基于改进YOLOv5s-face的Face5系列人脸检测算法

针对人脸检测中小尺度人脸和遮挡人脸的漏检问题,提出了一种基于改进YOLOv5s-face(you only look once version 5 small-face)的Face5系列人脸检测算法Face5S(face5 small)和Face5M(face5 medium)。使用马赛克(mosaic)和图像混合(mixup)数据增强方法,提升算法在复杂场景下检测人脸的泛化性和稳定性;通过改进C3的网络结构和引入可变形卷积(DCNv2)降低算法的参数量,提高算法提取特征的灵活性;通过引入特征的内容感知重组上采样算子(CARAFE),提高多尺度人脸的检测性能;引入损失函数WIoUV3(wise intersection over union version 3),提升算法的小尺度人脸检测性能。实验结果表明,在WIDER FACE验证集上,相较于YOLOv5s-face算法,Face5S算法的平均mAP@0.5提升了1.03%;相较于先进的人脸检测算法ASFD-D3(automatic and scalable face detector-D3)和TinaFace,Face5M算法的平均mAP@0.5分别提升了1.07%和2.11%,提出的Face5系列算法能够有效提升算法对小尺度和部分遮挡人脸的检测性能,同时具有实时性。

Reconfiguration of face expressions based on the discrete capture data of radial basis function interpolation

Compactly supported radial basis function can enable the coefficient matrix of solving weigh linear system to have a sparse banded structure, thereby reducing the complexity of the algorithm. Firstly, based on the compactly supported radial basis function, the paper makes the complex quadratic function （Multiquadric, MQ for short） to be transformed and proposes a class of compactly supported MQ function. Secondly, the paper describes a method that interpolates discrete motion capture data to solve the motion vectors of the interpolation points and they are used in facial expression reconstruction. Finally, according to this characteris- tic of the uneven distribution of the face markers, the markers are numbered and grouped in accordance with the density level, and then be interpolated in line with each group. The approach not only ensures the accuracy of the deformation of face local area and smoothness, but also reduces the time complexity of computing.

Face Recognition Based on Wavelet Packet Coefficients and Radial Basis Function Neural Networks

An efficient face recognition system with face image representation using averaged wavelet packet coefficients, compact and meaningful feature vectors dimensional reduction and recognition using radial basis function (RBF) neural network is presented. The face images are decomposed by 2-level two-dimensional (2-D) wavelet packet transformation. The wavelet packet coefficients obtained from the wavelet packet transformation are averaged using two different proposed methods. In the first method, wavelet packet coefficients of individual samples of a class are averaged then decomposed. The wavelet packet coefficients of all the samples of a class are averaged in the second method. The averaged wavelet packet coefficients are recognized by a RBF network. The proposed work tested on three face databases such as Olivetti-Oracle Research Lab (ORL), Japanese Female Facial Expression (JAFFE) and Essexface database. The proposed methods result in dimensionality reduction, low computational complexity and provide better recognition rates. The computational complexity is low as the dimensionality of the input pattern is reduced.

人脸识别任务中角边距损失函数的对比研究

深度卷积神经网络(DCNNs)和嵌入(Embedding)学习人脸特征是人脸识别任务的常用方法。在DCNNs网络中广泛使用Softmax损失函数,将欧几里得边距强加到DCNNs学习到的特征矩阵中,获得较好人脸识别正确率,但是仍具有较大的提高空间。近年来提出的角边距损失函数进一步提升了人脸识别任务的正确率,但是人脸识别任务中角边距损失函数的对比研究较少,且缺乏在不同类别人脸数据集上对比角边距损失函数对人脸识别正确率的影响。本文使用MS1MV2数据集训练ResNet50模型,以Softmax损失函数为基准,对比研究ArcFace、CosFace、Combined Margin(CM)3种角边距损失函数在3个不同类别人脸数据集LFW、CFP-FP和AGEDB-30上的识别准确率,并调整角边距损失函数的参数值,讨论其对人脸识别任务性能的影响。实验结果表明,角边距损失函数较Softmax损失函数可以显著提升模型人脸识别正确率。在不同数据集和不同任务条件下,选择合适的角边距损失函数和参数设置可以提高人脸识别性能。

