相关实验视频
Updated: Jul 6, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
通过卷积神经网络自动化面部特征和图像检索
Syed Taimoor Hussain Shah1, Syed Adil Hussain Shah1,2, Shahzad Ahmad Qureshi3
1PolitoBIOMed Lab, Department of Mechanical and Aerospace Engineering, Politecnico di Torino, Turin, Italy.
Frontiers in artificial intelligence
|January 4, 2024
概括
本研究介绍了FRetrAIval (FRAI),这是一种用于面部特征提取和识别的新型混合深度学习模型. 在面部识别任务中,FRAI实现了高精度,显示了在医疗保健和犯罪学中的应用潜力.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 生物识别信息 生物识别信息
背景情况:
- 在成像研究中,推断面部图像之间的关系,特别是那些表情不同或随着时间的推移而变化的图像,仍然是一个挑战.
- 准确的面部特征提取和识别对于各种应用至关重要,包括医学诊断和法医科学.
研究的目的:
- 开发和评估一种用于面部特征提取,表征和识别的新方法.
- 介绍一种混合深度学习系统,该系统将经典计算机视觉与卷积神经网络相结合.
主要方法:
- 开发了一种混合深度学习模型FRetrAIval (FRAI),集成了GoogleNet和AlexNet架构.
- 计算机视觉技术,包括基于定向梯度的算法,用于面部区域提取和预处理.
- 该FRAI模型是使用Aligned Face数据集 (AFD) 和Labeled Faces in the Wild (LFW) 数据集进行训练和验证的.
主要成果:
- 与现有方法相比,FRAI系统表现出优越的性能,在AFD (高达92.52%) 和LFW (95.00%) 数据集上实现了高精度,回忆,F1和F2分数.
- 该模型有效地提取和识别面部特征,优于以前的技术.
结论:
- 开发的FRAI模型为面部特征提取和识别提供了高效和准确的解决方案.
- 这项技术在医疗保健,犯罪学和其他需要快速可靠的面部识别领域的应用中有很大的潜力.
