CN105426963A - 用于人脸识别的卷积神经网络的训练方法、装置及应用 - Google Patents
用于人脸识别的卷积神经网络的训练方法、装置及应用 Download PDFInfo
- Publication number
- CN105426963A CN105426963A CN201510868860.1A CN201510868860A CN105426963A CN 105426963 A CN105426963 A CN 105426963A CN 201510868860 A CN201510868860 A CN 201510868860A CN 105426963 A CN105426963 A CN 105426963A
- Authority
- CN
- China
- Prior art keywords
- sample
- convolutional neural
- training
- neural networks
- facial image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于人脸识别的卷积神经网络的训练方法、装置及应用，属于人脸识别领域，该方法包括：构建样本训练库，样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；使用样本训练库训练卷积神经网络；使用训练后的卷积神经网络提取样本训练库中的所有人脸图像样本的特征向量；使用分类器对特征向量进行分类；计算每个样本类的分类正确率；判断卷积神经网络是否达到设定要求，若是，结束，否则，从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，并重新训练卷积神经网络。该方法避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。
Description
技术领域
本发明人脸识别领域，特别是指一种用于人脸识别的卷积神经网络的训练方法、装置及应用。
背景技术
随着深度学习的兴起，特别是深度卷积神经网络研究的深入，大量的基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的网络模型被应用到图像处理和图像识别等方面，特别是在人脸识别领域取得了令人瞩目的成绩。
在人脸识别和认证领域里通常会有这样的问题，例如，由于化妆和外部环境影响可能会出现两个不同人的照片很相似，相同人的两张照片差异较大。这类异常样本是造成识别错误的重要原因。
发明内容
本发明提供一种用于人脸识别的卷积神经网络的训练方法、装置及应用，该方法有效的避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。
为解决上述技术问题，本发明提供技术方案如下：
一种用于人脸识别的卷积神经网络的训练方法，包括：
构建样本训练库，所述样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；
使用所述样本训练库训练卷积神经网络；
使用训练后的卷积神经网络提取所述样本训练库中的所有人脸图像样本的特征向量；
使用分类器对所述特征向量进行分类；
计算每个样本类的分类正确率；
判断卷积神经网络是否达到设定要求，若是，结束，否则，执行下一步骤；
从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，构建新的样本训练库，并转至所述使用所述样本训练库训练卷积神经网络的步骤。
一种人脸识别的方法，包括：
采集人脸图像；
使用卷积神经网络提取人脸图像的特征向量，所述卷积神经网络通过上述的方法训练得到；
使用所述特征向量进行人脸识别。
一种用于人脸识别的卷积神经网络的训练装置，包括：
第一构建单元，用于构建样本训练库，所述样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；
训练单元，用于使用所述样本训练库训练卷积神经网络；
提取单元，用于使用训练后的卷积神经网络提取所述样本训练库中的所有人脸图像样本的特征向量；
分类单元，用于使用分类器对所述特征向量进行分类；
计算单元，用于计算每个样本类的分类正确率；
判断单元，用于判断卷积神经网络是否达到设定要求，若是，结束，否则，执行第二构建单元；
第二构建单元，用于从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，构建新的样本训练库，并转至所述训练单元。
一种人脸识别的装置，包括：
采集模块，用于采集人脸图像；
提取模块，用于使用卷积神经网络提取人脸图像的特征向量，所述卷积神经网络通过上述的装置训练得到；
识别模块，用于使用所述特征向量进行人脸识别。
本发明具有以下有益效果：
本发明首先使用样本训练库训练卷积神经网络，然后使用训练得到的卷积神经网络提取特征并分类，减少分类正确率最高的样本类中的人脸图像样本，并向分类正确率最低的样本类中填充人脸图像样本，在保证人脸图像样本总数不变的情况下，逐步增大正确率最低的样本类在样本训练库中的数量比例，逐步对一固定的卷积神经网络进行训练，直到达到设定要求。
本发明由于逐步增加正确率最低的样本类的数量，使得卷积神经网络对这类人脸图像样本更加“熟悉”，“即前述的不断扩大同类物体感知范围”，使得提取到的人脸图像的特征向量在识别时能够有效的避免了由于化妆和外部环境影响导致的识别错误。
并且，本发明是针对固定的一个卷积神经网络进行逐级训练，在没有增加任何额外参数前提下，逐步增加错分样本数量，所以可以有效避免过拟合。
综上所述，本发明有效的避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。
附图说明
图1为本发明的用于人脸识别的卷积神经网络的训练方法的一个实施例的流程图；
图2为本发明中的卷积神经网络的一个实施例的示意图；
