Resumen

Con el desarrollo de la sociedad, el aprendizaje profundo se ha utilizado ampliamente en la detección de objetos, el reconocimiento facial, el reconocimiento del habla y otros campos. Entre ellos, la detección de objetos es una dirección popular en la visión por ordenador y el procesamiento de imágenes digitales, y la detección de rostros es un foco de esta dirección caliente. Aunque la tecnología de detección de caras ha pasado por una larga etapa de investigación, todavía se considera uno de los temas más difíciles en la tecnología de detección de características humanas. Además, la propia tecnología de detección de rostros tiene dos caras, la imperceptibilidad y la complejidad del entorno, y otros defectos hacen que la tecnología existente sea incapaz de reconocer con precisión rostros de diferentes proporciones, oscurecidos y con diferentes posturas. Por lo tanto, este trabajo adopta un método avanzado de aprendizaje profundo basado en la visión artificial para detectar rostros humanos automáticamente. Para detectar con precisión una variedad de rostros humanos, se propone un método RCNN rápido multiescala basado en capas superiores e inferiores (UPL-RCNN). La red se compone de componentes de transformación afín espacial y componentes de región de características (ROI). Este método desempeña un papel fundamental en la detección de rostros. En primer lugar, la información multiescalar puede agruparse en la detección, de modo que se puedan tratar áreas pequeñas de la cara. A continuación, el método puede utilizar la inspiración del sistema visual humano para realizar el razonamiento contextual y la transformación espacial, incluyendo el zoom, el corte y la rotación. A través de experimentos comparativos, los resultados del análisis muestran que este método no sólo puede detectar con precisión los rostros humanos, sino que también tiene un mejor rendimiento que la RCNN rápida. En comparación con algunos métodos avanzados, este método tiene las ventajas de una gran precisión, un menor consumo de tiempo y la ausencia de marcas de correlación.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:rostro humano, tecnología de detección de rostros, detección de objetos, métodos, larga etapa de investigación, sistema visual humano, métodos de aprendizaje profundo, tecnología de detección de rasgos, desarrollo de la sociedad
• Keywords:human face, face detection technology, face detection, object detection, methods, long research stage, human visual system, deep learning methods, features detection technology, development of society