基于深度卷积生成对抗网络的花朵图像增强与分类

为了提高花朵图像识别与分类的准确率,采用基于深度卷积生成对抗网络的算法来完成花朵图像的识别与分类。为了保证花朵图像在卷积过程中的特征完整性,将不同尺寸的真实花朵图像进行定量平均分块,忽略分块尺寸的大小,保证分块数量相等,然后对分块的图像进行深度卷积池化增强,增强方法为最大值增强,并对噪声进行最大值池化操作,然后将两者进行对抗判别,运用交叉熵误差对价值函数进行评估,求解花朵图像识别与分类的结果。文中分别对花朵图像增强、同类花朵图像识别和不同类花朵图像分类分别进行了实例仿真,实验结果表明,所提算法在花朵图像分类正确率方面的优势明显且稳定性好。

两层级联卷积神经网络的人脸检测

目的传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络(TC_CNN)人脸检测方法。方法首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96. 39%,误检率低至3. 78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。