结合Pixel2style2Pixel的年龄转化方法

年龄转化在刑侦、人脸识别等领域有着重要作用。常见的年龄转化方法需要使用成对带有年龄注释的数据集进行训练,并且存在生成图像质量低、年龄语义信息不够解耦等问题。针对上述问题,在Pix2style2Pix的训练框架中,引入年龄识别、contextual损失函数,对整体损失函数做出符合年龄转化的改进,提取年龄信息并保证图像质量。改进编码网络配合损失函数对潜在空间的图像进行编辑,提出一种基于Pixel2style2Pixel的年龄转化方法。通过FFHQ、CelebA数据集,对所提方法进行验证,实验结果表明,在不采用成对年龄注释的训练集下,改进后的损失函数能生成更符合期望年龄的转化图像,人脸相似度距离为0.346、FID为45.69、SSIM为0.593 6、PSNR为19.64 dB,均优于对比方法,证明所提方法能够生成高质量、年龄语义高度解耦的转化结果。

一种改进型RetinaFace的遮挡人脸检测算法

针对遮挡人脸检测中检测模型较大,检测速度较慢的问题,提出了一种新的改进型RetinaFace人脸检测算法。在RetinaFace模型的基础上,采用卷积神经网络MobilenetV3作为特征提取网络,通过注意力机制CANet和加权双向特征金字塔加强特征提取,优化RetinaFace算法的损失函数使模型更加关注人脸位置。依据Wider-Face和MaskFace数据集建立了实验数据集,并通过实验验证了算法的有效性。

自嘲行为研究文献综述——基于2003—2023年研究的分析

自嘲作为一种言语现象,在不同文化背景下,既可以造成群体间的分裂也可以建立包容性。自嘲行为的使用可以构建积极的自我形象,促进团结。该研究从自嘲行为入手,基于中国知网(CNKI)收录的核心期刊、CSSCI期刊和Web of Science数据库中的期刊论文,对国内外2003—2023年自嘲行为的研究进行述评。研究发现:该研究虽然已经受到国内外学者的关注,但国内研究成果较国外研究成果明显不足,且专门研究较少,存在研究对象覆盖面有限、研究样本量过少、研究方法单一等问题。基于研究现状,未来研究选题可以考虑深化相关研究并扩大研究的样本数量和范围,完善研究方法并运用新的研究理论,丰富自嘲行为的本土化研究,寻求新的研究视角,最终获得对自嘲行为更全面的认识。

基于样条权函数神经网络的人脸识别研究

文章对人脸识别技术进行了调查,对比分析了传统识别技术以及基于深度学习识别技术的不同,指出由于深度学习的网络结构较为复杂,在人脸识别过程中容易出现算法过拟合的现象。针对上述过拟合问题,文章对基于权函数神经网络的人脸识别算法进行了研究,此类神经网络结构简单,仅有输入、输出两层结构,将人脸图片作为输入信息,网络训练目标为计算三次样条权函数,仿真实验证明该类网络具有较好的识别准确度和识别效率。

综掘工作面呼吸性粉尘浓度时空场函数研究

综掘工作面呼吸性粉尘浓度时空场函数研究是粉尘防治和尘肺预警的基础。分析了综掘工作面呼吸性粉尘浓度监测关键点,提出呼吸性粉尘浓度传感器测点布置方案;以关键监测点的呼吸性粉尘浓度传感器实测数据作为实时来源,对比剖析了距离加权反比法和克里金法的优缺点,建立了一种扩展的空间插值算法;归纳半变异理论,将呼吸性粉尘浓度变化的时间维度和空间维度引入到半变异函数中,得到一种呼吸性粉尘时空场算法,建立综掘工作面呼吸性粉尘浓度时空场函数模型;最后,以河南新桥煤矿2502工作面作为对象,以滤膜称重法为标准,对时空场函数进行了试验验证。结果发现:在综掘工作面司机5~10 m、端头回风侧10~15 m区域内的呼吸性粉尘浓度较高且变化较剧烈,而在回风侧15 m后方呼吸性粉尘浓度开始逐步趋于平稳降低;综掘工作面呼吸性粉尘浓度时空场函数模型计算结果相对误差为±14.8%,比克里金法小±10.8%,比距离加权反比法小±22.4%。研究结果表明,综掘工作面呼吸性粉尘浓度时空场函数模型将时间维度和空间维度纳入了权重系数中,构建的时空场函数模型能更好地提高插值计算的精度,提升去特异值点的能力。