图3为本发明的用于人脸识别的卷积神经网络的训练装置的一个实施例的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
一方面，本发明实施例提供一种用于人脸识别的卷积神经网络的训练方法，如图1所示，包括：
步骤101：构建样本训练库，样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本。样本训练库是经过预处理的人脸图像样本整理形成的样本全集。具体的，这些人脸图像样分为k个样本类(同一个人的人脸图像样分组成一个样本类)，每个样本类的人脸图像样本数量相同。并且每个人脸图像样本均对应有一个类别标签，一个样本类中的人脸图像样本的类别标签相同。
步骤102：使用样本训练库训练卷积神经网络。
步骤103：使用训练后的卷积神经网络提取样本训练库中的所有人脸图像样本的特征向量。将每个人脸图像样本都经过上述训练好的卷积神经网络，得到一个固定维数的特征向量。
步骤104：使用分类器对特征向量进行分类。具体的，使用softmax等分类器将每个特征向量分到k个类别c1,c2,…,ck中的一个。
步骤105：计算每个样本类的分类正确率。假设一个人脸图像样本属于第一个样本类，并且该人脸图像样本被分到了c1类，则分类正确，否则，分类错误。
步骤106：判断卷积神经网络是否达到设定要求，若是，结束，否则，执行下一步骤。本实施例需要迭代训练多次，本步骤是迭代的终止条件，达到设定要求是指卷积神经网络的精度达到设定值。
步骤107：从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，再向分类正确率最低的样本类中添加相同数量的人脸图像样本，这些人脸图像样本必须是这一类的，构建出新的样本训练库，并转至步骤101。
基于人的认知特点：通过不断扩大同类物体感知范围和加强差异性对比，可以提高人对物体的辨识度。例如，对于陌生的双胞胎会经常出现错误识别，然而对于熟悉的双胞胎则可以迅速分辨。再如，对于熟悉的明星即便浓妆艳抹，也可以很容易被认出。
结合这一发现，类比到卷积神经网络的训练算法中，本发明实施例首先使用样本训练库训练卷积神经网络，然后使用训练得到的卷积神经网络提取特征并分类，减少分类正确率最高的样本类中的人脸图像样本，并向分类正确率最低的样本类中填充人脸图像样本，在保证人脸图像样本总数不变的情况下，逐步增大正确率最低的样本类在样本训练库中的数量比例，逐步对一固定的卷积神经网络进行训练，直到达到设定要求。
本发明实施例由于逐步增加正确率最低的样本类的数量，使得卷积神经网络对这类人脸图像样本更加“熟悉”，“即前述的不断扩大同类物体感知范围”，使得提取到的人脸图像的特征向量在识别时能够有效的避免了由于化妆和外部环境影响导致的识别错误。
并且，本发明实施例是针对固定的一个卷积神经网络进行逐级训练，在没有增加任何额外参数前提下，逐步增加错分样本数量，所以可以有效避免过拟合。
综上，本发明实施例有效的避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。
在对卷积神经网络进行训练时，优选通过BP算法训练卷积神经网络。
本发明实施例可以根据各种方法判断卷积神经网络是否达到设定要求，具体的实施例如下：
判断每个样本类的分类正确率是否都大于预先设定的正确率阈值，正确率阈值优选5‰，若是，结束，否则，执行下一步骤；本实施例可以使卷积神经网络具有较高的正确率。
或者，判断训练次数是否达到预先设定的次数阈值，若是，结束，否则，执行下一步骤；本实施例可以通过经验预估训练次数，当训练次数达到次数阈值时，即认为卷积神经网络是否达到设定要求，本实施例简单方便。
或者，判断卷积神经网络的损失函数是否小于预先设定的损失函数阈值，若是，结束，否则，执行下一步骤；在卷积神经网络进行训练时，会用到损失函数，若损失函数收敛并小于损失函数阈值，则认为卷积神经网络是否达到设定要求，本实施例简单方便。
而且，如图2所示，上述卷积神经网络包括：
对人脸图像样本进行卷积操作，得到卷积特征图；
对卷积特征图进行激活操作，得到激活特征图；
对激活特征图进行下采样操作，得到采样特征图；
重复进行上述步骤若干次；
进行向量化操作，得到人脸图像样本特征向量。
下面以一个优选的实施例对本发明的用于人脸识别的卷积神经网络的训练方法进行阐述：
1.将经过预处理的人脸图像样本整理形成样本训练库Si，保证每个人有相同数量的图像，即每类有相同的人脸图像样本数。
2.运用BP算法训练卷积神经网络结构，经过一定次数的迭代训练得到CNN_i。
3.每个人脸图像样本经过CNN_i都会得到一个固定维数的特征向量，卷积神经网络结构如图2所示。
4对于人脸识别算法1：N的分类问题，分类器会将每个特征向量分到k个类别c1,c2,…,ck之一。
5.分别计算每个类别的分类正确率，找到正确率最高的类别Ctop和正确率最低的类别Cbottom。
6.从样本训练库中删除Ctop类中分类正确的样本Si_Ctop，与此同时，向样本全集中添加Cbottom类别相同数量的额外样本Si_Cbottom，即number(Si_Ctop)＝number(Si_Cbottom)，进而更新样本训练库。
7.令i＝i+1。
8返回执行2-7；直到达到迭代次数或者错误率低于设定阈值。
另一方面，本发明实施例提供一种人脸识别的方法(本发明实施例的用于人脸识别的卷积神经网络的训练方法的应用)，包括：
采集人脸图像；本步骤中，使用人脸采集装置采集人脸图像。
使用卷积神经网络提取人脸图像的特征向量，卷积神经网络通过上述方法训练得到；
使用特征向量进行人脸识别。
本发明实施例有效的避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。
再一方面，本发明实施例提供一种用于人脸识别的卷积神经网络的训练装置，如图3所示，包括：
第一构建单元11，用于构建样本训练库，样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；
