Resumen

Con el objetivo de abordar el problema de un gran número de parámetros y alta complejidad temporal causada por los actuales modelos de redes neuronales convolucionales profundas, se propone un algoritmo mejorado de alineación facial de una red neuronal convolucional en cascada (CCNN) desde la estructura de la red, el factor de perturbación aleatoria (shake) y la escala de datos. Los pasos del algoritmo son los siguientes: se diseñan 3 grupos de CNNs livianas; el primer grupo toma imágenes faciales con el marco facial como entrada, entrena 3 CNNs en paralelo y pondera las salidas de las imágenes faciales con 5 puntos clave faciales (puntos de anclaje). Luego, los puntos de anclaje y 2 ventanas diferentes con un mecanismo de shake se utilizan para recortar 10 imágenes parciales de rostros humanos. Las redes en el segundo grupo entrenan 10 CNNs en paralelo y cada 2 redes promedian ponderadamente y colocan en el mismo lugar un punto clave. Basándose en el segundo grupo

• Materias:Método de monitoreo Acoplamientos multimodales Ecuaciones simultáneas Anomalías de datos Procesamiento de robots
• Subjects:Monitoring method Multimodal couplings Simultaneous equations Data anomalies Robot processing
• Palabras claves:Gran cantidad de parámetros; Alta complejidad temporal; Modelos de redes neuronales convolucionales profundas; Algoritmo de alineación facial; Red neuronal convolucional en cascada; CNNs livianas
• Keywords:Large number of parameters; High time complexity; Deep convolutional neural network models; Face alignment algorithm; Cascaded convolutional neural network; Lightweight CNNs