张婷　李玉鑑　胡海鹤　张亚红



基于跨连卷积神经网络的性别分类模型

张婷1李玉鑑1胡海鹤1张亚红1

为提高性别分类准确率，在传统卷积神经网络（Convolutional neural network，CNN）的基础上，提出一个跨连卷积神经网络（Cross-connected CNN，CCNN）模型.该模型是一个9层的网络结构，包含输入层、6个由卷积层和池化层交错构成的隐含层、全连接层和输出层，其中允许第2个池化层跨过两个层直接与全连接层相连接.在10个人脸数据集上的性别分类实验结果表明，跨连卷积网络的准确率均不低于传统卷积网络.

性别分类，卷积神经网络，跨连卷积神经网络，跨层连接

引用格式张婷，李玉鑑，胡海鹤，张亚红.基于跨连卷积神经网络的性别分类模型.自动化学报，2016，42（6）：858-865

人脸性别分类是一个二分类问题，通过人脸图像信息自动发现和分析人脸性别属性.它被广泛应用在以客户为中心的广告、视觉监控、智能用户界面和人口统计等领域.

作为一种传统方法，全连接网络在多年前已被应用于人脸性别分类.Golomb等［1］通过训练一个两层的全连接网络SEX-NET（Sex network），对大小为30×30的人脸图像进行性别分类.这是第一次将神经网络应用于性别分类.Brunelli等［2］使用HyperBF网络进行性别分类.首先使用两个径向基函数（Radial basis function，RBF）网络提取人脸特征，分别用于提取男性和女性人脸特征，然后采用提取的特征进行性别分类.Tamura等［3］探索了神经网络在不同分辨率图像上的性别分类，通过采用一个三层的反向传播网络对不同分辨率（分辨率的范围从32×32到8×8）的人脸图像……