Resumen

Este artículo propone un método que utiliza la fusión de características para representar mejor las imágenes para la detección de rostros tras la extracción de características mediante una red neuronal convolucional profunda (DCNN). En primer lugar, con Clarifai net y VGG Net-D (16 capas), aprendemos las características de los datos, respectivamente; a continuación, fusionamos las características extraídas de las dos redes. Para obtener una representación más compacta de las características y mitigar la complejidad computacional, reducimos la dimensión de las características fusionadas mediante PCA. Por último, realizamos la clasificación de rostros mediante el clasificador SVM para la clasificación binaria. En particular, aprovechamos el offset max-pooling para extraer características con ventana deslizante densamente, lo que conduce a mejores coincidencias de caras y ventanas de detección; por lo tanto, el resultado de la detección es más preciso. Los resultados experimentales muestran que nuestro método puede detectar rostros con oclusión grave y grandes variaciones de pose y escala. En concreto, nuestro método alcanza una tasa de recuperación del 89,24% en FDDB y una precisión media del 97,19% en AFW.

• Materias:Álgebra Análisis Matemático Ingeniería Matemática aplicada Lógica matemática
• Subjects:Algebra Mathematical Analysis Engineering Applied Mathematics Mathematical logic
• Palabras claves:Método; fusión de características; detección de rostros; red neuronal convolucional profunda; DCNN; extracción de características
• Keywords:Method; feature fusion; face detection; deep convolutional neural network; DCNN; feature extraction