• 數據挖掘在企業財務分析中的應用—-以M集團為例

    摘要

    人臉識別逐漸成為現代社會中更快更好的身份鑒別方式,與此同時,隨著計算機視覺技術的發展,各行各業對于人臉識別的要求也越來越高,不僅要求快速便捷,更是在準確率上有了更高要求,傳統的人臉識別由于依賴于特定的人臉特征提取,并受到光照、表情、遮擋物等方面的影響。這些以原有的方式遠遠不能滿足人們的要求,但是隨著深度學習的出現,這一問題得到一種新的解決方式。與傳統相比,深度學習能夠更加準確的確定人臉的本質特征。本文研究了卷積神經網絡在人臉識別的方面的應用,首先介紹了卷積神經網絡的來源、歷史和基本結構等。緊接著分析了卷積神經網絡中具有代表性的LeNet-5網絡的早期應用和實際操作的平臺與框架。然后通過對LeNet-5網路的改進,使之適應能夠有效地提取人臉特征的提取,最后通過實際的測試,得出了改進之后的LeNet-5網絡能夠有效地提取人臉特征,并在人臉測試中達到了不錯的效果。

    關鍵詞卷積神經網絡;人臉識別;深度學習;機器視覺;人臉檢測

    前言

    伴隨著互聯網技術和計算機科學的不斷完善和發展,人們對于個人隱私和信息安全的要求越來越高,這導致原來的各種驗證技術比如說:工作證件、口令密碼、等遠遠不能滿足現代人對安全的更高的要求,這一點在金融刑偵技術領域表現的尤其明顯。

    雖然傳統的身份驗證方式在技術上已經發展的十分成熟,并且可以結合手機等工具進行多重的驗證,但是這些傳統驗證技術歸根到底,還是將人和需要驗證的證件、密碼等分開核查。這就導致了這種驗證方式始終是有缺陷的,如果密碼、證件等丟失、被竊取甚至被偽造,那么傳統的身份驗證方式就徹底失去了它具有的安全性。如果是特殊行業,這種錯誤將帶來巨大的安全隱患。

    與傳統的身份驗證方式相比,生物識別技術擁有眾多優勢,具備快速、便捷、更加安全等特點;是一種被公認的安全高效的身份驗證方式。生物識別技術的運行原理是根據人類所特有的各種生物特點,(比如指紋、面部、姿態、聲音等)通過模式識別等方法進行的以后總身份驗證方式,它充分利用了,人的各種物理特征,把驗證的方式帶向了更高的水平。最新的身份驗證技術還包括指紋識別、語音識別、面部識別、眼膜識別等。是一門交叉性的學科,不僅涉及模式識別、數字圖像處理,而且還包含了心理學和機器學習等多門學科。

    人臉識別是幾種生物身份驗證方式中最為重要的一種,它和其他的幾種身份驗證方式相比具有更高的操作性和更廣泛的應用前景。具有交互性強、難以偽造、方便快捷等優點。人臉識別是一種通過采集人的面部特征信息并利用計算機特定算法來提取面部特征信息來進行身份驗證的一種方式,它通過對人臉特征信息的快速加工、處理、對比等方式,完成身份驗證。需要說明的是,人臉識別是計算機機器視覺研究的一個重要方向,為許多公司企業提供了一種更加先進的一種身份鑒定方式。尤其是近年來,智能手機的不斷發展,這種智能的身份鑒定方式也被應用在了手機上。

    人臉識別技術開始二十世紀五十年代,時至今日,已經有了六十余年的發展歷史,這期間,涌現了很多更加高效的人臉特征信息提取和分析算法,人臉識別的流程就是對符合要求的人臉進行特征分類和面部特征信息的提取。人臉識別技術發展早期,更多的是通過人工來選擇提取臉部特征信息,這樣做不僅效率十分底下,而且也使得識別技術收到人工提取特征是否是關鍵特征的影響。后來,計算機硬件的不斷發展,使得現代計算機擁有更快的運行速度,這也就意味著處理數據(人臉信息)更加快速,傳統的人工提取也被計算機智能算法代替,這些重要的改變極大的促進了人臉識別的發展,給人臉識別推向了發展的新時期。與此同時,越來越多的研究機構開始在這個技術上大量投入人力物力,爭先搶后的去搶占新技術的先鋒。