训练单元12，用于使用样本训练库训练卷积神经网络；
提取单元13，用于使用训练后的卷积神经网络提取样本训练库中的所有人脸图像样本的特征向量；
分类单元14，用于使用分类器对特征向量进行分类；
计算单元15，用于计算每个样本类的分类正确率；
判断单元16，用于判断卷积神经网络是否达到设定要求，若是，结束，否则，执行第二构建单元；
第二构建单元17，用于从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，构建新的样本训练库，并转至训练单元。
在对卷积神经网络进行训练时，训练单元进一步用于：
使用样本训练库，并通过BP算法训练卷积神经网络。
本发明实施例可以根据各种方法判断卷积神经网络是否达到设定要求，具体的，判断单元进一步用于：本实施例可以使卷积神经网络具有较高的正确率。
或者，判断训练次数是否达到预先设定的次数阈值，若是，结束，否则，执行第二构建单元；本实施例可以通过经验预估训练次数，当训练次数达到次数阈值时，即认为卷积神经网络是否达到设定要求，本实施例简单方便。
或者，判断卷积神经网络的损失函数是否小于预先设定的损失函数阈值，若是，结束，否则，执行第二构建单元；在卷积神经网络进行训练时，会用到损失函数，若损失函数收敛并小于损失函数阈值，则认为卷积神经网络是否达到设定要求，本实施例简单方便。
而且，上述卷积神经网络包括：
卷积单元，用于对人脸图像样本进行卷积操作，得到卷积特征图；
激活单元，用于对卷积特征图进行激活操作，得到激活特征图；
下采样单元，用于对激活特征图进行下采样操作，得到采样特征图；
对采样特征图重复进行上述卷积单元、激活单元和下采样单元若干次；
向量化单元，用于进行向量化操作，得到人脸图像样本特征向量。
再一方面，本发明实施例提供一种人脸识别的装置，包括：
采集模块，用于采集人脸图像；
提取模块，用于使用卷积神经网络提取人脸图像的特征向量，卷积神经网络通过上述任一的装置训练得到；
识别模块，用于使用特征向量进行人脸识别。
本发明实施例有效的避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种用于人脸识别的卷积神经网络的训练方法，其特征在于，包括：
构建样本训练库，所述样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；
使用所述样本训练库训练卷积神经网络；
使用训练后的卷积神经网络提取所述样本训练库中的所有人脸图像样本的特征向量；
使用分类器对所述特征向量进行分类；
计算每个样本类的分类正确率；
判断卷积神经网络是否达到设定要求，若是，结束，否则，执行下一步骤；
从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，构建新的样本训练库，并转至所述使用所述样本训练库训练卷积神经网络的步骤。
2.根据权利要求1所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述使用所述样本训练库训练卷积神经网络进一步为：
使用所述样本训练库，并通过BP算法训练卷积神经网络。
3.根据权利要求1所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述判断卷积神经网络是否达到设定要求进一步为：
判断每个样本类的分类正确率是否都大于预先设定的正确率阈值，若是，结束，否则，执行下一步骤；
或者，判断训练次数是否达到预先设定的次数阈值，若是，结束，否则，执行下一步骤；
或者，判断所述卷积神经网络的损失函数是否小于预先设定的损失函数阈值，若是，结束，否则，执行下一步骤。
4.根据权利要求1-3任一所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述卷积神经网络包括：
对人脸图像样本进行卷积操作，得到卷积特征图；
对卷积特征图进行激活操作，得到激活特征图；
对激活特征图进行下采样操作，得到采样特征图；
重复进行上述步骤若干次；
进行向量化操作，得到人脸图像样本特征向量。
5.一种人脸识别的方法，其特征在于，包括：
采集人脸图像；
使用卷积神经网络提取人脸图像的特征向量，所述卷积神经网络通过权利要求1-4任一所述的方法训练得到；
使用所述特征向量进行人脸识别。
6.一种用于人脸识别的卷积神经网络的训练装置，其特征在于，包括：
第一构建单元，用于构建样本训练库，所述样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；
训练单元，用于使用所述样本训练库训练卷积神经网络；
提取单元，用于使用训练后的卷积神经网络提取所述样本训练库中的所有人脸图像样本的特征向量；
分类单元，用于使用分类器对所述特征向量进行分类；
计算单元，用于计算每个样本类的分类正确率；
判断单元，用于判断卷积神经网络是否达到设定要求，若是，结束，否则，执行第二构建单元；
第二构建单元，用于从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，构建新的样本训练库，并转至所述训练单元。
7.根据权利要求6所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述训练单元进一步用于：
使用所述样本训练库，并通过BP算法训练卷积神经网络。
8.根据权利要求6所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述判断单元进一步用于：
判断每个样本类的分类正确率是否都大于预先设定的正确率阈值，若是，结束，否则，执行第二构建单元；
或者，判断训练次数是否达到预先设定的次数阈值，若是，结束，否则，执行第二构建单元；
或者，判断所述卷积神经网络的损失函数是否小于预先设定的损失函数阈值，若是，结束，否则，执行第二构建单元。
