基于GPU的大規(guī)模人臉識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).pdf

1、近年來(lái)，隨著基于深度學(xué)習(xí)的人臉識(shí)別技術(shù)的發(fā)展，成為了計(jì)算機(jī)視覺研究最熱門的領(lǐng)域之一，被廣泛的應(yīng)用于公共安全、安防、金融等領(lǐng)域。但在實(shí)際應(yīng)用場(chǎng)景中，人臉識(shí)別的準(zhǔn)確率往往容易受到光線、遮擋、姿態(tài)等因素的干擾，在海量人臉?biāo)阉鲉栴}中，隨著人臉規(guī)模的不斷擴(kuò)大，人臉識(shí)別的準(zhǔn)確率逐漸降低，人臉識(shí)別的響應(yīng)延時(shí)也在增大。針對(duì)實(shí)際應(yīng)用場(chǎng)景中人臉識(shí)別準(zhǔn)確率易受光照、遮擋、姿態(tài)等影響和海量人臉?biāo)阉餮舆t高的問題，對(duì)人臉識(shí)別算法的基礎(chǔ)理論和關(guān)鍵技術(shù)進(jìn)行深入研究，重

2、點(diǎn)對(duì)復(fù)雜背景下的人臉識(shí)別、人臉?biāo)阉鲉栴}進(jìn)行了分析，并提出新的人臉識(shí)別算法和人臉?biāo)阉鞣椒?，為人臉識(shí)別系統(tǒng)應(yīng)用于實(shí)際場(chǎng)景提供一定的理論依據(jù)和技術(shù)支撐。本文的主要貢獻(xiàn)如下：
　　（1）提出基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法，在現(xiàn)有卷積網(wǎng)絡(luò)的結(jié)構(gòu)的基礎(chǔ)上，減少了卷積核的個(gè)數(shù)，在卷積層之間加入了殘差網(wǎng)絡(luò)，使用Softmax損失函數(shù)和中心損失函數(shù)組合的方式替換通用的單個(gè) Softmax損失函數(shù)的方案用于網(wǎng)絡(luò)訓(xùn)練，該算法模型在MsCeleb-1M數(shù)

3、據(jù)集上進(jìn)行訓(xùn)練，在LFW和YTF上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明該算法在LFW上達(dá)到了99.65％的準(zhǔn)確率，在YTF上達(dá)到了96.5%的準(zhǔn)確率，在GPU（NVIDIA TITAN X）上單張人臉特征提取延時(shí)為6ms。
　?。?）基于提出的人臉識(shí)別算法，采用基于 batch的人臉特征提取方案，在大小為32的batch下單張人臉特征提取延時(shí)為1.4ms。
　?。?）提出基于二級(jí)索引的快速人臉?biāo)阉魉惴?，將人臉?biāo)阉鬟^程分為基于二進(jìn)制串的多倒