    外國的高新科技公司對于人臉識別的研究領先國內幾十年之久,比較著名的科研機構既有多倫多大學、麻省理工學院、牛津大學、斯坦福大學等高校,也有google公司、facebook公司等互聯網公司。國外的人臉識別技術的研究,提出了很多有著深刻影響的重要算法,Deepface、Eigen face、FaceNet、幾何特征算法等。其中,哥倫比亞大學的Hinton教授始終在研究人臉識別技術中的神經網絡技術。2000年之后,深度學習的提出和發展,使計算機人臉識別,尤其是支撐它的計算機視覺又重新被重視了起來。

    在中國大陸,由于各種硬件條件的限制,和高薪科技流入的緩慢,造成了我國對人臉識別的研究起步也晚了很久。但是也是有一些值得一提的研究院校和互聯網公司。從北京大學、清華大學、中科院到百度公司、曠視科技等科技公司。都在國內的人臉識別發展和研究上做出了很多貢獻。曠世科技把人臉識別技術推廣到了具體的應用上,它們提出的人臉識別算法在人臉圖像識別率上同期趕超了FaceBook技術公司。百度也利用它們的人臉識別算法開發了人臉識別明星臉的應用。[1]

     一、卷積神經網絡相關理論

      (一)卷積神經網絡的來源

    卷積神經網絡(Convolutional Neural Networks,CNN)是一種具有深度結構的前饋神經網絡(Feedforward Neural Networks)[2],這種網絡包含了卷積計算。因為卷積神經網絡可以執行平移不變分類,因此被稱為“平移不變的神經網絡”,它在深度學習(deep learning)領域尤其重要,是深度學習的代表性算法之一。

    在二十世紀八九十年代,卷積神經網絡開始流行,其中,最早出現在大眾面前的是LeNet-5,其次就是世間安延遲網絡。二十一世紀之后,在深度學習理論的提出和不斷發展之下,卷積神經網絡也隨之得到了快速發展,這使得卷積神經網絡有了更多的用武之地。

      (二)卷積神經網絡的歷史

    1979年和1980年,日本的一名學者福島邦彥提出了一種名為neocognition的模型。這是卷積神經網絡的起步。當時,福島仿造生物視覺皮層設計了以這個模型命名的神經網絡。

    這種神經網絡,隱含層由S層(Simple-layer)和C層(Complex-layer)交替構成。[3]它的S層單元在感受野內對圖像特征進行深度提取,C層單元接收和響應不同感受野返回相同的特征。

    Neocognition的兩個層次的組合能夠更好的進行特征提取并篩選出有用信息,在卷積神經網絡中,部分實現了的卷積層(convolution layer)和池化層(pooling layer)的功能,這是一個偉大的進步。因此稱neocognition是一個具有深度結構的神經網絡,也被看作是最早提出的深度學習算法之一。

    到了1987年,Alexander Waibel帶頭提出了一種名為時間延遲網絡(Time Delay Neural Network,TDNN)的卷積神經網絡。并且是第一個卷積網絡,因為它實現了移位不變性。它通過將權重分享與反向傳播訓練相結合來實現。因此,雖然也像新自然體中那樣使用金字塔結構,但它執行了權重的全局優化,而不是局部優化。TDNN是卷積網絡,沿時間維度共享權重。它們允許語音信號按時間不變地處理。這啟發了CNN圖像處理中的平移不變性。神經元輸出的平鋪可以涵蓋定時階段。TDNN現在在遠距離語音識別中實現了最佳性能。

    1988年,Wei Zhang提出了第一個二維卷積神經網絡:平移不變人工神經網絡(SIANN),用于醫學圖像的檢測。獨立于Zhang(1988),Yann LeCun在1989年也構建了卷積神經網絡用于圖像分類,這是LeNet的原始版本。[4]LeNet是由兩個卷積層,兩個全連通層混合而成的,共80000個訓練指數,同比高于TDNN和SIANN。LeCun(1989)采用隨機梯度下降(random Radient Descent,SGD)進行隨機初始化,在隨后的深度學習研究中得到了廣泛應用。此外,LeCun(1989)在討論其網絡結構時,首先使用了術語“卷積”,因此得名“卷積神經網絡”。

