94.4%。 虽然验证损失趋于上升，但其仍包含在0.28（表3）。3.1.2. 测试该模型在BUPT测试集上进行评估时，平均准确率可所有类的查准率和查全率都在0.95以上，这表明模型对所有类都是无偏学习的。模型性能的详细总结见表4。3%的误差，图。 9描述了一些错误分类的样本。3.1.3. 使用Grad-CAM进行梯度加权类激活映射（Grad-CAM）使用分类网络中的任何目标概念的梯度，流入最终卷积层，以产生粗略的局部化图，突出显示图像中的重要区域，用于预测概念（Selvaraju等人，2020年）。Grad-CAM已经实现，以便对我们的CNN进行可视化解释（图10）。图11显示了使用Grad-CAM后的输出示例。 虽然在模型中使用了灰度图像，但是为了清晰的可视化，已经给出了彩色图像作为输入。如Grad-CAM所示，眼周和下巴区域似乎很重要用于种族识别的区域。3.1.4. 过滤器和特征图过滤器的可视化给出了网络如何学习的想法。特征图还提供了CNN检测到的 图图12和图13示出了过滤器及其图十一岁使用Grad-CAM对亚洲人（a）、非洲人（d）、高加索人（g）和印度人（j）面部图像进行可视化预处理后的面部图像[a，d，g，j];产生的热图[b，e，h，k];将热图透明地覆盖在面部图像上[c，f，i，l] 第一卷积层中的滤波器。M.A. 作者声明：David D.Kashyap沙特国王大学学报4588~图十三.第一卷积层的特征图。精度召回f1得分考卡0.940.780.85非洲0.970.900.93亚洲0.460.940.61精度0.85见图14。 CFD测试统计表5R-Net模型在不同年龄段的表现。14981精度召回精度召回精度召回精度召回高加索0.770.740.950.810.940.900.880.88非洲0.250.760.351.000.400.930.600.75亚洲0.800.880.800.910.760.810.560.45印度0.790.300.650.480.770.570.230.27Avg. 精度百分之七十一百分之七十九百分之八十四百分之七十六R-Net的第一卷积层的对应特征图可以看出，第一层提取了轮廓形状和整体纹理等过程特征3.2. 实验2：在其他数据集3.2.1. 芝加哥人脸数据库（CFD）CFD数据集是属于不同种族群体的男性和女性面部的集合，例如高加索人、非洲人、亚洲人和拉丁美洲人。芝加哥消防局没有来自印度的样本。这些图像在统一的白色背景上展示了不同表情的正面姿势。R-Net的性能如图所示。 十四岁3.2.2. UTK数据集与CFD不同的是，它由20-30岁的受试者样本组成由于图像是从互联网上收集的，因此它们显示了不同的姿势、表情和照明条件，而不是像CFD那样处于受约束的均匀环境中。我们用不同的年龄组来检验我们的模型。我们按照1-3岁、4-8岁、9-80岁和81-110岁的年龄组划分UTK集表5显示了该模型分析表5中的值，可以得到以下观察结果：M.A. 作者声明：David D.Kashyap沙特国王大学学报4589表6使用预训练的VGG16进行比赛分类。特定类别的性能VGG16（ImageNet）VGG16（VGGFace）精度召回精度召回高加索0.760.850.760.72非洲0.770.830.790.85亚洲0.840.900.820.82印度0.86总体业绩（%）0.630.790.77列车接入90.3491.23确认访问75.571.63测试访问8079图15. (a)VGG16卷积神经网络示意图（改编自Manikonda和Gaonkar，2019），（b）微调VGG16卷积神经网络示意图。图16. (a)VGG16的ROC曲线（ImageNet），（b）VGG16的ROC曲线（VGGFace）[0类ROC =高加索人Vs其他人，1类ROC =非洲人Vs其他人，2类ROC =亚洲人Vs其他人，3类ROC =印度人Vs其他人]a) 模型对高加索人和亚洲人类具有公平的性能。b) 模型对所有年龄组的印度类样本具有相对较弱的召回值。c) 模型d) 该模型在9-80岁年龄组中表现最好这是很自然的，因为这一群体的种族识别甚至对人类来说都是困难的。3.3. 实验3：迁移学习迁移学习意味着使用预先训练好的模型的全部或一部分来完成新的分类任务。迁移学习是M.A. 作者声明：David D.Kashyap沙特国王大学学报4590×采用三种不同的方式：（i）使用完整的训练模型（ii）微调和（iii）特征提取。对于该实验，使用微调方法微调是指FC层被截断并且附加新的FC层集合的过程。然后在当前数据集上重新训练改变的模型，保持卷积层的权重在这里，流行的VGG16（Simonyan和Zisserman，2015）模型在BUPT上进行了微调（见图15）。VGG16有一系列卷积层和最大池层，然后是3个FC层，总共16层。在我们的实验中，VGG 16在两个版本中用作基础模型; VGG 16在(i)ImageNet数据和（ii）VGGFace数据。ImageNet（Deng等人，2009）是具有从动物、鸟类到计算机键盘的1000个不同类别的数百万大小的大型数据集。VGGFace（Parkhi等人，2015），另一方面，仅包括属于互联网电影数据库的不同主题的面部图像。它的大小约为2.6M，由牛津大学视觉几何小组开发。在微调的VGG 16模型中，有两个FC层，500和4个节点。ReLU和softmax相应地用作激活。交叉熵损失和亚当分别是损失函数和优化器。由于我们系统的计算限制，我们总共使用了32，000张图像，其中BUPT集的每类8，000张图像用于重新训练模型。使用这些预训练模型的种族分类结果在表6中给出。R-Net的平均准确率为97%，似乎是比微调的VGG 16模型更好的种族分类选择。 微调VGG16（ImageNet）和VGG16（VGGFace）的ROC曲线如图16所示。4. 结论种族本身对人类来说是一个定义不清的概念，对机器识别来说是一项艰巨的任务更重要的是，混血人口的增长正在进一步缩小边界。因此，训练样本的选择将最终决定模型在实际应用中的性能，具有重要意义本文提出了一种CNN模型，用于在无约束环境中从低分辨率（40 - 40）灰度图像中进行种族识别。开发的模型可以用于现实生活中的情况下，图像或可以集成在视频中的不同应用。通过在不同数据集上的测试以及与预训练模型的比较，验证了模型的有效性。通过使用高分辨率彩色图像作为输入，预计将进一步改进。资金这项工作得到了高哈蒂大学提供的TEQIP-III资金的支持。作者贡献这项工作由Mazida Akhtara Ahmed在Ridip Dev Choudhury博士的监督下进行。Kishore Kashyap先生提供了技术指导和支持。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Ahmed，文学硕士，Choudhury，R. D.，2019.从面部图像进行性别分类。国际工程高级技术杂志9,6217-6223.https:\u002F\u002Fdoi.org\u002F10.35940\u002Fijeat.A1874.109119网站。Andrew Ng，n.d.改进深度神经网络：超参数调整，正则化和优化。丁，H.，黄，D.，王玉，Chen，L.，中国地质大学，2013.基于局部纹理和形状描述的人脸 种 族 分 类 。 In ： 2013 10th IEEE Int. Conf. Work. 自 动 。 Face GestureRecognition，FG 2013，pp. 1-6. https:\u002F\u002Fdoi.org\u002F10.1109\u002FFG.2013.6553815。他，K.，孙，J.，2015.时间受限的卷积神经网络。In：Proc. IEEE Conf. Comput.目视模式识别，pp. 5353-5360. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2015.7299173。Ioffe，S.，塞格迪角，澳-地2015年。 