中文核心期刊
中国科技论文统计源期刊
国际刊号:1005-2615
国内刊号:32-1429/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式ʽ
  • 主管:工业和信息化部
  • 主办:南京航空航天大学
  • 国际刊号:1005-2615
  • 国内刊号:32-1429/V
  • 地址:南京市御道街29号
  • 电话:025-84892726
  • 传真:025-84892726
  • E-mail:tnc01@nuaa.edu.cn
  • 邮编:210016
高凌飞,王海龙,王海涛,刘强,张鲁洋,王怀斌.基于轻量级卷积神经网络的人证比对[J].南京航空航天大学学报,2021,53(5):751-758
基于轻量级卷积神经网络的人证比对
Scene-Identity Face Matching Based on Efficient Convolutional Neural Network
投稿时间:2020-07-10  修订日期:2021-03-24
DOI:10.16356/j.1005-2615.2021.05.012
中文关键词:  人证比对  轻量级卷积神经网络  深度学习  迁移学习
英文关键词:scene-identity face matching  efficient convolutional neural network  deep learning  transfer learning
基金项目:
作者单位邮编
高凌飞 南京航空航天大学自动化学院南京 211106 211106
王海龙 江苏长城计算机系统有限公司南通 226001 226001
王海涛 南京航空航天大学自动化学院南京 211106 211106
刘强 江苏铭远轨道交通设备有限公司南京 210044 210044
张鲁洋 南京航空航天大学自动化学院南京 211106 211106
王怀斌 南京航空航天大学自动化学院南京 211106 211106
摘要点击次数: 145
全文下载次数: 114
中文摘要:
      在证件审核场景中,常规的深度学习人脸识别方法人证比对精度低且在嵌入式设备运行效率差。为解决上述问题,本文提出了改进的轻量级卷积神经网络Lightnet,并采用了迁移学习方法。Lightnet是结合深度可分离卷积、线性瓶颈结构和注意力模块构成的轻量级卷积神经网络模块,引入附加角度裕量的损失函数AM-Softmax监督训练后,网络模型能够保持较高的验证精度,并有效解决标准卷积神经网络参数冗余、计算量大的问题。迁移学习通过冻结预训练模型的卷积层权重,并在自制的人证数据集微调,提高了网络模型的人证场景的识别性能。实验结果表明,所设计的轻量级人证比对算法在验证精度、参数量以及运行效率等方面取得了很好的效果,且对生活场景有较好的鲁棒性。
英文摘要:
      In the scene of document verification, the standard deep learning face recognition method has low accuracy and poor real-time performance on embedded devices. To solve these problems, this paper proposes a modified efficient convolutional neural network (CNN) called Lightnet and adopts the transfer learning method. Lightnet is an efficient CNN module composed of depthwise separable convolution, linear bottleneck structure and attention module. After introducing the loss function AM-Softmax with additive angle margin, the network model can effectively solve the problems of redundancy parameter and vast calculation for standard CNN in the foundation of ensuring the high accuracy of face recognition. The transfer learning method can enhance the scene-identity face matching performance by freezing all the convolution layer weights of the pre-trained model and fine-tuning training in the self-made scene-identity face matching dataset. The experimental results show that the designed efficient scene-identity face matching algorithm has achieved good results in terms of verification accuracy, parameters and verification speed, and has good robustness in life scenarios.
[HTML]  查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《南京航空航天大学学报》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892726      传真:025-84892726       E-mail:tnc01@nuaa.edu.cn

您是本站第3864989位访问者 本站今日一共被访问1860

技术支持:北京勤云科技发展有限公司

敬请关注《南航学报》官方微信