加权特征融合的密集连接网络人脸识别算法

在非约束条件下人脸识别常受到表情变化、视角偏差、不同程度的遮挡和曝光等各种综合因素的影响;并且深度卷积神经网络几乎都存在参数过多,训练时梯度扩散或消失等问题。针对上述问题,提出了FuseNet网络模型。该模型有效地利用了人的眼睛、鼻子、嘴巴等局部特征信息,同时又包含面部轮廓等全局特征信息,并提出了多损失函数进一步缩小类内特征差距和扩大类间特征距离,有效地增强了非约束条件下人脸识别的鲁棒性。通过使用加权密集连接卷积神经网络来提取人脸的全局特征,密集连接模块可有效地解决深层网络所引起的参数冗余以及梯度扩散等问题。不同的连接权值使得网络能够充分地利用各部分特征。实验结果表明,无论是在闭集的CASIA-WebFace数据集上,还是开集的FLW数据集、MegaFace数据集上,提出的FuseNet网络都具有较好的识别率和泛化能力。     

基于生成对抗网络的人脸铅笔画算法

传统的铅笔画绘制技术主要是基于对笔画方向、粗细、长短和纹理的模拟,生成结果生硬单一,并且缺少艺术感.为了使铅笔画生成结果更加具有艺术感,同时能够保留原始人脸图像的结构,提出了一种利用生成对抗网络将真实人脸图像转换成具有铅笔画风格图像的方法c生成网络利用卷积生成具有铅笔画效果的人脸图像,对抗网络用于学习艺术家真实手绘的人脸铅笔画分布,并且优化了距离偏差,加入了细节控制损失.实验结果表明,该方法生成的人脸铅笔画图像风格更加灵活,更加具有艺术感.     

基于卷积神经网络的彩色铅笔画算法

为了解决传统彩色铅笔画算法生成结果单一的问题,提出了一种基于卷积神经网络（CNN）生成彩色铅笔画的算法.采用分数阶微分获取原始图像轮廓信息,用卷积神经网络获取艺术家手绘铅笔画风格,利用直方图匹配获取与手绘铅笔画相似的色调,并使用L-BFGS优化算法来合成具有铅笔画效果的图像.该算法能够生成具有不同风格的彩色铅笔画图像.实验结果表明,该算法生成的图像保留了更多原始图像的细节信息,风格更加灵活多样.