批量归一化：通过减少内部协变量偏移来加速深度网络训练。在：第32届机器学习国际会议论文集，pp。 448- 456邓，贾，董，魏，索赫尔，R.，李丽佳，李凯，李飞飞，2009年。ImageNet：一个大规模的 分 层 图 像 数 据 库 .IEEE 计 算 机 视 觉 与 模 式 识 别 会 议 。 IEEE ， pp. 248-255.https:\u002F\u002Fdoi.org\u002F10.1109\u002Fcvprw.2009.5206848.Kazemi，V.，Sullivan，J.，2014.一毫秒人脸对齐与回归树的集合。在：IEEE计算机协会 计 算 机 视 觉 和 模 式 识 别 会 议 论 文 集 ， pp 。 1867-1874.https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2014.241。King，D.E.，2009. Dlib-ml：机器学习工具包。J·马赫。学习. Res. 10，1755- 1758.金玛，D.P.，Ba，J.L.，2014. Adam：随机最佳化的方法。第三届国际学习表征会议论文集，ICLR 2015。Lagree，S.，Bowyer，K.W.，2011年。基于虹膜纹理特征的种族预测输入：程序第22届中西部Artiff。内特尔科根Sci. Conf. 2011年，第页 225- 230卢，X.，贾恩，A.K.，2004. \u003Ctitle\u003E从人脸图像中识别种族\u002Ftitle\u003E。在：SPIE的程序，pp。114-123 https:\u002F\u002Fdoi.org\u002F10.1117\u002F12.542847网站。莱尔J.R.米勒体育Pundlik，S.J.，伍达德，D.L.，2010年。使用局部外观眼周区域特征的软生物特征第四届IEEE生物识别国际会议：理论，应用和系统（BTAS），pp。1-7.https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patcog.2012.04.027网站。妈D.S.Correll，J.，Wittenbrink，B.，2015年。芝加哥人脸数据库：一个免费的人脸刺激 集 和 标 准 化 数 据 。 行 为 举 止 。 Res. Methods 47 ， 1122-1135 。 网 址 ： \u002F\u002Fdoi.org\u002F10.3758\u002Fs13428-014-0532-5。Manikonda，S.K.G.，Gaonkar，D. N.，2019.提出了一种基于VGG16网络的迁移学习孤岛检测方法。第一届IEEE可持续能源技术和系统国际会议，ICSETS 2019。IEEE，pp. 109-114. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICSETS.2019.8744778网站。Mansoor Roomi，S.M.，Virasundarii，S.L.，Selvamegala，S.，Jeevanandham，S.，Hariharasudhan，D.，2011.基于面部特征的种族分类。在：3rd Natl.确认补偿视觉 ， 模 式 识 别 ， 图 像 处 理 .Graph.NCVPRIPG2011 ， pp.54-57.https:\u002F\u002Fdoi.org\u002F10.1109\u002FNCVPRIPG.2011.19网站。Mohammad，A.S.，Al-Ani，J.A.，2018.卷积神经网络用于移动环境下基于眼区的种族分类。在：2018年第10届计算机科学和电子工程会议，CEEC 2018 -会议记录。IEEE，pp.293-298. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCEEC.2018.8674194网站。Muhammad，G.，侯赛因，M.，Alenezy，F.，Bebis，G.，米尔扎，上午，Alsamh，H.，2012.基于局部描述符的人脸图像种族分类。Int. J. Artif.内特尔Tools 21，11-13.https:\u002F\u002Fdoi.org\u002F10.1142\u002FS0218213012500194网站。Narang，N.，Bourlai，T.，2016年。在异质人脸识别中使用深度学习进行性别和种族 分 类 在 ： 2016 年 国 际 会 议 上 生 物 识 别 ICB ， pp.1-8.https:\u002F\u002Fdoi.org\u002F10.1109\u002FICB.2016.7550082网站。帕克希，O.M.，维达尔迪，A.，齐瑟曼，A.，2015年。深度面部识别在：英国机器视觉会议（BMVC），pp。41.1-41.12. 网址：\u002F\u002Fdoi. org\u002F10.5244\u002Fc.29.41。Qian，N.，1999.梯度下降学习算法中的动量项。Neural Networks 12，145-151.https：\u002F\u002Fdoi.org\u002F10.1016\u002FS0893-6080（98）00116-6.邱，X.，太阳，Z.，Tan，T.，2006.用于种族分类的虹膜图像全局纹理分析。在：国际会议上生物识别，页。411-418.网址：\u002F\u002Fdoi.org\u002F10.1007\u002F11608288_55网站。Saei Manesh，F.，Ghahramani，M.，Tan，Y.P.，2010.面部部分位移对基于模板的性别和种族分类的影响。第11届国际会议控制。自动机器人Vision，ICARV2010，pp.1644-1649. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICARCV.2010.5707882。Selvaraju，R.R.，Cogswell，M.，达斯，A.，韦丹塔姆河，帕里克，D.，巴特拉，D.，2020. Grad-CAM：通过基于梯度的定位从深度网络进行视觉解释。国际计算机视觉，336-359。https:\u002F\u002Fdoi.org\u002F10.1007\u002F"}],"previewType":2,"briefIntroduction":"沙特国王大学学报使用深度网络进行马济达河Ahmeda，Abdul，Ridip Dev Choudhuryb，Kishore Kashyapaa印度阿萨姆邦Guwahati 14号高哈蒂大学信息技术系bKrishna Kanta Handiqui State Open University，Guwahati 22，Assam，印度阿提奇莱因福奥文章历史记录：收到2020年2020年10月13日修订2020年11月13日接受2020年11月24日网上发售保留字：深度学习卷积神经网络反向传播迁移学习Grad-CAM特征图A B S T R A C T种族是人类的一个主要身体特征，但由于缺乏种族的具体定义和全球人口的多样性，种族的识别仍然是一项具有挑战性的任务在本文中，我们试图解决的问题，种族识别的四大种族群体，即高加索人，非洲人，亚洲人和印度人。新开发的BUPT人脸识别数据集在不受限制的环境中包含约130万张图像为了测试该模型的有效性，在其他数据集（即UTK和CFD）上进行了评估。R-Net还与微调的VGG 16模型进行了比较。实验结果证明了该模型在无约束环境中的鲁棒性。最后，应用梯度加权类激活映射（Grad-CAM）来获得深度学习模型的可视化解释©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。1. 介绍一个人的脸的视觉激活三个神经刺激：性别，年龄和种族。