摘要
人脸识别作为机器学习和深度学习重要的分支，一直以来都是热点研究之一。近年来，伴随着卷积神经网络研究的热潮，人脸识别算法也有了全新的进展，人脸识别系统和应用也渐渐出现在人们的日常生活中，成为人工智能时代必不可少的技术之一。尽管人脸识别技术发展至今已硕果累累，对于光照、表情、遮挡等条件下识别的研究也不断进步，但是复杂环境的影响一直都是人脸识别最大的挑战和难题，当出现环境卫生危机时，遮挡人脸识别的需求也急剧增加。为此，本文从遮挡人脸识别出发，提出一种基于注意力机制的遮挡人脸识别网络，能够帮助神经网络在特征提取和学习的过程中，给予特征不同的关注度。通过研究和探讨注意力机制，构建了一个能够嵌入不同神经网络的注意力模块，再通过对池化层的研究，探讨了优化注意力机制的方法，最后进行了充分的实验，证明了注意力遮挡人脸识别网络的有效性。本文的主要研究工作如下： （1）为残差神经网络引入注意力机制。构建了基于通道注意力和空间注意力的联合注意力模块，提高残差神经网络对特征的深度挖掘能力和分析能力。探究了混合池化方法对于提高神经网络检测能力的有效性，并将混合池化层嵌入注意力模块，提高注意力机制对关注度的学习能力。经过实验，在AR数据集上的实验准确率比原始的残差神经网络高出1%左右，在带有遮挡的LFW数据集上准确度优于VGG网络近10%。 （2）为RepVGG神经网络引入注意力机制。引入了新颖的VGG风格的RepVGG神经网络，探讨了RepVGG神经网络的优势和结构，并构建了嵌入注意力模块的RepVGG人脸识别网络。探究了Softpool池化方式的优势，并用SoftPool池化替代全局最大池化，增强池化层的特征保留能力和特征降维能力。最后在AR数据集以及LFW数据集上进行了充分的实验，在AR数据集上的准确度获得了优于其他网络0.5%的结果，在LFW上的准确率达到高于近5%的结果。 （3）构建遮挡人脸识别门禁原型系统。以遮挡人脸识别网络模型为基础，应用和设计了门禁原型系统，探究了门禁系统的框架和模块设计，进一步证明了本文研究的实用意义。
NETL