Resumen

A través del análisis de la tecnología de extracción de rasgos faciales, este artículo diseña una red neuronal convolucional ligera (LW-CNN). El modelo LW-CNN adopta una estructura de convolución separable, que puede proponer rasgos más precisos con menos parámetros y puede extraer puntos de rasgos 3D de un rostro humano. Con el fin de mejorar la precisión de la extracción de rasgos, se utiliza un método de detección facial basado en la estructura de triángulo invertido para detectar el marco facial de las imágenes en el conjunto de entrenamiento antes de que el modelo extraiga los rasgos. Con el objetivo de abordar el problema de que el algoritmo de extracción de rasgos basado en el criterio de diferencia no puede extraer eficazmente la información discriminativa, se proponen el Criterio de Diferencia de Máxima Dispersión Múltiple Generalizado (GMMSD) y el algoritmo correspondiente de extracción de rasgos. El algoritmo utiliza el criterio de diferencia en lugar del criterio de entropía para

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Tecnología de extracción de rasgos faciales; Red neuronal convolucional ligera; Estructura de convolución separable; Puntos de rasgos en 3D; Método de detección facial; Criterio de Diferencia de Dispersión Máxima Múltiple Generalizado
• Keywords:Facial feature extraction technology; Lightweight convolutional neural network; Separable convolution structure; 3D feature points; Face detection method; Generalized Multiple Maximum Dispersion Difference Criterion