种族作为一种主要的生物特征，其机械化识别与面部识别、性别识别和年龄检测一样重要，因为大多数安全机构如执法和情报机构现在都倾向于自动预测系统。虽然人类甚至可以在第一眼就预测比赛，但机器却不是这样。推断出一个人的软生物特征的信息肯定会增强安全系统。例如，在特定场景中，在寻找逃犯时，如果使用种族作为过滤器，则该系统将支持减少搜索空间。其他种族效应（ORE）（Yaros等人，2019年），一个众所周知的现象常见于人类，也取得了机器翻译的方式。这一事实是由著名的谷歌照片事件曝光的，当时它将两名美国非洲人标记为大猩猩。这就需要一个具有平衡种族组成的数据集，*通讯作者。电 子 邮 件 地 址 ： gmail.com （ 硕 士 ） Ahmed ） ， rdc@gauhati.ac.in（R.D.Choudhury），kk@gauhati.ac.in（K. Kashyap）。沙特国王大学负责同行审查制作和主办：Elsevier减轻种族偏见的影响。自动种族识别可以帮助在这个任务中作为一个过滤器的过程中的图像收集建立一个数据集。在过去的十年中，已经进行了许多研究，从数字图像的种族估计。Tin和Sein（2011年）以及Lu和Jain（2004年）探索了PCA和LDA等线性变换技术，用于导出种族特征。Xie等人（2012）和MansoorRoomi等人（2011）使用肤色特征对高加索人、非洲人、印度人和亚洲人进行分类。类似地，纹理和形状属性也被Saei Manesh等人用于相同的目的。（2010）、Ding等人（2013）、Muhammad等人（2012）等。（2010）仅使用眼周区域进行种族分类。虹膜还包含丰富的种族判别特征。Qiu等人（2006）和Lagree和Bowyer（2011）以及其他研究探索了虹膜属性以获得种族信息。除了这些使用手工制作特征的传统方法外，还探索了深度学习方法。Wang等人（2016）使用卷积神经网络（CNN）对中国人和非中国人进行分类，并对汉族、维吾尔族和非中国人进行亚民族分类。他们收集 了 从 多 个 来 源 收 集 的 数 据 ， 如 MORPH-II ， CMU-MultiPIE ，CASIA-WebFace ， CASIA-PEAL 和 他 们 的 私 人 中 国 图 像 收 集 。Srinivas等人（2017）还使用自行设计的数据集探索了中国人、日本人、韩国人、南亚人、菲律宾人等的亚种族分类。Narang和Bourlai（2016）研究了在夜间使用可见光和NIR波段的CNN进行种族估计，其中受试者距离为30，60，90和120米。 Vo等人（2018）将越南人和https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.jksuci.2020.11.0291319-1578\u002F©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-nd\u002F4.0\u002F）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comM.A. 作者声明：David D.Kashyap沙特国王大学学报4580表1使用CNN比较不同的种族分类。纸质数据集使用的图像数量（训练集）姿势\u002F表情\u002F光照\u002F年龄变化输入大小ROI类平均值精度（Narang和Bourlai，2016）自制（可见光+NIR波段，与相机的距离不同）未知未知128×128× 1面部亚洲人，白人99.04%[可见1.5 m处的条带];95.3% [30 m处的可见光（列车）、NIR（试验）]（Wang等人，（2016年）MORPH-II21，060是（限制型）64×64×1面孔非洲人，高加索人99.7%（Wang等人，（2016年）（Wang等人，（2016年）自制+CAS-PEAL+ CASIA-WebFace+ MORPH-II自制+ CASIA- WebFace+ MORPH-II2，40，000是（受约束）64×64×1面孔中国人，非中国人99.8%3，30，411是（受限）64× 64× 1面孔汉族、维吾尔族、非中国人99.7%（ Srinivas等人，（ 2017年）WEAFD 2，500是（无约束）256×256×36个ROI(Full面和部分线段）中文、日语、韩语、（菲律宾语、印度尼西亚语、马来西亚语）、（越南语、缅甸语、泰国语）33.33%（Vo等人，2018年）VNFaces 6，100是（无约束）64×64×1面孔越南人，非越南人88.64%（Mohammad和Al-Ani，2018）Feret（种族不平衡）2，730否40×160×3扩展眼部区域亚洲人、中东人、非洲人、西班牙人、高加索人百分之九十七点八三非越南人使用从Facebook收集的图像。他们总共使用了6100张图片。Mohammad和Al-Ani（2018）使用FERET数据库中的眼部区域（覆盖眼睛和鼻子）以获取种族信息。他们使用了2730张正面图像，忽略了侧面或任何非正面图像（表1）。本文尝试使用大规模数据（BUPT数据集）构建深度学习模型，与以前的工作不同，该模型不限于实验室环境，而是真实的，在姿势，表情，年龄和背景方面有很大的变化。该模型在输入网络之前使用面部标志来对齐图像。本文强调了组成深层网络的各个组件的重要性，并试图通过选择最合适的组件来优化模型。开发的模型在其他数据集上进行了测试，并与流行的预训练模型进行了比较。结果表明，该模型具有较好的生理小种识别能力，可应用于多种场合。论文的其余部分组织如下。第2节描述了所使用的数据，所使用的方法的数学背景，也提出了模型。第3节讨论了实验结果。第四是论文的结论。2. 材料和方法2.1. 数据准备2.1.1. BUPT数据集用 于 构 建 模 型 的 数 据 集 是 新 发 布 的 BUPT Equalized Face（Wang et al.，2019年）。它由北京邮电大学开发，并于2019年8月公开发布。该数据集由总共130万张具有四个不同种族的图像每个种族都有大约320K+图像的平等比例。这些照片共有28,000名名人，每个种族各有7000张。这些图像是在一个不受约束的环境中拍摄的，具有不同的表情，年龄和姿势，从中度到高度的偏航和滚动角度。图1分别显示了来自BUPT的每个类别的样本。在其上进行实验的平台具有如表2中所述的配置。的资源限制，平台限制了整个数据集用于实验。因此，数据集被下采样以适应平台的容量。总共选择400，000张图像进行训练，每类100，000张图像，而32，000张图像用于验证，每类8，000张图像测试集由8，000张图像组成图像被选择为使得集合是不相交的，也就是说，没有集合共享相同主题的图像。2.1.2. 用于评价的除了在BUPT集上测试模型外，还使用其他数据集来评估模型。两个数据集，即芝加哥人脸数据库（CFD）（Ma等人， 2015）和UTK面部数据集（Song和Zhang），具有不同种族起源的样本。这些数据集的一些样本如图2所示。我们提出的方法的流程如图所示。3.第三章。2.1.3. 数据预处理由于图像显示的姿态范围很广，因此需要进行预处理以确保它们之间的一致性，以提高模型的性能。该模块负责以下任务：1) 人脸检测和对齐，2) 图片来源：3) RGB到灰度转换，4) 均值中心化，5) 将值归一化到范围[0，1]。虽然步骤4和步骤5是非常明显的，步骤1-3的细节描述如下。图像经过Ahmed和Choudhury（2019）中的2D对齐过程，详细说明如下：a) 根据Kazemi和Sullivan（2014）使用dlib（King，2009）检测面部标志。估计通过双眼的线与水平线所形成的角度b) 图像围绕眼睛中心旋转步骤a中计算的角度。M.A. 作者声明：David D.Kashyap沙特国王大学学报4581×Fig. 1. 每个类的BUPT数据集的样本图像。图二. 来自UTK面部和CFD数据集的样本图像。