×

结合改进Fisher判别准则与GRV模块的卷积神经网络

消耗积分:0 | 格式:pdf | 大小:2.33 MB | 2021-03-17

分享资料个

　　传统卷积神经网络（CNN）在建模过程中由于数据样本量不足容易岀现过拟合现象，且对随机数据泛化能力较差。为此，设计一种结合改进 Fisher判别准则与GRⅤ模块的卷积神经网络（ FDCNN）。使用CNN学习从输入图像到多维欧式空间的映射关系，采用基于改进 Fisher判别准则的损失函数进行网络模型训练并将人脸样本数据投影到低维空间，保证类内离散度尽量小的同时类间离散度尽量大以达到最佳人脸分类效果。引入融合Googlenet、 Res net和 Vggnet网络结构特点的GRⅤ模块，提高CNN网络表达能力并降低网络模型复杂度。实验结果表明，当训练样本数量为840时， FDCNN模型在CBCL数据集上的识别率为93.4%，相比传统CNN模型、基于改进 Fisher判别准则的全连接神经网络模型等网络模型识别率更高且泛化能力更好。

下载并关注上传者 低至0.43元/天 开通VIP 免费下载

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉

评论(0)
发评论

下载排行榜

全部0条评论

快来发表一下你的评论吧 !