基于EfficientFaceNets的大规模自然场景人脸识别

在大规模自然场景人脸识别任务中,针对判别性强的深度嵌入特征难以提取以及交叉熵损失难以优化类内紧凑性的问题,提出了一种EfficientFaceNets深度网络的识别方法。该网络结构以EfficientNetV2-S结构为基础,采用上下文特征融合和三维注意力机制增强人脸深度嵌入特征的判别性。同时,为进一步提高人脸深度嵌入特征的类内紧凑性和类间分离性,设计了一种新的可信度增强损失增强深度嵌入特征的相似性,该损失联合交叉熵损失对网络进行训练,可以提升深度网络模型的分类性能。采用2种公开人脸识别数据集LFW和CFP-FP对提出的EfficientFaceNets模型性能进行验证,与3种主流深度网络模型进行了对比实验。该模型在CFP-FP数据集上的识别率相比Mobilefacenet提高了2.82%,相比于MobilenetV3-large提高了2.38%,相比于Resnet50提高了1.91%。实验证明,该模型可以用于人脸识别、图像分类等计算机视觉任务。

基于小波分解及KCN的雷达目标特征提取

讨论了利用一维距离像进行雷达目标识别的特征提取。从缩减表征距离像的特征维数和表征目标所需特征数出发 ,提出了一种基于小波分解及KCN的目标特征提取方法。为比较不同特征提取方法及所提取特征的性能 ,引入了Fisher距离来表明各类的类内紧致性和类间分离性。实验结果表明能够有效地进行特征提取。