表2使用系统配置处理器Intel Core i5- 8300 H逻辑处理器数量处理器速度2.30 GHz物理内存8 GB共享GPU Intel UHD Graphics 630专用GPU NVIDIA GeForce GTX 1050 Ti专用GPU内存4 GBc) 然后，在面部区域周围裁剪目标图像，使得眼睛出现在距离边缘总宽度的32%和距离顶部高度的38%的距离处。然后将所得图像调整为40 - 40的大小，并转换为灰度（图1）。 4）.d) 当遵循上述过程时，具有较高偏航的面在下部基本上被裁剪。 为了纠正他们，下巴也被认为是，使它出现在框架内（图。5）。M.A. 作者声明：David D.Kashyap沙特国王大学学报4582布ð Þ ¼Pb我我我i¼1i我NBi¼1i- -以下是预处理的伪代码：方法预处理输入：image，target_size输出：对齐图像function preProcess（image，target_size）Begin：步骤一曰：找到68面部第二步：A =通过眼睛的直线与水平线的夹角第三步：围绕眼睛中心旋转图像A第四步：裁剪面部调整比例，使左眼和下巴出现在描述中第5步：调整裁剪图像的大小结束步骤6：返回旋转，裁剪和调整大小的图像2.2. 卷积神经网络我们使用CNN（s）进行实验。种族识别的任务可以被认为是一个N路分类问题，N = 4（高加索人、非洲人、亚洲人和印度人）用于BUPT数据集。卷积层通过具有核的卷积操作来提取特征。卷积之后是非线性激活;其示例包括sigmoid、tanh和整流线性单元（ReLU）。（1）图四、（a）具有标志的原始图像;红点是眼睛Ioffe和Szegedy（2015）引入了批量归一化（BN），它将层输出归一化为零均值和单位方差。创作者展示了BN在加速训练过程中的有效性。如果对于小批量b，x是BN层的输入激活，则归一化的输出激活xi由以下等式给出：X Lbxi¼qr2s4其中，elb和rb分别是b的均值和方差。每个人都分别。sigmoid z11e-zð1Þ由一系列这些卷积层提取的特征被馈送到充当分类器组件的全连接（FC）层，其中前一层的每个节点都连接到下一层的每个其他节点不像卷积，每-丹兹ez-e-z在输入的局部2D区域形成，FC层在整个2ð Þ ¼ezþe-zð Þreluzmax0;z3输入量。FC层还包括非线性，匹配输入信号。DropOut（DO）通常用作正则化技术，其以概率p断开随机节点从前一层到下一层的连接。这种连接的丢弃用作对抗过拟合的措施。对于多类分类，最终FC层的输出是每个样本的分数（softmax激活）。Softmax是一个函数，它接受大小为C的输入向量z，并输出相应后验概率的相同大小的向量。如果C是类别数，则softmax值表示样本属于每个类别的概率。softmax的方程在（5）中给出softmax zezi12C和z zz z5联系我们第1页ezj 8¼;; ···;1\u002F4;2; ···C反向传播训练的目的是找到最佳的参数值，使模型对训练样本的输出尽可能接近其地面真理;换句话说，它们的损失最小化。多类交叉熵损失（f）函数用于计算每个时期发生的损失。 当量(6)给出了单个样本xi的交叉熵损失方程，其中C是类的总数，y，y分别是其基础真值和预测概率。基本事实是标签的独热编码。对于一批（7）计算总损失。l¼XC 伊洛湾2016年6月f¼1XN L图三. 建议方法的基本工作流程。ð7ÞM.A. 作者声明：David D.Kashyap沙特国王大学学报4583@hxiRrRK-sqrtqk- -K1\u002F4吨kn1\u002F1G@J图五. a）具有面部标志的原始图像（高偏航）; b）对准（步骤c）; c）对准（步骤d）。通过梯度下降方法找到使损失最小化的参数。从初始值开始，梯度下降在梯度的负方向上更新参数值，这确保新的损失值低于先前值（Zhang等人，n.d. ）.通过几次迭代重复这个更新过程，损失函数达到其最小值。设rfivl@f为损失函数evalu的梯度值V k1-bV k1-bfk 其中b是权重，fk 是kth梯度值此外，更新学习率g，随着时间的推移逐渐减少，收敛速度更快自适应学习算法结合了这种自动学习率衰减技术。均方根传播（RMS prop）（Andrew Ng，n. d. ）是一种自适应学习算法，其中通过使用梯度平方的移动平均值来更新模型参数。2在采样点xi处，则等式（8）给出第k次更新，模型参数h.ent，qk;由qk\u003C$bqk-11-brfk给出，其中b为重量和fk是第k个梯度值。参数更新方程变为h ¼h-g1Xn Rfð8Þ其中g是学习率，n是小批量中训练样本的数量随机梯度下降（SGD）是梯度下降的更新版本，其中，而不是精确的梯度，使用梯度的噪声估计。SGD通过计算每个数据样本的梯度估计来当量（8）减少到（9）当使用SGD时，其给出样本xi的第k次更新。hkhk-1-sqrtq@h10自适应矩估计（Adam）（Kingma和Ba，2014）也是一种自适应学习算法，其中学习率随着每次迭代而变化。Adam可以被看作是两种优化技术的混合体，即Momentum和RMSprop。亚当的更新方程由下式给出：hk¼ h K-1 -grfikð9Þhk1-gV k11虽然SGD应在每次列车其中，q是移动平均值的偏差校正项，样本，但参数更新是用小批量完成的，以固定kq过程Momentum（Qian，1999）被合并到SGD中以加快收敛。在动量中，梯度值被它第k个梯度的平方，由qk\u003C$1kt给出，其中t是电流数据和Vk是移动平均值的偏差校正项，由VVk给出的梯度 .1-B见图6。CNN模型。K-1我M.A. 作者声明：David D.Kashyap沙特国王大学学报45842q-出来B¼ þ128@J斯格雷特·格洛克××我1ijIJIJ2反向传播的伪代码是：方法反向传播输入：训练集（Tr），验证集（V），随机权重的R-NetTr：{m1，m2，...}其中mi是大小为128输出：训练的R-Net函数反向传播（Tr，V，R-Net）{对于m2 Tr doJ¼0对于xi m dox相对较大的过滤器。核是从区间上的均匀分布初始化的[l，l]，其中l6和þin和out是权重张量中输入和输出单元的数量。图6显示了R-Net的图形表示。FC层中包含40%的DO，而在第五卷积层中添加10%的最小DO以避免过拟合。可训练参数的总数为8，407，254。用于训练和测试的伪代码是：#培训输入：训练集（Tr），验证集（V）输出：训练的R-Net模型步骤yi = forward_propagate（R-Net）（xi）#计算损失（li）步骤2：对于img2（Tr[V]），l¼P4 ylog.其中，byx的标签。preProcess（img，（40，40））端第三步：因为i从1到40J.J.L.i端J¼1×J#更新模型参数（h）rf¼@hVk¼bVk-11-brf k#rf的移动平均值;qk\u003C$bqk-11-brfk #移动平均值的平方rf;反向传播（Tr，V，R）端测试次数输入：test_image输出：种族标签步骤1：t = preProcess（test_image，（40，40））步骤2：y_scores = R（t）第三步：race_label = argmax（y_scores）hk1-GVk#Adam优化带V端的}2.3. R-Net：提出的CNN架构所提出的模型是一个简单的体系结构，共包括九层。前六层是卷积层，而最后三层是具有1000、500和4个节点的FC层。CNN的输入是4040灰度图像。第一层从输入中提取20个特征。所有的激活都是双态的。第3.1.1节讨论了激活的选择。第一层的输出用批量归一化进行归一化。受VGG的启发，在后续层中提取的特征逐渐增加。在第二层中有40个特征，在第三层中有50个，在其他三层中有64个。卷积层5和6通过采用卷积步长2将大小缩小到一半。在卷积层中不使用填充，这也有助于减小输入体积的大小内核大小被选择为3 3，这是受到Simonyan和Zisserman（2015）的启发，因为具有较小滤波器的卷积层实际上比具有较小滤波器的单层涉及更少的参数。表3模型见图7。使用不同的优化器训练模型的损失。激活函数训练集验证集见图8。 训练损失\u002F准确度与时期曲线。