基于双有序性约束的人脸年龄估计研究

目的人类年龄是人类识别和搜索任务中的重要特征,现有研究一般将人脸年龄估计视为传统的分类任务,忽略了年龄之间的有序特征,导致估计年龄与真实年龄之间的差距较大,因此,有必要寻找一种方法以缩小估计年龄与实际年龄的差距。方法提出一种基于双有序性约束卷积神经网络模型(DO-CNN)的人脸图像年龄估计方法。首先,DO-CNN使用基于广义Logistic分布的有序回归模型作为卷积神经网络的分类器,并验证比其他有序分类器在人脸估计任务上的优越性;接着,进一步提出有序竞争比损失函数,在传统竞争比损失函数上,通过引入风险项使损失函数注意到预测年龄与真实年龄的误差,进而指导模型缩小估计年龄与真实年龄的差距。结果在开源人脸图像年龄数据集FGNET和AgeDB上的对比实验显示:相比现有研究方法,DO-CNN分别提升约12%和3%的准确率,当允许的误差范围扩大后,该优势依然保持。此外,基于广义Logistic分布的有序回归分类器相比基于其他分布的有序回归分类器具有明显提升。结论实验结果表明:基于双有序性约束的卷积神经网络模型可以明显提升人脸年龄估计的准确率,并减少年龄估计的实际误差。

网络表情符号“笑哭”的差异化使用与功能研究

作为全球最流行的表情符号,“笑哭”表情具有丰富的情感表达意义。由于使用者对“笑哭”表情符号外部形式特征识别存在差异,同时受“笑哭”表情在网络交际使用中形成的泛义表达影响,“笑哭”表情存在差异化使用现象。“笑哭”表情具有丰富的语用功能,体现在三个方面:辅助文字表达,填补语气缺失;符合礼貌原则,挽回交际面子;衔接对话语篇,确保表达完整。

基于改进YOLOv7的钢卷端面缺陷检测

针对钢卷端面纹理复杂、缺陷较小,以及YOLOv7算法识别速度较慢、小目标检测率较低等问题,提出一种改进的YOLOv7目标检测算法。对YOLOv7算法骨干网络中的ELAN结构进行改进,通过加入PConv卷积层设计了一种新的结构,以减少模型复杂度,提高模型的检测速度。由于小目标检测中容易出现漏检的现象,设计一种新的注意力机制CSCA,提高网络对小尺度目标的敏感度。在此基础上,使用WIoUv2损失函数替换原YOLOv7算法网络中的CIoU损失函数来优化损失函数,提高网络的鲁棒性。在自制的钢卷端面缺陷数据集上进行试验,结果表明改进的YOLOv7算法的mAP@0.5提升了4.1%,FPS提升了10.84 f/s,检测效果优于原算法。

基于MTCNN的FaceNet架构的人脸识别考勤系统设计与实现

该文设计并实现了一个基于MTCNN的FaceNet架构的人脸识别考勤系统。在系统中,将多级联CNN模型(MTCNN)应用于人脸检测里,可以提高对光照阴影等自然变化因素存在的鲁棒性,对于人脸识别部分采用FaceNet网络架构。实验证明,基于MTCNN的FaceNet架构相较于传统的人脸检测与识别具有更好的效果。最后,在保证识别速度和识别精度的前提下对数据的计算量进行了优化。

基于ArcFace损失函数的监护安全人脸识别

随着人工智能的不断发展,人脸识别技术的不断改进与成熟,该文在人工智能人脸识别的基础之上,研究深度卷积神经网络中的不同损失函数,提出一种基于ArcFace损失函数的人脸识别模型,并应用于监护安全人脸识别领域。通过对在Pubfig数据集上的实验结果以及实时人脸识别效果的分析,验证了该模型在监护安全人脸识别上的优势与可行性,为小学生监护人接送提供了安全保障。

