"基于权重哈希化的深度人脸识别算法"
本文提出了一种基于权重哈希化的深度人脸识别算法，旨在解决使用融合深度哈希的卷积神经网络进行人脸识别时可能存在的准确率下降和内存占用率偏高的问题。该算法首先提出了一种基于高低维特征维度拼接的全卷积深度哈希网络，以保证融合深度哈希后网络模型的识别准确率。然后，提出了一种基于权重哈希化的模型压缩方法，将浮点型权重量化为哈希编码来进行模型存储，以减少模型的内存占用率。
深度哈希是一种常用的图像处理技术，能够将高维特征维度降低到低维度空间中，从而实现图像的快速识别和分类。然而，使用融合深度哈希的卷积神经网络进行人脸识别时，可能存在准确率下降和内存占用率偏高的问题。为解决这个问题，本文提出了一种基于权重哈希化的深度人脸识别算法，该算法能够提高识别准确率和效率，并减少内存占用率。
该算法的关键技术包括：
1. 基于高低维特征维度拼接的全卷积深度哈希网络：该网络能够将高维特征维度降低到低维度空间中，从而实现图像的快速识别和分类。
2. 基于权重哈希化的模型压缩方法：该方法能够将浮点型权重量化为哈希编码，以减少模型的内存占用率。
实验结果表明，该方法在基于VGG框架进行改进时，能够提高识别总效率６８％，提高准确率１．６７％，并将模型尺寸压缩９１．２％。同时，该方法也能够扩展到Sphereface框架中，在准确率略有提升的情况下提高识别效率６１％，并将模型压缩４２．２４％。
因此，本文提出的基于权重哈希化的深度人脸识别算法能够提高识别准确率和效率，并减少内存占用率，具有很高的实用价值和应用前景。
知识点：
1.深度哈希：一种常用的图像处理技术，能够将高维特征维度降低到低维度空间中，从而实现图像的快速识别和分类。
2.卷积神经网络：一种常用的深度学习模型，能够对图像进行特征提取和分类。
3.模型压缩：一种常用的模型优化技术，能够减少模型的内存占用率和计算复杂度。
4.哈希编码：一种常用的数据压缩技术，能够将浮点型权重量化为哈希编码，以减少模型的内存占用率。
5.全卷积神经网络：一种常用的深度学习模型，能够对图像进行特征提取和分类。
6.维度拼接：一种常用的图像处理技术，能够将高维特征维度降低到低维度空间中，从而实现图像的快速识别和分类。
VIP享7折，此内容立减4.47元 
