Insightface结合Faiss的高并发人脸识别技术研究

在高并发、多实例等业务模拟场景下,测试人脸检测与对齐、特征提取、特征匹配检索过程,并进行人脸识别算法效率和精度的优化。利用MTCNN及改进的Insightface算法、Faiss框架,基于LFW数据集,以Face++提供的API做参照。分析结果表明,特征提取1v1比对精度达99.76%,1vN比对精度达95.23%,特征提取效率每秒事务处理量达7.84,特征匹配效率较传统算法提升2个数量级。该项人脸识别技术的研究为铁路未来实施超大规模人像库的动态安防布控提供技术支撑。

基于深度学习语义匹配的通用智能问答系统的设计与实现

FAQ问答系统有着广泛的实际应用场景,但传统问答系统的搭建通常需要将相关领域的知识转化为一系列的规则和知识图谱,且构建过程重度依赖人力,换个场景或用户都需要大量的重复劳动。针对上述问题并结合Bert模型和向量搜索引擎Faiss,本文设计了一种基于深度学习语义匹配的FAQ问答系统的解决方案,介绍了系统的工作原理和设计流程,可以方便快速地搭建面向特定领域的问答系统,有效地减少了文本预处理的过程,实现了秒级的查询响应。系统测试发现,可以很好地对用户的查询进行语义匹配,并返回正确的答案,为构建各种问答系统提供了一种通用的解决思路。

基于卷积神经网络的面料检索系统

针对目前市场上纺织面料图像种类多、视觉特征复杂、数据量大的特点,为解决传统图像检索方法存在的检索速度慢、检索精度低的问题,提出一种基于深度学习的面料检索方法。该方法采用迁移学习,微调VGG16网络的结构,加入BN层提高模型的泛化能力,调整FC层神经元的数量减少计算量。同时优化损失函数以约束模型学习相似或相同的面料的特征也相似。以纺织企业提供的面料为数据集训练模型,得到提取面料特征的网络模型。进行在线面料检索时,使用faiss向量检索工具,快速计算待检索的面料的特征与特征库的相似度,得到相似度top-k的检索结果。经过实验证明,在企业面料数据集上,该系统检索mAP可达到0.892,检索时间仅为0.012 s,均优于以往的算法,从而验证了其可行性。

基于深度学习的织物图像检索系统研究

为了提高纺织行业的织物管理效率,解决织物检索耗时久、检索精度低等问题,使用改进的深度学习网络LResNet50E⁃IR得到织物图像的特征表示,利用faiss索引进行特征相似度匹配后,排序输出检索的结果。同时,提出分级检索策略,根据不同类别的织物特点先分类,再通过改进的神经网络训练得到相应检索模型,最后查询未入数据库的织物图像,来验证检索的效果。试验结果表明:本系统检索的top10 mAP高达99.22%,检索速度快。认为:该织物图像检索方法可以满足准确性与高效性的要求。