首页> 中文学位 >基于SVM及RF的CNN分类模型及其在人脸检测中的应用研究
【6h】

基于SVM及RF的CNN分类模型及其在人脸检测中的应用研究

代理获取

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1本文研究的背景及意义

1.2研究现状

1.3本文研究的内容

1.4本文的组织结构

第二章 相关背景知识介绍

2.1卷积神经网络基础知识

2.2支持向量机(SVM)基础知识

2.3随机森林(RF)基础知识

2.4本章小结

第三章 基于SVM的经典卷积神经网络分类模型

3.1经典卷积神经网络分类模型

3.2基于SVM的经典卷积神经网络分类模型算法

3.3算法的训练

3.4仿真实例

3.5本章小结

第四章 基于SVM/RF的PCANets分类模型

4.1 PCA与直方图原理

4.2基于SVM/RF的PCANets分类模型

4.3仿真实例

4.4本章小结

第五章 基于SVM/RF的自适应中值滤波PCANets分类模型

5.1中值滤波方法

5.2自适应中值滤波PCANets模型

5.3仿真实例

5.4本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

附录1 程序清单

附录2 攻读硕士学位期间撰写的论文

附录3 攻读硕士学位期间参加的科研项目

致谢

展开▼

摘要

信息的飞速膨胀促进了“大数据”时代的来临,如何高效、快速的处理大数据成为信息领域一个重要的课题。深度学习通过模拟人脑的工作方式来获取数据的重要信息,成为现阶段处理数据的一种重要的手段。卷积神经网络(Convolutional Neural Networks,CNN)作为深度学习的一种,主要特征包括权值数量、局部感受野以及卷积运算,这些特点保证了它良好的应用效果,解决了信息处理中特征提取前需要大量预处理工作的问题。本文主要研究基于支持向量机及随机森林的卷积神经网络分类模型,并应用于人脸检测领域中。主要创新工作如下:
  (1)提出了一种基于支持向量机(Support Vector Machine,SVM)的经典卷积神经网络分类模型。卷积神经网络无需复杂的预处理工作,能够有效的提取图像的特征向量,但是其分类工作完全依赖于全连接层,因此检测率有待提高。支持向量机具有良好的分类能力,但是不能进行特征提取,因此将二者的优点结合,提出基于 SVM的经典卷积神经网络分类模型。实验证明这种模型能够有效的提高经典卷积神经网络的分类能力。
  (2)提出了基于SVM以及随机森林(Random Forest,RF)的PCANets分类模型。首先,在基于SVM的经典卷积神经网络模型中用PCANets取代经典卷积神经网络得到基于SVM的PCANets分类模型,其次用RF替换SVM进行分类,得到基于RF的PCANets分类模型。这两种模型结构简单,训练中无需大量计算参数。实验结果证明,基于RF的PCANets分类模型运行速度更快,而基于SVM的PCANets分类模型检测率更高,且这两者模型在运行中都不需要多次人工干预设定参数。
  (3)提出了基于SVM/RF的自适应中值滤波PCANets分类模型。引入自适应中值滤波算法到基于SVM/RF的PCANets分类模型中。首先用自适应中值滤波算法对图像去噪,然后用PCANets算法提取特征向量,最后用SVM/RF检测分类。自适应中值滤波算法简单,可以根据具体的图像自适应调整算法,因此运行效率较高,且去噪能力强。实验结果证明,该模型能够有效的提高基于SVM/RF的PCANets分类模型提取特征向量的速度,且分类效果良好。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号