基于YOLO5Face在火车站口罩佩戴的检测系统

近年深度学习[4]的不断发展,但对于被遮挡的人脸检测仍是一个重大难题,在公共场所,对于佩戴口罩的人们的人脸检测更具有挑战性。面对这一难题,我们使用了YOLO5Face算法,一个基于YOLOv5最新的人脸检测算法,这个算法的优点便是无论大脸还是小脸,全脸还是半遮脸,大设备还是嵌入式设备,都有着很好的性能。

Event-related potential N170 for early diagnosis of face recognition impairment in Parkinson's disease

Event-related potential （ERP） studies of cognitive function in Parkinson＇s disease （PD） have focused on P300 and N270. However, little is known regarding face recognition ERP in PD. The present study assessed cognitive function in PD patients using neuropsychological scales and analyzed N170 of visuospatial function impairment （VFI） in PD. Results showed that Montreal cognitive assessment can be used for assessing cognitive impairment when visuospatial functioning is changed during the early stage of PD. Face recognition has clinical significance for detecting changes in visuospatial functioning. However, N170 is not sensitive for detection of VFI in PD, which implies that VFI does not appear in the stage of structure coding in face recognition. In addition, VFI affects face recognition.

Mode-I-crack compression modeling and numerical simulation for evaluation of in-situ stress around advancing coal workfaces

The relatively high stress probably leads to generation of a fractured or even instable area around a working coalface. Also, the generated weak area often evolves into an easy-infiltrating field of water/gas to greatly increase probability of accident occurrence. To reveal the distribution of high stress around working faces, we put forward the mode-I-crack compression model. In this model, the goaf following a working face is regarded as a mode-I crack in an infinite plate, and the self-gravity of overlaying strata is transformed into an uniform pressure applied normal to the upper edge of the model crack. Solving this problem is based on the Westergaard complex stress function. For comparison, the software RFPA-2D is also employed to simulate the same mining problem, and furthermore extendedly to calculate the stress interference induced by the simultaneous advances of two different working faces. The results show that, the area close to a working face or the goaf tail has the maximum stress, and the stress is distributed directly proportional to the square root of the advance and inversely proportional to the square root of the distance to the working face. The simultaneous advances of two neighboring working faces in different horizontals can lead to extremely high resultant stress in an interference area.

Face Detection and Localization in Color Images: An Efficient Neural Approach

Automatic face detection and localization is a key problem in many computer vision tasks. In this paper, a simple yet effective approach for detecting and locating human faces in color images is proposed. The contribution of this paper is twofold. First, a particular reference to face detection techniques along with a background to neural networks is given. Second, and maybe most importantly, an adaptive cubic-spline neural network is designed to be used to detect and locate human faces in uncontrolled environments. The experimental results conducted on our test set show the effectiveness of the proposed approach and it can compare favorably with other state-of-the-art approaches in the literature.

改进视觉Transformer的人脸识别方法

目前大多数人脸识别方法依赖于卷积神经网络,通过级联的形式构建多层处理单元,利用卷积操作融合局部特征,忽略了人脸全局语义信息,缺乏对人脸重点区域的关注度。针对上述问题,提出一种基于改进视觉Transformer的人脸识别方法,引入Shuffle Transformer作为特征提取骨干网络,通过自注意力机制以及Shuffle操作捕捉特征图全局信息,建立特征点之间的长距离依赖关系,提高模型的特征感知能力;同时,结合ArcFace损失函数和中心损失函数的特点,设计融合损失作为目标函数,利用类内约束扩大角度间隔,提高特征空间的辨别性。该方法在LFW、CALFW、CPLFW、AgeDB-30和CFP五个具有挑战性的基准测试人脸数据集上分别取得了99.83%、95.87%、90.05%、98.05%、97.23%的平均准确率,能够有效提升人脸特征提取能力,识别效果优于同等规模卷积神经网络。