基于双激活层深度卷积特征的人脸美丽预测研究

目前,人脸美丽预测存在数据规模小、分类难度大、深度特征研究不足等问题.为此,本文提出基于双激活层深度卷积特征的人脸美丽预测研究的解决方案.首先,采用数据增强和人脸对齐方法来增加训练集的样本数量和提高数据库的数据质量.其次,提出一种双激活层改进CNN模型,使其更适合人脸美丽预测应用.实验结果表明,本文所提方法在分类和回归预测方面均大幅度优于传统人脸美丽预测方法;同时,在主流的CNN模型中取得了较好的实时性和准确性,基于2000测试集的分类准确率达到61.1%,回归相关度达到0.8546.因此,双激活层在深层人脸美丽特征学习中发挥了重要作用,可广泛应用于人脸图像识别与处理.

深度PCANet模型的人脸美丽预测

深度卷积神经网络(Deep Convolution Neural Network,DCNN)在人脸识别、图像分类和目标检测领域已取得较好效果,并得到广泛应用;但是,在人脸美丽预测中却存在拟合效果欠佳、网络训练难度大等问题。深度PCANet模型,将深度主元分析网络(Principal Component Analysis Network,PCANet)作为特征提取器;采用无监督预训练提取网络参数,具有网络训练时间短、图像特征提取快等特点,能有效避免DCNN存在的问题。为此,本文将深度PCANet引入人脸美丽预测,对训练集图像采用多尺度预处理,训练深度PCANet。该模型可提取人脸图像的结构性全局特征,采用特征增强方法可生成更具表征能力的特征;运用线性支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)回归器进行训练和预测。基于SCUT-FBP人脸美丽数据库的实验结果表明,深度PCANet模型具有结构简单、特征提取快和无需网络调参优化等特点;选择合适的图像尺度与采用特征增强方法可提高人脸美丽评价结果,证明了所提方法的有效性和可行性。

基于轻量级卷积神经网络的人脸美丽预测

针对目前人脸美丽预测算法难于同时满足实时性、鲁棒性、准确性的现状,本文提出一种轻量级的卷积神经网络(Convolutional Neural Network,CNN).首先,利用图像预处理来提高模型的鲁棒性.其次,通过减少网络层数和减小输入图像尺寸来提高模型的实时性,并通过优化网络结构和增加卷积核数来增强模型的学习能力.最后,提出大规模数据微调训练方法来进一步提高模型的预测准确性.实验结果表明,本文方法在SCUT-FBP数据库中获得0.887 6的相关度,对单张144×144的输入图像预测时间为185.8 ms.

基于深度学习的人脸美丽预测模型及其应用

为了进一步提高人脸美丽预测精度,本文构建了一个多尺度图像输入的人脸美丽预测深度卷积神经网络模型(Deep Convolution Neural Network,DCNN),以增强对人脸图像空间结构特征的提取能力.采用深度可分离卷积层代替普通卷积层、Max-Feature-Max(MFM)激活函数代替修正线性单元(Rectified Linear Unit,Re LU)激活函数,可减少网络训练参数并提取具有竞争性的网络特征.基于大规模亚洲女性人脸美丽数据库(Large Scale Asian Female Beauty Database,LSAFBD)的实验结果表明,本文所构建的人脸美丽预测模型取得了59.75%的正确分类率,优于现有DCNN模型的分类结果.

仿真软件在电子测量学教学中的应用

本文在阐述电子测量学在专业课程学习重要性的基础上,引入Multisim仿真软件及数字设备配套仿真等软件与理论相结合的教学手段,对提高学生学习兴趣,改革教学方法和提高教学质量,具有极其重要的作用,使大家认识到仿真软件在电子测量学教学中的突出效果。

基于Qt的轻量级商品配送系统设计

为了增强零售批发商铺面经营的信息化水平,设计了一款轻量级的商品配送系统。该系统以Qt框架为设计基础,以C++和lua为编程语言开发而成,具有结构简单、功能紧凑和资源开销小等特点,能满足商家日常经营活动中对商品的进销存和单据管理等需求,能够有效提高商家的工作效率和实现精准营销。