    1989年,LeCun的工作在貝爾實驗室被完成代碼開發并應用在Ncrd的支票讀取系統。這一時期,一方面受到數值計算能力的限制,另一方面學習樣本的不足,都導致各類卷積神經網絡在圖像處理方面的研究出現停滯狀態,始終沒有被廣泛應用。

    到了1988年,在LenNet的基礎上,Yann LeCun及其合作者在手寫數字識別問題上取得了重大進展,他們合作構建了令人稱贊的卷積神經網絡LeNet-5。這種神經網絡,仿照了LeNet-5的學習方式,并在本來存在的研究成果基礎之上構建了池化層對輸入特征的過濾和篩選。交替出現的卷積層和池化層被認為有效的提取了圖像的各種特征,尤其是平移不變的特性。LeNet-5的成功,給卷積神經網絡帶來了更多的熱度。到了2003年微軟公司利用卷積神經網絡研發了光學字符讀取系統,不僅如此,在人像識別和姿態識別方面也隨著卷積神經網絡的發展不斷出現新的方法。

    近些年,深度學習更加完善,卷積神經網絡高速發展,逐層學習和參數微調技術的出現,衍生出了更多的優秀的學習方法和優化方式。

     (三)卷積神經網絡的基本結構

    卷積神經網絡(Convolutional Neural Network,CNN)是最近幾年發展起來并受到高度重視的一種前饋神經網絡。[5]備受研究人員的關注和重視。其中CNN主要由輸入層、卷積層、池化層、全連接層和輸出層組成[6],如圖1.1所示。

    2b22cdb558eaff2a23d7dd040bff5614

     1.卷積層

    我們作為自然界中高等生物,視覺系統也比較發達。研究和利用人類的視覺系統也是一種重要的學習方式。在我們的視覺系統中,視覺皮層收到的局部信息刺激被敏感的神經元接受。研究人員通過把這一發現進行改進,并應用在神經網絡中,造成局部對局部的特殊方式。也就是說,局部信息只需要被單個神經元感知到即可,然后通過依次連接所有的局部感知信息,就可以得到,逐漸還原出圖像的本來面貌。因此,可以說卷積層是神經網絡中不可小看的一層,這種局部連接和全連接如圖2(a)與(b)所示。

    圖2局部連接(a)與全連接(b)示意圖

    f2b76bb1bfa62bdba3ca0d2feb81b496  權值共享是卷積神經網絡的靈魂所在,是不可忽略的一個因素,它可以使神經網絡可以以可見的形式大幅度減少參數個數。(a)圖中,不同的卷積核(濾波器)用不同的色彩來表示,初步設置圖像,當處于1000 x 1000分辨率下時候,暗含神經元個數設定為1M,通過修改為全連接,則隱藏層的指數個數變為1024,如果采用權值共享的方式,設卷積核大小為10 X 10,那么隱藏層參數量僅僅為100M。如果想讓參數快速減少,并且減少級別可見,最好使用權值共享。

    通過對卷積神經網絡的分析,我們發現如果對卷積層中的卷積核經過與所輸入的圖像完成卷積運算之后,在加上偏置,再將所得的結果錄入激活函數即可得到對輸入圖像特征的映射,這種關系就是特征圖。如果對多個的卷積核生成的特征圖進行合并操作將會組成特征圖組,特征圖組顯示了輸入圖像的多重特征。卷積層的主要操作涉及到的參數有圖像的個數、卷積核體積、卷積核的運算步長和添0操作。如圖3所示是一個2×2的卷積核在一個3×3的圖像上完成1個步長的卷積操作。

    圖3卷積運算示意圖

    78a7acfb64b259680921dbf203aab847  在卷積運算之后,需要加上一個偏置項b,一并作為非線性激活函數的輸入,神經元輸出的計算公式如下:[7]

    (1)

    32b27b1dd5e80f35b33a1f92d518eec2

    2.池化層

    池化層(Pooling Layer)常常被叫做地下采樣層。[8]池化層在研究中有兩種常用的方式:

    一種是最大池化層,一種是平均池化層。它在數據壓縮方面有很強的效果??梢赃@樣描述,經過池化層之后,輸出的特征圖數量不會改變,但是,特征圖的大小卻會變小,這將會明顯的降低計算復雜度,同時,將保持網絡模型的平移、縮放不變性。