名称损失准确度（%）准确度（%）损失准确度（%）ReLU初始0.30688.70.2591经过40个纪元0.05698.20.2294.72乙状初始0.82820.3287经过40个纪元0.01599.40.2894.4Tanh初始0.446383.90.323088.7经过40个纪元0.502081.40.380285.9M.A. 作者声明：David D.Kashyap沙特国王大学学报45852 22表4R-Net与BUPT上评估的其他方法的比较2.4. 时间复杂根据He和Sun（2015）的卷积层贡献的时间复杂度为：是输出特征图的大小。时间复杂度为 O （ n4 ），时间复杂度为O（n2）。对于R-Net模型，根据（12），6个卷积层的总（测试）时间复杂度为：O.XDnl-1：s2：nl：m2ð12Þ= O（1×32×20×（n-2）2）+ O（20×32×40×（n -4）2）40×3 ×50×100× 100 × 100 ×100 ×6422ll苏ICP备05000000号-1电话：+8621 8888 8888 ×64×n-10=22 7其中d是卷积层的总数，nl是第l层中的滤波器的数量，sl是滤波器的大小，ml1000×1000×64×n-12= 4 6： 99×10运算：M.A. 作者声明：David D.Kashyap沙特国王大学学报4586.Σ6图9.第九条。错误分类的BUPT样本示例见图10。 视觉解释（Grad-CAM）。此外，训练阶段的时间复杂度是测试阶段的三倍（He和Sun，2015），因为它包括前向和后向传播。上述复杂度估计不包括批量归一化的复杂度。对于FC层，前向传递由前一层的权重和激活的矩阵乘法组成，然后通过激活函数传播。对于单个实例，R-Net的测试时间复杂度为：= O（1000× 3136）+O（500× 1000）+O（4× 500）\u003C$3.63× 106次运算。在反向传播过程中，对于单个实例起作用的基本方程是：dz½l]\u003C$da½l]ωg0½l]。z½l]13dw½ l]\u003C$dz½l]。A½l-1]14db\u003C$l]\u003C$dz\u003C$l]15dal-1½w½l]Tdzl16其中，da[l]、dw[l]、db[l]、dz[l]是损耗相对于激活、权重、偏置和网络输出的偏导数，g[l]是激活函数，A[l]是激活向量，全部用于第l层。对于R-Net，总反向传播时间复杂度为：= O（3136× 1000 + 1000× 1 + 1000× 3136 + 1 +500× 4þ500× 1þ 500× 1000þ 1þ 1þ 4× 3þ 1Þ2016年：7×10次手术db[l]的复杂度是常数时间，并且上述表达式不包括激活函数所涉及的复杂度。对于具有n个epoch的M个训练样本，上述复杂度扩展到M× n倍。M.A. 作者声明：David D.Kashyap沙特国王大学学报45873. 结果和讨论进行的实验如下。在Python环境中使用TensorFlow后端可以促进GPU上的加速执行3.1. 实验1：BUPT数据集上的拟议模型该模型在BUPT测试集上进行训练和评估3.1.1. 训练和验证激活函数和优化方法是CNN模型的基本组成部分，也影响模型进行实验以选择合适的候选者。激活函数表3显示了使用Adam作为优化算法时模型很明显（表3），在完成定义数量的epoch后，在sigmoid激活的情况下，列车损失小于ReLU或tanh。因此，选择sigmoid作为模型。优化器的选择该模型的性能也进行了分析和比较，为三个不同的优化，即（i）SGD，（ii）RMSprop和（iii）亚当。Momentum被纳入SGD，（初始）对于所有三个优化器，学习率被设置为0.01。最小批量大小固定为128。从图7中可以看出，Adam在降低列车损失方面对我们的模型工作得更快。亚当被选为优化者。使用sigmoid激活和Adam，该模型被训练了40个epoch。图8示出了在 训 练 期 间贯 穿 时 期 的 训 练 集丢 失 （ train_loss ） 和 验 证 集丢 失（ val_loss ） 的 转 变 。 该 模 型 在 40 个 epoch 后 的 训 练 集 准 确 率 为99.44%，验证集准确率为94.4%。 虽然验证损失趋于上升，但其仍包含在0.28（表3）。3.1.2. 测试该模型在BUPT测试集上进行评估时，平均准确率可所有类的查准率和查全率都在0.95以上，这表明模型对所有类都是无偏学习的。模型性能的详细总结见表4。3%的误差，图。 9描述了一些错误分类的样本。3.1.3. 使用Grad-CAM进行梯度加权类激活映射（Grad-CAM）使用分类网络中的任何目标概念的梯度，流入最终卷积层，以产生粗略的局部化图，突出显示图像中的重要区域，用于预测概念（Selvaraju等人，2020年）。Grad-CAM已经实现，以便对我们的CNN进行可视化解释（图10）。图11显示了使用Grad-CAM后的输出示例。 虽然在模型中使用了灰度图像，但是为了清晰的可视化，已经给出了彩色图像作为输入。如Grad-CAM所示，眼周和下巴区域似乎很重要用于种族识别的区域。3.1.4. 过滤器和特征图过滤器的可视化给出了网络如何学习的想法。特征图还提供了CNN检测到的 图图12和图13示出了过滤器及其图十一岁使用Grad-CAM对亚洲人（a）、非洲人（d）、高加索人（g）和印度人（j）面部图像进行可视化预处理后的面部图像[a，d，g，j];产生的热图[b，e，h，k];将热图透明地覆盖在面部图像上[c，f，i，l] 第一卷积层中的滤波器。M.A. 作者声明：David D.Kashyap沙特国王大学学报4588~图十三.第一卷积层的特征图。精度召回f1得分考卡0.940.780.85非洲0.970.900.93亚洲0.460.940.61精度0.85见图14。 CFD测试统计表5R-Net模型在不同年龄段的表现。14981精度召回精度召回精度召回精度召回高加索0.770.740.950.810.940.900.880.88非洲0.250.760.351.000.400.930.600.75亚洲0.800.880.800.910.760.810.560.45印度0.790.300.650.480.770.570.230.27Avg. 精度百分之七十一百分之七十九百分之八十四百分之七十六R-Net的第一卷积层的对应特征图可以看出，第一层提取了轮廓形状和整体纹理等过程特征3.2. 实验2：在其他数据集3.2.1. 芝加哥人脸数据库（CFD）CFD数据集是属于不同种族群体的男性和女性面部的集合，例如高加索人、非洲人、亚洲人和拉丁美洲人。芝加哥消防局没有来自印度的样本。这些图像在统一的白色背景上展示了不同表情的正面姿势。R-Net的性能如图所示。 十四岁3.2.2. UTK数据集与CFD不同的是，它由20-30岁的受试者样本组成由于图像是从互联网上收集的，因此它们显示了不同的姿势、表情和照明条件，而不是像CFD那样处于受约束的均匀环境中。我们用不同的年龄组来检验我们的模型。我们按照1-3岁、4-8岁、9-80岁和81-110岁的年龄组划分UTK集表5显示了该模型分析表5中的值，可以得到以下观察结果：M.A. 作者声明：David D.Kashyap沙特国王大学学报4589表6使用预训练的VGG16进行比赛分类。特定类别的性能VGG16（ImageNet）VGG16（VGGFace）精度召回精度召回高加索0.760.850.760.72非洲0.770.830.790.85亚洲0.840.900.820.82印度0.86总体业绩（%）0.630.790.77列车接入90.3491.23确认访问75.571.63测试访问8079图15. (a)VGG16卷积神经网络示意图（改编自Manikonda和Gaonkar，2019），（b）微调VGG16卷积神经网络示意图。图16. (a)VGG16的ROC曲线（ImageNet），（b）VGG16的ROC曲线（VGGFace）[0类ROC =高加索人Vs其他人，1类ROC =非洲人Vs其他人，2类ROC =亚洲人Vs其他人，3类ROC =印度人Vs其他人]a) 模型对高加索人和亚洲人类具有公平的性能。