9.根据权利要求6-8任一所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述卷积神经网络包括：
卷积单元，用于对人脸图像样本进行卷积操作，得到卷积特征图；
激活单元，用于对卷积特征图进行激活操作，得到激活特征图；
下采样单元，用于对激活特征图进行下采样操作，得到采样特征图；
重复进行上述卷积单元、激活单元和下采样单元若干次；
向量化单元，用于进行向量化操作，得到人脸图像样本特征向量。
10.一种人脸识别的装置，其特征在于，包括：
采集模块，用于采集人脸图像；
提取模块，用于使用卷积神经网络提取人脸图像的特征向量，所述卷积神经网络通过权利要求6-9任一所述的装置训练得到；
识别模块，用于使用所述特征向量进行人脸识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510868860.1A CN105426963B (zh) | 2015-12-01 | 2015-12-01 | 用于人脸识别的卷积神经网络的训练方法、装置及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510868860.1A CN105426963B (zh) | 2015-12-01 | 2015-12-01 | 用于人脸识别的卷积神经网络的训练方法、装置及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105426963A true CN105426963A (zh) | 2016-03-23 |
| CN105426963B CN105426963B (zh) | 2017-12-26 |
Family
ID=55505158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510868860.1A Active CN105426963B (zh) | 2015-12-01 | 2015-12-01 | 用于人脸识别的卷积神经网络的训练方法、装置及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105426963B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| CN106127159A (zh) * | 2016-06-28 | 2016-11-16 | 电子科技大学 | 一种基于卷积神经网络的性别识别方法 |
| CN106228142A (zh) * | 2016-07-29 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络和贝叶斯决策的人脸验证方法 |
| CN106295506A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的年龄识别方法 |
| CN106295682A (zh) * | 2016-08-02 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种判断图片质量因子的方法、装置和计算设备 |
| CN106326985A (zh) * | 2016-08-18 | 2017-01-11 | 北京旷视科技有限公司 | 神经网络训练方法和装置及数据处理方法和装置 |
| CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
| CN106599864A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于极值理论的深度人脸识别方法 |
| CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
| CN106897992A (zh) * | 2017-01-11 | 2017-06-27 | 江苏大学 | 基于自我学习机制的粘连菌落自动分割方法 |
| CN107347125A (zh) * | 2016-08-19 | 2017-11-14 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和终端设备 |
| CN107633236A (zh) * | 2017-09-28 | 2018-01-26 | 北京达佳互联信息技术有限公司 | 图像内容理解方法、装置及服务器 |
| CN107808120A (zh) * | 2017-09-30 | 2018-03-16 | 平安科技（深圳）有限公司 | 眼镜定位方法、装置及存储介质 |
| CN108052987A (zh) * | 2017-12-29 | 2018-05-18 | 苏州体素信息科技有限公司 | 图像分类输出结果的检测方法 |
| CN108062521A (zh) * | 2017-12-12 | 2018-05-22 | 深圳大学 | 基于卷积神经网络的人脸检测方法、装置、终端及介质 |
| CN108182394A (zh) * | 2017-12-22 | 2018-06-19 | 浙江大华技术股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
| CN108229674A (zh) * | 2017-02-21 | 2018-06-29 | 北京市商汤科技开发有限公司 | 聚类用神经网络的训练方法和装置、聚类方法和装置 |
| CN109074642A (zh) * | 2016-06-16 | 2018-12-21 | 株式会社日立制作所 | 机器学习装置 |
| CN109934132A (zh) * | 2019-02-28 | 2019-06-25 | 北京理工大学珠海学院 | 基于随机丢弃卷积数据的人脸识别方法、系统及存储介质 |
