LBF算法得到JDA算法的训练数据(杂谈)

1：搭建好人脸对齐的LBF算法的环境，采用数据集训练68个特征点的数据集：

2：用训练好的模型生成人脸框和5个点的文件，得到JDA的训练数据；

3：采用JDA算法进行训练：

4：JDA算法的核心思想就是采用了回归的策略，让人脸检测框定位更加的准确；

5：LBF算法主要就是人脸关键点的定位，关键点附近的提取特征，之后进行判断是否是人脸，这样更加的准确；

6：之前理解pico的人脸检测算法采用的整个人脸的特征进行分类，这样人脸的特征和背景的区分度不算太大！

7：LBP，harr，pico等等都没有对人脸的关键部位进行分类，故分类的精度不高，和JDA相比效果差一点！

8：BP神经网络的一些理解：

BP的思想就是：利用输出后的误差来估计输出层前一层的误差，再用这层误差来估计更前一层误差，如此获取所有各层误差估计。这里的误差估计可以理解为某种偏导数，我们就是根据这种偏导数来调整各层的连接权值，再用调整后的连接权值重新计算输出误差。直到输出的误差达到符合的要求或者迭代次数溢出设定值。BP的反向传播对象就是“误差”，传播目的就是得到所有层的估计误差。

它的学习规则是：使用最速下降法，通过反向传播（就是一层一层往前传）不断调整网络的权值和阈值，最后使全局误差系数最小。

训练的目的，就是送入数据，得到分类的预测标签，然后计算误差，之后开始反向的传播，根据误差，计算上一层的偏倒数，根据误差，更新权重，然后预估这一层的误差，然后继续方向，更新一遍网络，一个训练样本就结束了；然后下一个训练样本，不断的更新权重，直到满足结束的条件：

LBF算法得到JDA算法的训练数据(杂谈)相关推荐

深度学习最常用的算法:Adam优化算法
深度学习常常需要大量的时间和机算资源进行训练,这也是困扰深度学习算法开发的重大原因.虽然我们可以采用分布式并行训练加速模型的学习,但所需的计算资源并没有丝毫减少.而唯有需要资源更少.令模型收敛更快的最 ...
判别两棵树是否相等设计算法_机器学习算法-朴素贝叶斯
一.概述概率分类器在许多分类算法应用中,特征和标签之间的关系并非是决定性的.比如说,我们想预测一个人究竟是否会在泰坦尼克号海难中生存下来,那我们可以建一棵决策树来学习我们的训练集.在训练中,其中一 ...
迁移学习算法之TrAdaBoost ——本质上是在用不同分布的训练数据，训练出一个分类器...
迁移学习算法之TrAdaBoost from: https://blog.csdn.net/Augster/article/details/53039489 TradaBoost算法由来已久,具体算法 ...
手把手教你用YOLOv5算法训练数据和检测目标（不会你捶我）
前言本人从一个小白,一路走来,已能够熟练使用YOLOv5算法来帮助自己解决一些问题,早就想分析一下自己的学习心得,一直没有时间,最近工作暂时告一段落,今天抽空写点东西,一是为自己积累一些学习笔记,二 ...
人脸检测（十一）--JDA算法
人脸校准(alignment)是给你一张脸,你给我找出我需要的特征点的位置,比如鼻子左侧,鼻孔下侧,瞳孔位置,上嘴唇下侧等等点的位置.如果觉得还是不明白,看下图: 图中红色框框就是在做detec ...
人脸识别之人脸检测（十一）--JDA算法
人脸校准(alignment)是给你一张脸,你给我找出我需要的特征点的位置,比如鼻子左侧,鼻孔下侧,瞳孔位置,上嘴唇下侧等等点的位置.如果觉得还是不明白,看下图: 图中红色框框就是在做detectio ...
DL之NN：NN算法(本地数据集50000张训练集图片)进阶优化之三种参数改进，进一步提高手写数字图片识别的准确率
DL之NN:NN算法(本地数据集50000张训练集图片)进阶优化之三种参数改进,进一步提高手写数字图片识别的准确率导读上一篇文章,比较了三种算法实现对手写数字识别,其中,SVM和神经网络算法表现非 ...
基于第二届易观算法大赛——性别年龄预测中数据的分析（娱乐向）
最近参见了第二届易观算法大赛--性别年龄预测比赛,基于不懈的努力还是名落孙山,成绩虽然算不得满意,不过比赛过程中收获还是挺多的.目前比赛还没结束,有兴趣的可以参加一下. 本次主要是对比赛中的训练数据进 ...
利用gpu加速神经网络算法,为什么用gpu 模型训练
为什么tensorflow训练用GPU比CPU更慢了谷歌人工智能写作项目:神经网络伪原创深度学习用cpu训练和用gpu训练有什么区别 1.深度学习用cpu训练和用gpu训练的区别(1)CPU主要用 ...

LBF算法得到JDA算法的训练数据(杂谈)

LBF算法得到JDA算法的训练数据(杂谈)相关推荐

最新文章

热门文章