导读:本文包含了人脸模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:模型,神经网络,深度,卷积,分辨率,中值,梯度。
人脸模型论文文献综述
喻晗[1]（2019）在《单张图像重建人脸3D模型的卷积神经网络系统研究》一文中研究指出大多数计算机视觉和图形应用的关键是从给定的图像重建详细的人脸几何结构,例如运动捕捉和再现。因为在不同表情、姿势时,人脸变化很大,重建任务具有很大的挑战性,虽然可以通过使用多张图像来重建一个物体的表面可以降低复杂性,但是,有时候必须从单张图像中提取表面,这仍然是一个难题。为此,本文引入了一个端到端的卷积神经网络框架,该框架以由粗到细的方式导出形状来解决这个问题。(本文来源于《计算机产品与流通》期刊2019年12期）
张鹏升,解易,刘钊[2]（2019）在《基于条件流的人脸正面化生成对抗模型》一文中研究指出根据侧面人脸合成正面人脸一直是计算机视觉领域中的一个难题。对此设计基于条件流的人脸正面化生成对抗网络模型。采用Glow模型作为生成网络实现高效的推理和合成;采用条件实例归一化层(CIN)来控制正面人脸的生成;采用变分判别器瓶颈(VDB),以潜在变量对身份进行判别,生成身份一致的正面人脸。在Multi-PIE数据集上进行实验,实验分析表明,该网络模型可以生成更具真实性和多样性的正面人脸图片。(本文来源于《计算机应用与软件》期刊2019年12期）
孙彦,丁学文,雷雨婷[3]（2019）在《基于目标检测模型的人脸识别技术》一文中研究指出为了改善当前人脸识别技术存在准确率低、算法运行速度慢和无法识别多个目标的问题,提出一种基于目标检测模型SSD_MobileNetv1的人脸识别方法,搭建Tensorflow Object Detection API框架,对人脸图像进行数据清洗和过滤来减少噪声对识别的影响,用MobileNetv1网络对图像进行特征提取,输入至SSD网络进行训练,使用梯度下降法优化训练网络中的权重。实验结果表明,多人脸识别目标定位准确、识别准确率高及模型训练的收敛速度加快,具有鲁棒性。(本文来源于《计算机与网络》期刊2019年22期）
刘雪燕,李明[4]（2019）在《基于深度学习混合模型的人脸检测算法》一文中研究指出基于"单一深度模型"的人脸检测算法在人脸图像存在部分遮挡情况时可能会导致学习效率低、错误检测率高,因此笔者提出了一种基于深度学习的混合模型算法解决人脸检测中存在的问题,称为CPDBN模型(卷积池化深度置信网络)。首先,将卷积神经网络的池化层和卷积层添加到受限玻尔兹曼机的隐含层中,作为基本单元深度学习的主要内容。其次,结合深度模型的深度结构应用特点构建多层基本单元结构,分析描述人脸特征的不同。最后,当分析过程受到阻碍,如人脸被遮挡等情况时,则以完整人脸特征作为检测参考进行特征分析。根据本实验结果,该算法加快了收敛速度,提高了局部遮挡时人脸检测的精度,提高了多姿态的鲁棒性。(本文来源于《信息与电脑(理论版)》期刊2019年20期）
张玉倩,高方远,王楠楠[5]（2019）在《基于深度概率图模型的鲁棒人脸画像合成》一文中研究指出针对基于数据驱动的人脸画像合成算法像素特征缺乏对光照变化和复杂背景的鲁棒性,常合成低质量的画像的问题,文中提出基于深度概率图模型的鲁棒人脸画像合成算法.采用预处理方法调整测试照片的光照亮度和人脸姿态,使之与训练照片一致.采用深度特征代替像素特征进行近邻匹配,采用深度概率图模型对画像重建权重和深度特征权重联合建模,得到合成画像的最佳重构表示.为了提高画像合成速度,提出快速近邻搜索方法.实验验证文中算法的鲁棒性和快速性.(本文来源于《模式识别与人工智能》期刊2019年09期）
曹莹,刘惠义,钱苏斌[6]（2019）在《基于BSSRDF模型回归人脸皮肤实时渲染》一文中研究指出基于叁层材质模型,利用双向表面散射反射分布函数,模拟光线在皮肤表面的散射效果。提出一种采用径向基函数神经网络对次表面散射剖面进行拟合的方法,以实现人脸皮肤真实感实时渲染。使用离线渲染的方式进行预计算,获取训练数据,进行训练,代替传统的渲染方式。实验证明,本文方法能有效减少冗余数据,以较快的速度收敛,并且很好地拟合离线渲染的结果。(本文来源于《计算机与现代化》期刊2019年09期）
孟辉,高德施,李颖,谭鑫宇,付相天[7]（2019）在《基于隐马尔科夫模型的人脸识别》一文中研究指出对基于隐马尔科夫模型的人脸识别方法进行了深入研究,提出了一种改进的隐马尔科夫模型人脸识别方法。在图像预处理阶段,引入中值滤波器降低由于拍摄条件变化导致的隐马尔科夫模型参数变化,以及人脸隐状态内部像素的像素值突变造成的状态转移参数变化,提高了人脸识别精度,对公安基层人脸识别应用及普及有一定的理论指导意义。(本文来源于《中国刑警学院学报》期刊2019年04期）