     2.1最大池化

    如圖4所示,一個面積為2的池化窗,當它分辨率處于4×4之下,并進行以兩個步長的最大池化運算。處理首次,池化窗中有數值3,2,5,2,通過查找得到最大值是5。隨后,往右移動兩個長度,繼續計算。持續到池化窗與右邊邊框相連,采取將窗口移動到最左邊并向下移動2步,繼續相同操作,這種形式的操作持續到全圖中。

    圖4最大池化

    0443e75fd9ca7dabf8e7f3d7b63e98de  2.2平均池化

    如圖5所示,改變操作,建立2×2大小的池化窗,進行分辨率為4×4兩個步長的平均池化運算,3,2,5,2是池化窗中首次需要處理的數據,通過簡單運算得到4個數的平均值。再次進行移動的平均池化運算,等到池化窗接觸到右下角的邊框為止。

    圖5平均池化

    d37fdb3fe1d28ab3665284fbb615ae18  3.全連接層

    研究卷積神經網絡的內部結構,可以看到數個全連接層,這些連接層位于卷積層、池化層之后,輸出層之前。這個全連接層中,每一個神經元都會與上一個全連接層的所有神經元連接起來,但是同一個層次中的神經元不會連接。通過這種方式,大幅度限制了網絡規模,并起到了分類器的作用,同時也提高了神經網絡的非線性映射能力

     (四)卷積神經網絡的優化方法

      1.梯度下降法

    將所有的訓練樣本進行訓練,擁有獲得全局最優解的訓練結果,但是會有訓練進度緩慢的缺點,這種被稱為梯度下降法。

    選取隨機的一個樣本進行訓練,會改善緩慢的訓練速度,更快的得到結果,但是如果樣本數據基數過于大(例如說幾百萬)就會造成參數不能達到最優解的現象,同時計算也變得緩慢艱難。這種被稱為隨機梯度下降法。

     2.Dropout

    通過在訓練中隨機的失活神經元,達到正則優化的效果,這種被稱為Dropout。它可以有效地降低擬合的發生。如圖6所示,(a)圖是標準情況下神經網絡,(b)是使用Dropout之后的神經網絡結構。

    圖6 Dropout結構圖

    cce8a3e2eb40107a1aa467a7ba0eaba8  3.ReLU函數

    圖7 ReLU函數

    5dab2114ca2a7bb30a230324fef2af91  通過設置激活函數ReLU,可以使神經網絡各個參數之間的相關程度降低,達到使網絡有更高的稀疏性的效果,同時減少擬合幾率。[9]同時,RelU函數訓練神經網絡收斂更快。如圖7所示,輸入0時候,函數值恒為零。

     二、基于卷積神經網絡的中LeNet-5網絡的人臉識別的應用

      (一)傳統LeNet-5網絡的結構

    LeNet-5網絡在1998年的一篇名為《Gradient-Based Learning Applied to Document Recognition》的研究中被第一次提出,最早并不是應用在人臉識別,而是手寫字體的簡單識別,被視作早起卷積神經網絡的代表性網絡。

    圖8 LeNet-5網絡示意圖

    3e82e5b8824d1233b01126cb7cbf5d79  如圖8所示LeNet-5網絡中,卷積層首先被劃分為三個層次,C1、C3、C5;另有池化層S2、S4兩層,F6層的含義是全連接,使用徑向基函數代表輸出層[10],它的詳細參數配置如表1所示。

    59c3801432fd341627bcc0c71fd1b4f2

     (二)LeNet-5人臉識別的準備工作

      1.計算機硬件的介紹

    如果只有有限的電腦資源,海量的數據面對有限的計算能力,幾乎達不到任何效果。本章研究采用GPU利用CUDA運算平臺,同時處理海量的數據。操作系統采用Ubuntu16.04,并使用c++和Python編程語言編寫程序。

    2.Caffe框架介紹

    美國加利福尼亞大學視覺和學習中心,開發了一種Caffe的框架,這個框架基于CUDA/Python/C++并完成了一個清晰而高效的卷積神經網絡。[11]可以說,Caffe是一個應用廣泛的深度學習系統,系統內置了Matlab、C++等編程語言的綁定接口,從而達到了在GPU和CPU之間高效的切換。同時,還具有一下特點:

