

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、回歸模型是一種常用于數(shù)據預測的數(shù)學模型,其在目標檢測、人臉識別和行為識別等領域都有廣泛的應用。傳統(tǒng)回歸模型可以在少量樣本上擬合相對簡單的非線性函數(shù)。但當前回歸任務需要面臨復雜的問題和處理大量的數(shù)據,傳統(tǒng)回歸模型在建立復雜映射關系和提取高層數(shù)據特征等方面都面臨巨大挑戰(zhàn)。而深度神經網絡作為一種近期興起的技術,具有從大量數(shù)據中自動地學習復雜映射關系和高層數(shù)據特征的能力。因此,采用基于深度神經網絡的回歸模型能夠有效地減少上述問題對數(shù)據預測的影響
2、,提高回歸的準確度。
本文圍繞基于深度神經網絡的回歸模型開展兩個方面的研究,分別為基于深度神經網絡構造的回歸模型研究和基于深度神經網絡特征的回歸模型研究,以克服傳統(tǒng)回歸模型在建立復雜映射關系和提取高層數(shù)據特征方面存在的局限性。由于圖像中頭部姿態(tài)估計是計算機視覺領域中典型的回歸問題,視頻中人體行為分類是計算機視覺中廣義的回歸問題。因此,本文針對這兩個不同任務設計不同的回歸模型。這樣不僅可以提高頭部姿態(tài)估計和人體行為分類的準確度,
3、還可以獲得構建基于深度神經網絡回歸模型的方法。本文的主要研究內容如下:
1)為了克服傳統(tǒng)頭部姿態(tài)估計方法對姿態(tài)初始值和人臉特征點準確定位的依賴問題,本文提出了一種基于級聯(lián)深度神經網絡的頭部姿態(tài)估計方法。該方法采用基于深度神經網絡的級聯(lián)框架和多層次的回歸算法,逐步地對頭部姿態(tài)進行估計。首先,構建一種級聯(lián)深度神經網絡模型,逐層地估計人臉圖像的初始姿態(tài)和姿態(tài)偏差值。之后,采用一種多層回歸算法,根據全局網絡層的初始姿態(tài)和局部網絡層的偏
4、差值,由粗到細地微調頭部姿態(tài)。實驗結果表明,在無需姿態(tài)初始值和人臉特征點準確定位的情況下,該方法依然能夠較好地進行頭部姿態(tài)估計。
2)為了對頭部姿態(tài)多個自由度之間的關聯(lián)性進行建模,本文提出了一種基于尺度不變約束深度神經網絡的頭部姿態(tài)估計方法。該方法根據不同姿態(tài)下臉部變化的規(guī)律,構建基于尺度不變約束深度神經網絡的回歸模型,進一步降低頭部姿態(tài)估計的平均絕對誤差。首先,分層地提取人臉圖像的全局特征和局部特征。然后,通過全局網絡層和多
5、個局部網絡層分別估計初始姿態(tài)和姿態(tài)偏差值。最后,根據姿態(tài)偏差不斷地調整初始姿態(tài),以獲得最終頭部姿態(tài)。另外,分析不同個體不同姿態(tài)下和相同個體不同姿態(tài)下人臉圖像的變化特點,為基于尺度不變約束深度神經網絡的估計方法提供經驗依據。實驗結果表明,該模型具有較好的泛化能力,不但可以實現(xiàn)頭部姿態(tài)單個自由度的估計,還可以實現(xiàn)頭部姿態(tài)多個自由度的估計。并且,該方法比基于級聯(lián)深度神經網絡的頭部姿態(tài)估計方法取得更好的估計結果,但是計算時間較長。因此,該方法適
6、用于速度要求一般,準確率要求稍高的場景中。
3)為了克服現(xiàn)有頭部姿態(tài)估計方法在訓練數(shù)據不充分、不完整情況下的估計效果不佳問題,本文提出了一種基于姿態(tài)敏感多變量標記分布學習的頭部姿態(tài)估計方法。該方法采用深度神經網絡提取的魯棒姿態(tài)特征,構建一種基于姿態(tài)敏感多變量標記分布學習的頭部姿態(tài)估計模型實現(xiàn)頭部姿態(tài)估計。首先,利用深度神經網絡提取人臉圖像的魯棒姿態(tài)征。之后,采用多變量標記分布學習算法預測姿態(tài)特征的標記分布,并根據該分布計算最終
7、的頭部姿態(tài)。在多變量標記分布學習算法中,為每個姿態(tài)標記一個分布來描述每個姿態(tài)標簽對單張人臉圖像的重要程度,在一定程度上緩解了樣本不充足、不充分的問題。實驗結果表明,該方法在訓練樣本不充分和不均衡的情況下實現(xiàn)不同頭部姿態(tài)的估計。
4)為了充分利用鄰近區(qū)域先驗知識并使行為表征有較明確的含義,本文提出一種基于遞歸神經網絡和兩階段回歸的人體行為分類方法。該方法利用回聲狀態(tài)網絡提取能刻畫行為序列幾何結構的局部特征,并將鄰近區(qū)域的先驗知識
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 模糊神經網絡模型及其應用研究.pdf
- 基于神經網絡的模糊模型學習及其應用研究.pdf
- 神經網絡expectile回歸模型及應用.pdf
- 基于深度神經網絡的文本表示及其應用.pdf
- 深度脈沖神經網絡及其應用.pdf
- 基于深度卷積神經網絡的服裝屬性研究及其應用.pdf
- 基于深度神經網絡的文本蘊含識別及應用研究.pdf
- 改進的卷積神經網絡模型及其應用研究.pdf
- 模糊神經網絡模型及其應用研究_免費下載
- 基于深度神經網絡的語音識別模型研究.pdf
- 基于電子病歷的深度神經網絡預測模型研究與應用.pdf
- 基于神經網絡的復雜系統(tǒng)模型辨識技術及其應用研究.pdf
- 基于改進的BP神經網絡庫存預測模型及其應用研究.pdf
- 神經網絡集成及其在分類和回歸問題中的應用研究.pdf
- 基于灰色模型與人工神經網絡的改進組合預測模型及其應用研究.pdf
- 混合神經網絡及其應用研究.pdf
- 量子神經網絡及其應用研究.pdf
- 基于神經網絡的預測分析及其應用研究.pdf
- 基于免疫機制的神經網絡及其應用研究.pdf
- 基于小波與神經網絡的非參數(shù)模型及其應用研究.pdf
評論
0/150
提交評論