基于多任务学习和身份约束的生成对抗网络人脸校正识别方法

针对DR-GAN(Disentangled Representation learning-Generative Adversarial Network)方法在将大偏转角度侧脸图像生成其正脸图像的整个生成过程中,没有考虑身份类别信息,从而导致在身份和姿态的解耦中存在真实的侧脸图像与其生成的正脸图像身份一致性较弱的问题,本文提出了一种基于多任务学习和身份约束的生成对抗网络人脸校正识别方法.该方法通过借鉴多任务学习机制,在生成网络的编码器与解码器之间构建了角度姿态分类模块和身份约束识别模块.这两个模块不但在生成过程中实现了人脸身份和姿态的解耦,更重要的是在由侧脸生成正脸的过程中加入了人脸身份监督信息.在训练过程中,该方法将身份和姿态类别直接作为身份编码特征和姿态编码特征的监督信息,并通过设计身份特征损失函数来约束侧脸的身份编码特征逼近其正脸的身份编码特征,实现了侧脸编码特征中身份信息和姿态信息的有效解耦,使解码器能更准确地生成与原侧脸图像保持身份一致的正脸图像.在M2FPA数据集上,对不同角度的侧脸图像使用所提方法生成的正脸图像进行识别,达到了更高的人脸识别准确率.实验结果表明,即使在偏转角度较大时,所提方法仍然能够较好地生成保持身份一致的正脸图像,显著提升了较大偏转角下人脸识别准确率.

WPCA-LDA:一种数据分类新方法

PCA(principal component analysis)是一种常用的特征提取方法,LDA(linear discriminant analysis)是一种常用的数据分类方法。然而,传统PCA投影数据没有区分数据的类标签,传统LDA投影数据没有消除数据间的相关性,分类效果都不理想。针对该问题进行研究,设计出了一种WPCA-LDA(weighted principal component analysis-linear discriminant analysis)分类方法。该方法首先对样本数据进行预处理,再运用数据中不同类别间的特征关系计算权值,对数据样本加权,之后用PCA进行特征提取,最后采用LDA方法对提取的特征分类。在MATLAB仿真实验中,该方法能将六类样品清晰分开。实验结果表明:与传统的PCA、LDA和PCA-LDA分类方法相比,WPCA-LDA方法的数据分类效果更好。

基于单片机的光伏发电自动供水系统的设计与研究

在自来水供水系统中,以光伏发电系统作为水塔的供电系统,采用推挽正激式电路将光伏阵列发出的直流低压电进行升压,经过三相桥式逆变电路后,输出三相交流电压。在该系统中,特别提出了由单片机根据传感器发出的水塔水位信号,指令电磁开关的断开与闭合,从而控制交流异步电机带动水泵向塔供水。