基于多任务级联卷积网络模型的人脸检测和识别

深度学习的集成特征提取这一优点使得它广泛应用于人脸检测和识别。提出了一种多任务级联卷积网络模型(Multitask Cascaded Convolution Network,MTCNN)。基于Tensor Flow平台,基于改进的任务级联卷积网络模型检测到人脸,并且用Face Net算法对人脸进行特征提取,用KNN算法对人脸进行识别。实验结果表明,对不同光照下多人图像和遮挡图像的人脸进行检测和识别,具有良好的鲁棒性。

基于卷积神经网络的手势识别研究

随着人机交互技术的发展,手势动作作为一种自然、方便以及高效的交互方式受到人们的关注。因而对此从理论和程序执行的角度提出一个针对9种手势识别的卷积神经网络(Convolutional Neural Networks,CNN)模型。首先,从组成CNN的基本单元神经元开始,然后上升到神经网络,最终到反向传播算法。通过调整卷积神经网络中的参数(迭代次数、步长),观察不同参数对网络的均方误差和测试准确度的影响。实验结果表明,该模型和算法可以有效识别9种手势,识别准确率最高可达93. 33%.

采用STFT幅度值的长信号相位恢复算法

针对以往基于短时傅里叶变换(STFT)幅度值的相位恢复(STFTMPR)算法仅能处理一组较短的信号,并且信号的STFT幅度测量值的长度只能是质数的情况,提出了一种基于STFT幅度值的长信号相位恢复(LS-STFTMPR)算法。把一组长信号变化成几组较短的数组信号,通过改进的最小二乘(LS)法获取梯度下降(GD)法的迭代初始值,然后最小化各数组信号的非凸损失函数,并最终收敛到全局最小值。实验结果表明,在恢复一组较长信号的时候,所提算法的性能明显优于STFTMPR算法,并且具有较强的抗噪声能力。