    (1)由于框架采用了靠近底層的編程語言C++實現,所以具有了更好的移植特點。

    (2)框架支持GPU加速,并可以利用MKL等計算庫。所以擁有很高的執行速度。

    (3)與其他框架相比較,Caffe框架提供了完整的工具集合。用于模型訓練等,可以快速實現研究者的自己的想法,并且大部分不用重寫代碼。

    (4)開源原因。

     3.Caffe框架的核心介紹

    Blob。Blob在內存中的表示方式是一個數組,維度是4維,分別有Number、Height、Width、Channel幾種形式。在Caffe中扮演了基本數據存儲單元的角色,在數據交換、數據存儲方面有重要作用。通過提供統一的存儲器入口,完成在CPU和GPU之間的數據同步工作。數據存儲的實現方式:利用Channel表示處理圖片的通道個數,通道越高圖像更加飽滿,比如說RGB圖像通道為3,灰度圖像通道為1。Weight和Height依次代表了圖片的寬度和長度,這三維也被稱為圖片的數據格式信息。Number代表了Batch,受到計算機內存的限制,我們在訓練模型的時候采用分批操作的形式。

    Layer。Layer包括三個操作:setup、forward和Backwork。圖像在這個層次要完成非常多的數據處理。其中有讀取數據、有inner product計算、有歸一化等。因此我們可以這樣說,它是神經網絡中非常重要的一個環節,也是進行計算的基本單元。

    SetUp:完成對網絡的連接初始化,并完成對神經網絡的初始化。

    Forward:從下到上的發送計算結果給頂層。

    BackWard:獲取之前的運算成果。并處理,通過梯度運算,在本層傳輸到下一層。我們可以通過兩種方式實現,Forward和Backward。首先是速度更快的GPU計算。其次就是常用CPU運算。在不采用第一種方式的時候默認實現CPU。我們討論過,Caffe框架有在這兩種運算中快速切換的特點,因此計算十分方便快捷。

    Net??醋鲆粋€有向無環圖處理。

    Caffe模型有他自己的定義文件,文件名字是prototxt,這個文件功能強大,它與網絡模型參數、深度成正比,參數越多、深度越復雜,文件就越復雜。網絡中也有訓練好的模型,這些模型被安全帶保存在Caffemodel文件。

     (三)LeNet-5網絡針對人臉識別的改進

    LeNet-5網絡剛剛出現的時候,是針對手寫字體的識別的[12],所以針對人臉這種更加復雜的圖像來說需要更多的改進措施。接下來介紹改進之后的神經網絡結構。

    由兩個獨立的子卷積網絡合并成為改進的網絡,以40×32的分辨率得到人臉圖像。經過重新設計。這次神經網絡分為5個卷積層從C1到C5,4個池化層同樣連續的從S1到S4,全連接依靠C3,S4與FC三個來實現,FC代表了全連接層,Softmax回歸層用于處理分類操作,它接在FC層的后面。[13]如圖9所示。

    將C1層卷積核設置為16個,卷積核大小設置為5×5,步長修改為1;C2層是一個32個大小的4×4卷積核,它的步長是2;C3層最多,擁有62個,卷積核大小為3×3步長為1;C4層卷積核和C1一樣為16個,大小6×6,步長2;C5大小5×5,有32個。針對人臉識別的重新設計,網絡中的所有池化層采取了面積為4,邊長為2的窗口,完成最大化的處理操作。FC層包含了192個神經元結構,Softmax回歸層神經元個數與類別個數是一致的[14],詳細數據見(表2)。

    經過改進處理操作,網絡更加智能化,可以利用大小不一的卷積核獲取到粒度不同的抽象特征,這樣可以得到更加清晰和全面的圖像。

    圖9經過更新后的網絡結構

    67a8e0decfd89d0d6a6d72880ece18c4  表2經過更新后的網絡具體參數

    d4e9071b342e8c97e9849a271ce1afab

     三、基于改進的LeNet-5神經網絡的人臉識別的效果

      (一)AR人臉庫

    AR人臉庫包含上百個人,總計圖片有上千余張,為了加快運算速度,采用人臉庫的一小部分運算,這小部分男女各50張,2600張圖片,每個人有26張與眾不同的圖像,包含了各種表情和光照變化的種種因素,如圖10所示,具體的數據見(表3)。每個人會被動態的打亂并抽取20張作為訓練圖片,沒有被選中的圖片的作為測試使用。

