【技术实现步骤摘要】
核心思想是卷积核的拆解，可以有效减少网络参数以及计算量。其使用深度可分离卷积取代原始卷积，在使用pointwiseconvolution进行通道整合，简单说就是将原来的一个k*k*c的卷积核分解成一个k*k*1的卷积以及一个1*1*c的卷积，其中k是卷积核得大小，c是卷积核得通道数。物理意义就是先对前一层输出的featuremap的每一个channel单独惊醒k*k的卷积来提取空间特征，然后使用1*1的卷积将多个通道的信息线性组合起来。如图2所示，其中上图表示的是depthwiseconvolution，下图表示pointwiseconvolution。
[0010]简单分析一下深度可分离卷积在计算量上与标准卷积的差别。假定输入特征图大小是D
F
×
D
F
×
M，而输出特征图大小是D
F
×
D
F
×
N，其中D
F
是特征图的长和宽，这是假定两者是相同的，而和指的是通道数。这里也假定输入与输出特征图大小(长和宽)是一致的。采用的卷积核大小是...
【技术保护点】
【技术特征摘要】
1.一种基于信息流通的超交互卷积神经网络的人脸识别方法，其特征在于，包括如下步骤：步骤1、采集人脸图片；步骤2、对人脸图片进行对齐；步骤3、对人脸图片进行截取；步骤4、建立超交互卷积神经网络SINet；步骤5、建立人脸数据库：将步骤3得到的人脸图片输入超交互卷积神经网络SINet中，将神经网络SINet最后一层输出的一个一维的特征向量作为输入人脸的特征向量，将人脸的特征向量存入人脸数据库；步骤6、计算人脸相似度；步骤7、输出结果。2.根据权利要求1所述的方法，其特征在于，步骤2包括：步骤2
‑
1，获得人脸特征点m1、m2和m3、m4的坐标值(x1,y1)、(x2,y2)和(x3,y3)、(x4,y4)，其中m
i
指示不同的特征点，对应的(x
i
,y
i
)为其坐标，使用公式求得旋转角度θ；步骤2
‑
2，根据两个人脸特征点坐标点集即m1、m2和m3、m4，对人脸图片进行相似变换，包括对人脸图片进行旋转，平移和缩放，其变换矩阵如下：其中，x
′
,y
′
表示变化后特征点的坐标值，x,y表示变化前特征点的坐标值，t是平移矢量即x轴坐标和y轴坐标为t
x
,t
y
；s是缩放尺度因子，当是s＝1是保向的，s＝
‑
1是逆向的；缩放尺度因子即让缩放后m1特征点和m2特征点的距离为47个像素。3.根据权利要求2所述的方法，其特征在于，步骤3包括：将人脸从背景中分离；以m1特征点为中心，左右上下取(65,65,51,98)，截取一个130
×
149大小的人脸框，最后缩放到224
×
224的尺寸。4.根据权利要求3所述的方法，其特征在于，步骤4包括：所述超交互卷积神经网络SINet包括三种网络基本部件和两种网络组件；其中，所述三种网络基本部件分别是：第一基本部件是交换式跳跃连接；第二基本部件是基于密集连接的降采样层；第三基本部件是基于注意力机制的分层决策层；所述两种网络组件分别是：第一网络组件是SI Unit，SI Unit是组成超交互卷积神经网络SINet整体网络的最小组合单元；第二网络组件是SI Block，SI Block是堆叠形成超交互卷积神经网络SINet网络结构的组成块。5.根据权利要求4所述的方法，其特征在于，步骤4中，通过如下步骤构建第一基本部
件：步骤a1：将原始卷积计算分成g组，g＝2；步骤a2，将g组原始卷积计算中的跳跃连接结构修改成交互跳跃连接结构。6.根据权利要求5所述的方法，其特征在于，步骤a2中，采用如下公式将g组原始卷积计算中的跳跃连接结构修改成交互跳跃连接结构：算中的跳跃连接结构修改成交互跳跃连接结构：算中的跳跃连接结构修改成交互跳跃连接结构：算中的跳跃连接结构修改成交互跳跃连接结构：其中，SPLITE(*)表示特征拆分，将原始特征图均分成g组，H(*)表示的是特征计算，[*]表示的是连接操作，X
l
‑1表示网络第l层的输入特征图，分别表示由输入特征图PLITE(X
l
‑
1)拆分得到的两组特征图，将拆分...
【专利技术属性】
技术研发人员：游辉敏，姚杨，吉琨，
申请(专利权)人：南京优闼智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。