融合MobileNet与Contextual Transformer的人脸识别研究

FaceNet作为人脸识别的一大跨越,以其高精度、低硬件配置等优势被广泛应用于各个人脸识别相关领域。本文开源了首个餐厅支付场景下的中国人脸数据集CN-Face,该数据集拥有13000人的人脸图像,总计100000张。此外,本文以CA-SIA-WebFace作为训练集,利用改进后的MobileNet主干网络,采取不同的注意力机制添加方法,改变激活函数并且融入Contextual Transformer模块,大大降低了参数量和识别速度,显著提升了人脸识别精度。相较于原版FaceNet,在LFW测试集下,准确率达到98.79%,提升了2.74%,在CN-Face数据集中准确率达到95.22%,提升了1.35%。

布匹瑕疵检测算法研究进展

纺织品行业中利用计算机视觉技术对织物瑕疵进行检测,已形成一种趋势。然而由于织物瑕疵种类繁多,形状、大小复杂,加之背景花色、纹路的存在,其检测十分具有挑战性。本文对比了常用的图像处理方法和深度学习算法,总结了目前织物瑕疵检测存在的问题和研究现状,并探讨了织物瑕疵检测的发展趋势,为研究者提供参考。

基于深度学习的有效iPPG信号识别研究

成像式光电容积描记法(iPPG)是一种利用摄像机远程测量血容量脉冲的技术,现已成为早期筛查动脉粥样硬化和心血管疾病的一种具有前景的技术。但iPPG信号中包含大量的噪声,传统的选取有效信号的方法准确度低,普适性差。基于以上问题,设计开发了基于Python的有效iPPG信号识别软件,该软件通过摄像头采集人脸视频并进行人脸定位,在动态的感兴趣区域中提取i PPG信号,并对信号进行预处理,最终使用基于深度学习的i PPG信号判别模型进行有效性识别,平均准确率高达95.1%,对于实际应用场景下的i PPG信号判别具有良好的准确性与稳定性,同时验证了使用深度学习进行非接触式信号有效性判别的可行性。