    7ad9808952ad31ff9ab14087fbeca9c6

      (二)實驗結果的分析

    實驗會通過降低分辨率來對圖形預處理操作。分辨率更改為40×32。利用按照公式(1.2)完成圖像灰度值規范化[15],也就是說,對圖像中像素點的灰度值歸一化為[0,1]。

    ffd9540c76041e93372fa5907a66ff72

    0b5fbe6f93b9b443b7be5b52f8139294  表2列出了改進后各層具體參數。訓練改進之后的神經網絡,利用加動量的批量梯度下降法代替權值更新方式,對128個數據,進行批量處理。動量設置為0.9,并初始學習率為0.05,500次之后,學習率更改為0.01,在Softmax的損失函數監督下進行訓練。并把Softmax層神經元個數設置為100,選取ReLu函數作為激活函數。

    我們采用常用的判斷指標來衡量結果,首先是loss值,它可以判斷網絡是否收斂,如果網絡收斂,隨著迭代次數的增加會導致loss的值越來越小最終回歸穩定狀態。其次就是測試準確率。準確率會得到網絡的分類效果,它也是隨著迭代次數的增加穩定下來,不過會先提高在穩定。Loss變化曲線如圖11所示,測試準確率的變化曲線如圖12所示。

    分析結果看出,迭代次數增加網絡收斂越來越快速,穩定狀態出現在迭代300次,2000次之后,loss穩定在0.187。對于測試準確率,最終穩定結果為97.23%。這些數據說明改進之后的卷積神經網絡,已經能夠充分提取人的臉部特征,并且性能優異。

     四、總結與展望

    現代化社會的高速發展,帶來了很多便利,同時也帶來了很多更高的要求,傳統的身份驗證慢慢不再適應這個高速發展的社會。這時候,人臉識別就變得尤其重要,想象一下,在火車站面對上萬的客流,通過身份證與票據的驗證,將會導致吞吐量的飽和,但是成熟的人臉識別給這些問題帶來了新的解決方案。

    當前,計算機視覺的發展帶動了它包含的各個領域的發展,人臉識別作為一個熱門研究,也同時得到了更多的理論。近些年,基于深度學習的人臉識別以高超的識別率將傳統方法遠遠甩開。而卷積神經網絡則是深度學習中重要的一個方向。

    LeNet-5網絡經過卷積核大小,步長調整、分辨率提高、同時使用兩個子卷積網絡等多種方式的改進,使它應用在人臉識別上能夠更加全面的提取人臉抽象特征,經過AR人臉庫的分析,識別率達到了97.23%的高度,這都顯示了改進之后的LeNet-5網絡在人臉識別方面的強大性能。

    如今,iphone等智能手機都加載了人臉識別的應用[16],酒店入住的前臺,在忘記攜帶身份證,也能用過人臉識別驗證暫時入住,支付寶支付也可以通過人臉驗證實現。這些都是人臉識別的完美應用。同時,我們也應該注意到,人臉識別也面臨更多方面的挑戰,現實生活的遮擋物、妝容等因素。會大幅度降低識別效果。如何克服仍然有改進的空間。

     參考文獻

    [1]安豐波.基于深度卷積神經網絡的人臉識別技術綜述[J].中國新通信,2019,21(05):61.

    [2]薛艷杰,鄧燕妮.基于改進卷積神經網絡的人臉識別研究[J].科技風,2019(11):106+131.

    [3]汪貴平,盛廣峰,黃鶴,王會峰,王萍.基于改進LeNet-5網絡的交通標志識別方法[J].科學技術與工程,2018,18(34):78-84.

    [4]湯雙霞.基于大數據的卷積神經網絡技術在課堂人臉識別應用[J].智能計算機與應用,2019,9(02):255-256+259.

    [5]范安宇,包乾輝,鄭一超,楊毅剛,余亦鍇.基于卷積神經網絡的人臉識別系統[J].電腦編程技巧與維護,2019(01):110-112.