b) 模型对所有年龄组的印度类样本具有相对较弱的召回值。c) 模型d) 该模型在9-80岁年龄组中表现最好这是很自然的，因为这一群体的种族识别甚至对人类来说都是困难的。3.3. 实验3：迁移学习迁移学习意味着使用预先训练好的模型的全部或一部分来完成新的分类任务。迁移学习是M.A. 作者声明：David D.Kashyap沙特国王大学学报4590×采用三种不同的方式：（i）使用完整的训练模型（ii）微调和（iii）特征提取。对于该实验，使用微调方法微调是指FC层被截断并且附加新的FC层集合的过程。然后在当前数据集上重新训练改变的模型，保持卷积层的权重在这里，流行的VGG16（Simonyan和Zisserman，2015）模型在BUPT上进行了微调（见图15）。VGG16有一系列卷积层和最大池层，然后是3个FC层，总共16层。在我们的实验中，VGG 16在两个版本中用作基础模型; VGG 16在(i)ImageNet数据和（ii）VGGFace数据。ImageNet（Deng等人，2009）是具有从动物、鸟类到计算机键盘的1000个不同类别的数百万大小的大型数据集。VGGFace（Parkhi等人，2015），另一方面，仅包括属于互联网电影数据库的不同主题的面部图像。它的大小约为2.6M，由牛津大学视觉几何小组开发。在微调的VGG 16模型中，有两个FC层，500和4个节点。ReLU和softmax相应地用作激活。交叉熵损失和亚当分别是损失函数和优化器。由于我们系统的计算限制，我们总共使用了32，000张图像，其中BUPT集的每类8，000张图像用于重新训练模型。使用这些预训练模型的种族分类结果在表6中给出。R-Net的平均准确率为97%，似乎是比微调的VGG 16模型更好的种族分类选择。 微调VGG16（ImageNet）和VGG16（VGGFace）的ROC曲线如图16所示。4. 结论种族本身对人类来说是一个定义不清的概念，对机器识别来说是一项艰巨的任务更重要的是，混血人口的增长正在进一步缩小边界。因此，训练样本的选择将最终决定模型在实际应用中的性能，具有重要意义本文提出了一种CNN模型，用于在无约束环境中从低分辨率（40 - 40）灰度图像中进行种族识别。开发的模型可以用于现实生活中的情况下，图像或可以集成在视频中的不同应用。通过在不同数据集上的测试以及与预训练模型的比较，验证了模型的有效性。通过使用高分辨率彩色图像作为输入，预计将进一步改进。资金这项工作得到了高哈蒂大学提供的TEQIP-III资金的支持。作者贡献这项工作由Mazida Akhtara Ahmed在Ridip Dev Choudhury博士的监督下进行。Kishore Kashyap先生提供了技术指导和支持。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用Ahmed，文学硕士，Choudhury，R. D.，2019.从面部图像进行性别分类。国际工程高级技术杂志9,6217-6223.https:\u002F\u002Fdoi.org\u002F10.35940\u002Fijeat.A1874.109119网站。Andrew Ng，n.d.改进深度神经网络：超参数调整，正则化和优化。丁，H.，黄，D.，王玉，Chen，L.，中国地质大学，2013.基于局部纹理和形状描述的人脸 种 族 分 类 。 In ： 2013 10th IEEE Int. Conf. Work. 自 动 。 Face GestureRecognition，FG 2013，pp. 1-6. https:\u002F\u002Fdoi.org\u002F10.1109\u002FFG.2013.6553815。他，K.，孙，J.，2015.时间受限的卷积神经网络。In：Proc. IEEE Conf. Comput.目视模式识别，pp. 5353-5360. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2015.7299173。Ioffe，S.，塞格迪角，澳-地2015年。 批量归一化：通过减少内部协变量偏移来加速深度网络训练。在：第32届机器学习国际会议论文集，pp。 448- 456邓，贾，董，魏，索赫尔，R.，李丽佳，李凯，李飞飞，2009年。ImageNet：一个大规模的 分 层 图 像 数 据 库 .IEEE 计 算 机 视 觉 与 模 式 识 别 会 议 。 IEEE ， pp. 248-255.https:\u002F\u002Fdoi.org\u002F10.1109\u002Fcvprw.2009.5206848.Kazemi，V.，Sullivan，J.，2014.一毫秒人脸对齐与回归树的集合。在：IEEE计算机协会 计 算 机 视 觉 和 模 式 识 别 会 议 论 文 集 ， pp 。 1867-1874.https:\u002F\u002Fdoi.org\u002F10.1109\u002FCVPR.2014.241。King，D.E.，2009. Dlib-ml：机器学习工具包。J·马赫。学习. Res. 10，1755- 1758.金玛，D.P.，Ba，J.L.，2014. Adam：随机最佳化的方法。第三届国际学习表征会议论文集，ICLR 2015。Lagree，S.，Bowyer，K.W.，2011年。基于虹膜纹理特征的种族预测输入：程序第22届中西部Artiff。内特尔科根Sci. Conf. 2011年，第页 225- 230卢，X.，贾恩，A.K.，2004. \u003Ctitle\u003E从人脸图像中识别种族\u002Ftitle\u003E。在：SPIE的程序，pp。114-123 https:\u002F\u002Fdoi.org\u002F10.1117\u002F12.542847网站。莱尔J.R.米勒体育Pundlik，S.J.，伍达德，D.L.，2010年。使用局部外观眼周区域特征的软生物特征第四届IEEE生物识别国际会议：理论，应用和系统（BTAS），pp。1-7.https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.patcog.2012.04.027网站。妈D.S.Correll，J.，Wittenbrink，B.，2015年。芝加哥人脸数据库：一个免费的人脸刺激 集 和 标 准 化 数 据 。 行 为 举 止 。 Res. Methods 47 ， 1122-1135 。 网 址 ： \u002F\u002Fdoi.org\u002F10.3758\u002Fs13428-014-0532-5。Manikonda，S.K.G.，Gaonkar，D. N.，2019.提出了一种基于VGG16网络的迁移学习孤岛检测方法。第一届IEEE可持续能源技术和系统国际会议，ICSETS 2019。IEEE，pp. 109-114. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICSETS.2019.8744778网站。Mansoor Roomi，S.M.，Virasundarii，S.L.，Selvamegala，S.，Jeevanandham，S.，Hariharasudhan，D.，2011.基于面部特征的种族分类。在：3rd Natl.确认补偿视觉 ， 模 式 识 别 ， 图 像 处 理 .Graph.NCVPRIPG2011 ， pp.54-57.https:\u002F\u002Fdoi.org\u002F10.1109\u002FNCVPRIPG.2011.19网站。Mohammad，A.S.，Al-Ani，J.A.，2018.卷积神经网络用于移动环境下基于眼区的种族分类。在：2018年第10届计算机科学和电子工程会议，CEEC 2018 -会议记录。