基于深度卷积神经网络的人脸识别模型虽然能够取得较高的识别精度,但是模型中存在海量的计算数据并且需要占用大量的内存资源,因此无法满足资源受限和实时性的要求。针对此问题,设计两种轻量化递归残差神经网络,该网络能够有效地融合特征图中各层之间的信息,丰富特征图的语义信息进而提高识别精度。首先对原始数据集采用MTCNN人脸检测算法进行人脸对齐和裁剪;然后将ArcFace损失函数作为监督信号,此损失函数能够使得数据集类内聚合和类间分散,有效提高模型的分类效果;最后在LFW、AgeDB和CFP-FP数据集上对模型进行验证。实验结果表明,设计的网络模型在减少大量参数的情况下可以取得较高的人脸识别精度。

针对火灾发生时, 火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力不强、容易出现精度不高、误报和漏报等问题, 提出了张量对象特征提取的多线性主成分分析(Multilinear Principal Component Analysis, MPCA)深度学习算法的火灾图像识别新方法。利用MPCANet建立火灾图像识别模型, 通过MPCA算法学习滤波器作为深度学习网络卷积层卷积核, 对张量对象的高维图像进行特征提取, 并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他火灾图像识别方法对比得到提出的图像识别方法识别精度达到了97.5%、误报率1.5%、漏报率1%。实验表明: 该方法可以有效解决火灾图像识别存在的问题。