论文部分内容阅读
传统卷积神经网络(CNN)在建模过程中由于数据样本量不足容易出现过拟合现象,且对随机数据泛化能力较差。为此,设计一种结合改进Fisher判别准则与GRV模块的卷积神经网络(FDCNN)。使用CNN学习从输入图像到多维欧式空间的映射关系,采用基于改进Fisher判别准则的损失函数进行网络模型训练并将人脸样本数据投影到低维空间,保证类内离散度尽量小的同时类间离散度尽量大以达到最佳人脸分类效果。引入融合GoogleNet、ResNet和VGGNet网络结构特点的GRV模块,提高CNN网络表达能力并降低网络