IEEE，pp.293-298. https:\u002F\u002Fdoi.org\u002F10.1109\u002FCEEC.2018.8674194网站。Muhammad，G.，侯赛因，M.，Alenezy，F.，Bebis，G.，米尔扎，上午，Alsamh，H.，2012.基于局部描述符的人脸图像种族分类。Int. J. Artif.内特尔Tools 21，11-13.https:\u002F\u002Fdoi.org\u002F10.1142\u002FS0218213012500194网站。Narang，N.，Bourlai，T.，2016年。在异质人脸识别中使用深度学习进行性别和种族 分 类 在 ： 2016 年 国 际 会 议 上 生 物 识 别 ICB ， pp.1-8.https:\u002F\u002Fdoi.org\u002F10.1109\u002FICB.2016.7550082网站。帕克希，O.M.，维达尔迪，A.，齐瑟曼，A.，2015年。深度面部识别在：英国机器视觉会议（BMVC），pp。41.1-41.12. 网址：\u002F\u002Fdoi. org\u002F10.5244\u002Fc.29.41。Qian，N.，1999.梯度下降学习算法中的动量项。Neural Networks 12，145-151.https：\u002F\u002Fdoi.org\u002F10.1016\u002FS0893-6080（98）00116-6.邱，X.，太阳，Z.，Tan，T.，2006.用于种族分类的虹膜图像全局纹理分析。在：国际会议上生物识别，页。411-418.网址：\u002F\u002Fdoi.org\u002F10.1007\u002F11608288_55网站。Saei Manesh，F.，Ghahramani，M.，Tan，Y.P.，2010.面部部分位移对基于模板的性别和种族分类的影响。第11届国际会议控制。自动机器人Vision，ICARV2010，pp.1644-1649. https:\u002F\u002Fdoi.org\u002F10.1109\u002FICARCV.2010.5707882。Selvaraju，R.R.，Cogswell，M.，达斯，A.，韦丹塔姆河，帕里克，D.，巴特拉，D.，2020. Grad-CAM：通过基于梯度的定位从深度网络进行视觉解释。国际计算机视觉，336-359。https:\u002F\u002Fdoi.org\u002F10.1007\u002F","totalNum":1,"upLimitPageNum":0},"downloadNum":0,"previewInfo":{"coverImg":["https:\u002F\u002Fdl-preview.csdnimg.cn\u002F88754264\u002F0001-50de90a5721ed53b01ca5b8357b0df07_thumbnail.jpeg"],"isPreview":true,"isFromSo":false,"totalPage":13,"defaultCoverImg":"https:\u002F\u002Fcsdnimg.cn\u002Frelease\u002Fdownload\u002Fstatic_files\u002Fpc\u002Fimages\u002Fthumbnail\u002FPDF.png","unloginPreviewNum":0,"soPage":0,"firstPage":1,"sourceType":1,"isPpt":0,"previewImg":[]},"upDate":1705479054000,"isPaySource":false,"tagArr":[{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F5176","tagName":"深度学习","key":"71884fa273974788bacc55a9a592130d"},{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1291706","tagName":"深度网络","key":"d83d9709a56f439a996fc007ab70ced2"},{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F841","tagName":"数据集","key":"2cef9a9a9076413baf86a9b350bcc317"},{"tagUrl":"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1831033","tagName":"Grad-CAM","key":"238887231bb941bc83878a79adc07c3c"}],"isVipExclusive":true,"button4BuyVip":{"broadcastBackgroundColor":"#FC5531","url":"https:\u002F\u002Fmall.csdn.net\u002Fvip?spm=1003.2020.3001.4167&utm_source=vip_pc_xz_tabjb","name":"开通VIP（低至0.43\u002F天）","broadcastCharactersColor":"#FFFFFF","broadcastText":"15个月+AI工具集"},"sourceLowestPrice":0.43,"userIsStudent":false,"button4Download":{"downloadVipIcon":false,"name":"立即下载"},"pubDate":1705385454000,"userVipCouponNum":0,"favoriteNum":0,"fileSize":2578195,"firstSourceId":88754264,"isFavorite":false,"flag":26,"sourcesStatus":2,"description":"","title":"种族识别的深度学习模型研究","showCBeansBool":true,"abTest10140":1,"isShowCopyRightIcon":false,"viewCountInteger":98,"tagStr":"[\"深度学习\",\"深度网络\",\"数据集\",\"Grad-CAM\"]","sourcePrice":0,"downloadToday":false,"viewCount":"98","userBalance":0,"minVipBalance":8600,"bundledVipInfo":{"hitId":0,"isBundledVip":false},"cBeans":90,"vipDiscount":0.9,"isCertification":false,"fileSizeFormat":"2.46MB","firstIsessence":"WENKU_PDF_SOURCES","fileTypeUrl":"https:\u002F\u002Fcsdnimg.cn\u002Frelease\u002Fdownload\u002Fstatic_files\u002Fpc\u002Fimages\u002Fminetype\u002FPDF.png","tarArrString":"[{\"key\":\"71884fa273974788bacc55a9a592130d\",\"tagName\":\"深度学习\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F5176\"},{\"key\":\"d83d9709a56f439a996fc007ab70ced2\",\"tagName\":\"深度网络\