李靓,文畅,谢凯,贺建飚[8]（2019）在《C2D-CNN模型下的人脸识别方法研究》一文中研究指出为解决人脸识别工作中测试数据与训练数据的差异带来的精度损失问题,提出一种C2D-CNN模型下的人脸识别方法。该模型将彩色2DPCA算法提取的原始图像像素特征与CNN(Convolutional Neural Network)学习的图像表示相融合,能显着提高人脸识别性能。进一步的,提出一种新的CNN模型,在CNN中引入归一化层,以加速网络收敛,此外还加入了分层激活函数,使得激活函数对归一化后的数据有自适应性。选取复杂环境下的FRGC人脸库以及自采集人脸库进行实验。实验结果表明,对于FRGC人脸库,相比Alex Net网络,本算法的预训练时间缩短了69. 4%,识别率提高了9. 72%～22. 99%,相比微调后的AlexNet网络,识别率提高了6. 07%～15. 28%,解决了测试集与训练集之间的差异带来的识别率低的问题。(本文来源于《科技通报》期刊2019年08期）
曹小颖[9]（2019）在《基于深度残差网络模型的人脸检测算法》一文中研究指出拍摄角度偏转与光线强弱变化极易造成人脸结构信息丢失,造成人脸检测算法鲁棒性不足。采用深度残差网络模型用于人脸检测,能筛选不同拍摄角度与光照条件下的人脸公开数据集,构建新的数据集MultiFaceData数据集用于训练,可以针对不同条件下的人脸图像构建残差网络模型,获取人脸图像的深度特征描述子。实验表明,该模型下人脸检测准确率达到91.2%,能显着增强对拍摄角度与光照变化的鲁棒性。(本文来源于《电脑编程技巧与维护》期刊2019年08期）
王淑云,干宗良,刘峰[10]（2019）在《基于层级聚类回归模型的人脸超分辨率重建算法》一文中研究指出人脸超分辨率重建是指从一幅低分辨率人脸图像重建出相应的高分辨率图像的过程。大部分的人脸超分辨率重建算法都假设输入图像是对齐且不含噪声的。当输入的人脸图像为非对齐时,超分辨率重建的性能将降低。为此,提出一种基于学习的层级聚类回归算法,其主要针对非对齐的单帧人脸图像的超分辨率重建。该算法分为两部分:聚类和回归。聚类阶段,将训练样本的尺寸统一成某个小尺寸的人脸图像,用于训练人脸图像字典。该字典的字典原子为聚类中心,对原始的人脸图像进行聚类,得到各个子空间的人脸图像簇。该算法充分利用了人脸结构的先验信息,能获得更准确的聚类结果。在回归阶段,仅需要训练一个全局字典,各个子空间的人脸图像共享这些字典原子。在每个簇内,搜索各个驻点的邻域,以生成对应的邻域子空间。然后,学习低分辨率与高分辨率样本特征之间的映射关系,以得到每个子空间的回归模型。该算法的核心是所有的人脸图像类共享一个全局字典,但对于同一个驻点,在不同的人脸图像簇内,邻域样本各不相同,这样能够更准确地学习局部映射关系。该算法不仅可以缩短训练时间,还可以提高人脸超分辨率重建的质量。对比实验的结果表明,该算法的PSNR至少可以提升0.39 dB,SSIM可以提升0.01～0.18。(本文来源于《计算机科学》期刊2019年08期）
人脸模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
根据侧面人脸合成正面人脸一直是计算机视觉领域中的一个难题。对此设计基于条件流的人脸正面化生成对抗网络模型。采用Glow模型作为生成网络实现高效的推理和合成;采用条件实例归一化层(CIN)来控制正面人脸的生成;采用变分判别器瓶颈(VDB),以潜在变量对身份进行判别,生成身份一致的正面人脸。在Multi-PIE数据集上进行实验,实验分析表明,该网络模型可以生成更具真实性和多样性的正面人脸图片。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人脸模型论文参考文献
[1].喻晗.单张图像重建人脸3D模型的卷积神经网络系统研究[J].计算机产品与流通.2019
[2].张鹏升,解易,刘钊.基于条件流的人脸正面化生成对抗模型[J].计算机应用与软件.2019
[3].孙彦,丁学文,雷雨婷.基于目标检测模型的人脸识别技术[J].计算机与网络.2019
[4].刘雪燕,李明.基于深度学习混合模型的人脸检测算法[J].信息与电脑(理论版).2019
[5].张玉倩,高方远,王楠楠.基于深度概率图模型的鲁棒人脸画像合成[J].模式识别与人工智能.2019
[6].曹莹,刘惠义,钱苏斌.基于BSSRDF模型回归人脸皮肤实时渲染[J].计算机与现代化.2019
[7].孟辉,高德施,李颖,谭鑫宇,付相天.基于隐马尔科夫模型的人脸识别[J].中国刑警学院学报.2019
[8].李靓,文畅,谢凯,贺建飚.C2D-CNN模型下的人脸识别方法研究[J].科技通报.2019
[9].曹小颖.基于深度残差网络模型的人脸检测算法[J].电脑编程技巧与维护.2019
[10].王淑云,干宗良,刘峰.基于层级聚类回归模型的人脸超分辨率重建算法[J].计算机科学.2019
论文知识图