    [6]白創,段楊楊,王坤,鄭立陽,彭港,張雪冰.基于卷積神經網絡的人臉識別系統[J].電子世界,2018(12):31-32.

    [7]丁冠祺,劉宇涵,楊皓博.基于卷積神經網絡的人臉識別[J].信息記錄材料,2018,19(09):48-49.

    [8]董洛丞,陳張平.基于改進的卷積神經網絡的人臉識別算法[J].杭州電子科技大學學報(自然科學版),2018,38(05):55-59+97.

    [9]韓東,王學軍.基于改進的卷積神經網絡多姿態人臉識別研究[J].吉林大學學報(信息科學版),2018,36(05):376-381.

    [10]陸紅.基于卷積神經網絡人臉識別方法研究[J].現代信息科技,2018,2(10):102-103+106.

    [11]嚴培宏,李雷.基于RPCA和卷積神經網絡的光照人臉識別[J].電視技術,2018,42(08):1-4+14.

    [12]張力超,馬蓉,張垚鑫.改進的LeNet-5模型在蘋果圖像識別中的應用[J].計算機工程與設計,2018,39(11):3570-3575.

    [13]劉金利,張培玲.改進LeNet-5網絡在圖像分類中的應用[J/OL].計算機工程與應用:1-9[2019-04-27].http://kns.cnki.net/kcms/detail/11.2127.tp.20190326.1831.021.html.

    [14]Jesus Olivares-Mercado,Karina Toscano-Medina,Gabriel Sanchez-Perez,Mariko Nakano Miyatake,Hector Perez-Meana and Luis Carlos Castro-Madrid.Face Recognition Based on Texture Descriptors[M].IntechOpen:2018-12-12.

    [15]Ricardo Ribeiro,Daniel Lopes and António Neves.Access Control in the Wild Using Face Verification[M].IntechOpen:2019-03-13.

    [16]劉迷.基于人臉識別的礦井人員管理技術研究[D].西安科技大學,2017.

      致謝

    截止今日,即將結束自己的大學生涯,在過去的幾個月,從沒有任何頭緒到慢慢開始創作,非常感謝老師的支持與幫助。記得最初的選題非常不合適,并且自己無法完成論文中的很多問題研究,因此停滯了很久,老師主動找到我,并提供了新的思路,讓我對選題有了新的認識。確定選題之后,每周固定的與老師溝通,發現新的問題并解決,逐漸的將這個論文完善下來。最終有了這個版本。

    同時,我也要感謝論文中引用的學者的著作,是他們的研究成果,給了我啟發和支持,否則我不可能完成論文的寫作。金無足赤、人無完人。由于學術能力有限,論文難免有不足之處,懇請各位老師和同學批評指正!

    數據挖掘在企業財務分析中的應用----以M集團為例

    數據挖掘在企業財務分析中的應用----以M集團為例

    VIP月卡免費
    VIP年會員免費
    價格 ¥9.90 發布時間 2023年10月13日
    已付費?登錄刷新
    下載提示:

    1、如文檔侵犯商業秘密、侵犯著作權、侵犯人身權等,請點擊“文章版權申述”(推薦),也可以打舉報電話:18735597641(電話支持時間:9:00-18:30)。

    2、網站文檔一經付費(服務費),不意味著購買了該文檔的版權,僅供個人/單位學習、研究之用,不得用于商業用途,未經授權,嚴禁復制、發行、匯編、翻譯或者網絡傳播等,侵權必究。

    3、本站所有內容均由合作方或網友投稿,本站不對文檔的完整性、權威性及其觀點立場正確性做任何保證或承諾!文檔內容僅供研究參考,付費前請自行鑒別。如您付費,意味著您自己接受本站規則且自行承擔風險,本站不退款、不進行額外附加服務。

    原創文章,作者:1158,如若轉載,請注明出處:http://www.metaversejuly.com/chachong/171346.html,

    (0)
    上一篇 2023年10月12日
    下一篇 2023年10月14日

    相關推薦

    My title page contents 黄色在线观看网站在线观看网站在线观看 亚洲天堂二区高清视频诱惑福利 H漫无码动漫AV在线播放无码 chinese国产hdsex18一
  • ? ? ?