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1291706\"},{\"key\":\"2cef9a9a9076413baf86a9b350bcc317\",\"tagName\":\"数据集\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F841\"},{\"key\":\"238887231bb941bc83878a79adc07c3c\",\"tagName\":\"Grad-CAM\",\"tagUrl\":\"https:\u002F\u002Fdownload.csdn.net\u002Ftagalbum\u002F1831033\"}]","userPayExpire":true,"userIsEmployee":false,"couponsValue":0,"sourceScore":5,"sourceAuthor":"cpongm","tagNavList":[],"userIsRisk":true,"activitiesTips":"限时抽奖","fileType":"PDF","optimalCouponsExpirationDate":"","vipActivityConfig":{"vip11EndTime":1605283200,"renewalDiscount":8,"vip11beginTime":1604678400,"vip11word":"领券续费立减¥100"}}},"CFG":{"ALIPLAYER_VERSION":"v4","ALIPLAYER_H5_VERSION":"mobile_v1","ENV":"prod","VUE_APP_API_DOWNLOAD_SERVER_PROD":"https:\u002F\u002Fdownload.csdn.net\u002F","INTERNAL_SERVER_TIMEOUT":5000,"ROOT_URL":"https:\u002F\u002Fdownload.csdn.net\u002F","VUE_APP_API_URL_SERVER":"http:\u002F\u002Fcms-community-api.internal.csdn.net\u002F","VUE_APP_API_URL":"https:\u002F\u002Fcms-community-api.internal.csdn.net\u002F","VUE_APP_API_DOWNLOAD_SERVER":"http:\u002F\u002Fdownload.csdn.net\u002F","VUE_APP_API_WENKU_SERVER":"http:\u002F\u002Fwenku.csdn.net\u002F","VUE_APP_API_WENKU":"https:\u002F\u002Fwenku.csdn.net\u002F","VUE_APP_API_DOWNLOAD":"https:\u002F\u002Fdownload.csdn.net\u002F","VUE_APP_API_BIZAPI_URL":"https:\u002F\u002Fbizapi.csdn.net\u002F","VUE_APP_API_MOCK_URL":"https:\u002F\u002Fcms-api.csdn.net\u002F","VUE_MALL_API_URL":"https:\u002F\u002Fmall.csdn.net\u002F","VUE_APP_CMS_HOME_PAGE_ID":"202","VUE_APP_CMS_PAGE_ID":"174"},"queries":{},"basePath":"http:\u002F\u002Fwenku.csdn.net\u002Fpdf\u002F6e5mli4942","uaInfo":{"isMobile":false,"isWeixin":false,"isCsdnApp":false,"isCsdnEduApp":false,"isGoogleBot":false,"isIosMobile":false,"isAndroidMobile":false,"isWindows":false,"isMac":false},"adSize":{"maxWidth":1920,"minHeight":120,"proportion":16},"fullWidth":null,"showPreModal":false,"fixed":false,"browserRendered":false,"dialogStatus":{"default":false,"code":false,"codeWeapp":false,"money":false,"balancePay":false,"openVip":false,"useVip":false,"text":false,"isCopy":false,"yry":false,"joinVip":false,"bgLight":false,"spm":null,"lottery":false,"coupons":false,"cert":false,"activityAd":false},"showStopDownloadDialog":false,"stopDownloadCheckInfo":{},"canPayAdvance":false,"useBalancePay":false,"needGuideScan":false,"beforeDownloadLoading":false,"downloadLoading":false,"beforeDownloadData":{},"checkUrl":null,"checkShow":false,"isDownload":false,"adData":[],"navOffsetTop":48,"resizeObserver":null,"timer":null,"showDevelopEntrance":false,"topOneSourceInfo":{},"showSourcePreview":true,"activeTab":0,"autoJumpTestInfo":[]};</script><script type="text/javascript" src="https://csdnimg.cn/release/wenkucmsfe/public/js/runtime.64e880f5.js"></script><script type="text/javascript" src="https://csdnimg.cn/release/wenkucmsfe/public/js/chunk/common.b37f4642.js"></script><script type="text/javascript" src="https://csdnimg.cn/release/wenkucmsfe/public/js/chunk/tpl/download-detail/index-translate-pdf.10f4222d.js"></script></body> <!----> <!----> <!----> <!----> <!----> <!----> <!----> <!----> <!---->
<script src="https://g.csdnimg.cn/side-toolbar/3.4/side-toolbar.js" ></script>
<script onload="window._docsdnToolbarLoaded()" src="https://g.csdnimg.cn/common/csdn-toolbar/csdn-toolbar.js"></script>
<!----> <!----> <!----> <!----> <!----></html>