小风的城
我心自有明月在，不堕地狱不跪佛
目 录CONTENT
计算机视觉-小风的城
以下是
计算机视觉
相关的文章
-
人脸识别视频认证 本项目基于人脸识别和OCR技术，实现了新用户开户入网时自动进行人证核验，有效提升了营业厅的实名制管理效率，并打击了电信诈骗等非法行为。项目通过构建证件解析模块和人证核验模块，采用ResNet101、ResNeXt50、MTCNN、MiniFASNet等多种深度学习网络，结合PaddleOCR模型，实现了高精度的智能识别系统。业务流程包括采集证件信息、真实人脸图片并进行人证相似度比对。系统采用MySQL + Flask + Gunicorn + Supervisor + Nginx架构部署，确保高可用性和易维护性。通过数据增强、模型融合等方法优化模型精度，单次人证核验时间控制在5秒以内。未来改进方向包括引入更先进的人脸识别算法、增加多模态生物特征识别及优化边缘计算部署。 -
-
稀疏自编码深度学习（优秀毕业论文） 本项目研究了稀疏自编码深度学习在图像处理中的应用，针对大数据时代高维数据的“维数灾难”和神经网络“过拟合”问题，构建了基于稀疏响应算法优化的自编码器模型。通过引入KL散度惩罚、L1范数惩罚和Dropout三种机制，实现了图像分类、重构和去噪等多项任务。实验使用Keras框架和MNIST数据集，对比了BP网络、LeNet-5 CNN及传统自编码器的性能。结果表明，稀疏响应算法有效防止了过拟合并提升了泛化能力，尤其在图像去噪任务中表现突出。项目最终荣获优秀毕业论文。未来改进方向包括引入更先进的稀疏化技术、在更大规模数据集上验证算法有效性以及探索与其他正则化技术的结合应用。
-
多角度人脸识别（国家级大创项目） 该项目是一个国家级研究项目，旨在解决传统人脸识别技术在多角度场景下识别率低的问题。通过构建基于深度残差网络（ResNet）和多网络决策融合的系统，实现了对不同入镜角度人脸的高精度识别。项目将侧脸识别率从30%提升至86%，为监控等实际应用场景提供了有效的技术解决方案。 问题分析表明，传统人脸识别技术主要针对正脸设计，在多角度场景中表现不佳。初步实验显示，使用传统CNN训练所有角度数据时，正脸识别率可达89%，但侧脸识别率仅有30%。侧脸识别困难的原因在于有效特征点少且存在遮挡区域。 解决方案包括：重新划分数据集以按角度分类、设计多网络融合架构、采用ResNet提高特征提取能力、建立角度感知的决策机制。实施过程中，使用西安交通大学东方人脸数据库进行数据集构建与预处理，并分别训练了人脸检测、角度分类、正脸分类和侧脸分类四个子网络。优化过程涉及网络结构优化、数据增强策略、损失函数设计及分阶段训练方法。 反思改进方面，项目成功提升了整体准确率，但仍需进一步优化数据集划分策略、提高计算效率、扩充数据规模。涉及的关键技术包括ResNet、CNN、Softmax函数、人脸检测技术、特征提取与降维方法等。