| WO2019192121A1 (zh) * | 2018-04-04 | 2019-10-10 | 平安科技（深圳）有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
| CN110517185A (zh) * | 2019-07-23 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110543815A (zh) * | 2019-07-22 | 2019-12-06 | 平安科技（深圳）有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408435A (zh) * | 2014-12-05 | 2015-03-11 | 浙江大学 | 一种基于随机池化卷积神经网络的人脸识别方法 |
| CN105005774A (zh) * | 2015-07-28 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 |
| CN105095833A (zh) * | 2014-05-08 | 2015-11-25 | 中国科学院声学研究所 | 用于人脸识别的网络构建方法、识别方法及系统 |
-
2015
- 2015-12-01 CN CN201510868860.1A patent/CN105426963B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095833A (zh) * | 2014-05-08 | 2015-11-25 | 中国科学院声学研究所 | 用于人脸识别的网络构建方法、识别方法及系统 |
| CN104408435A (zh) * | 2014-12-05 | 2015-03-11 | 浙江大学 | 一种基于随机池化卷积神经网络的人脸识别方法 |
| CN105005774A (zh) * | 2015-07-28 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸亲属关系识别方法及装置 |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975959A (zh) * | 2016-06-14 | 2016-09-28 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| CN105975959B (zh) * | 2016-06-14 | 2019-09-03 | 广州视源电子科技股份有限公司 | 基于神经网络的人脸特征提取建模、人脸识别方法及装置 |
| CN109074642A (zh) * | 2016-06-16 | 2018-12-21 | 株式会社日立制作所 | 机器学习装置 |
| CN106127159A (zh) * | 2016-06-28 | 2016-11-16 | 电子科技大学 | 一种基于卷积神经网络的性别识别方法 |
| CN106295506A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的年龄识别方法 |
| CN106228142B (zh) * | 2016-07-29 | 2019-02-15 | 西安电子科技大学 | 基于卷积神经网络和贝叶斯决策的人脸验证方法 |
| CN106228142A (zh) * | 2016-07-29 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络和贝叶斯决策的人脸验证方法 |
| CN106295682A (zh) * | 2016-08-02 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种判断图片质量因子的方法、装置和计算设备 |
| CN106326985A (zh) * | 2016-08-18 | 2017-01-11 | 北京旷视科技有限公司 | 神经网络训练方法和装置及数据处理方法和装置 |
| CN107347125B (zh) * | 2016-08-19 | 2020-04-03 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和终端设备 |
| CN107347125A (zh) * | 2016-08-19 | 2017-11-14 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和终端设备 |
| CN106485235B (zh) * | 2016-10-24 | 2019-05-03 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
| CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
| CN106599864B (zh) * | 2016-12-21 | 2020-01-07 | 中国科学院光电技术研究所 | 一种基于极值理论的深度人脸识别方法 |
| CN106599863A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于迁移学习技术的深度人脸识别方法 |
| CN106599864A (zh) * | 2016-12-21 | 2017-04-26 | 中国科学院光电技术研究所 | 一种基于极值理论的深度人脸识别方法 |
| CN106897992B (zh) * | 2017-01-11 | 2020-11-20 | 江苏大学 | 基于自我学习机制的粘连菌落自动分割方法 |
| CN106897992A (zh) * | 2017-01-11 | 2017-06-27 | 江苏大学 | 基于自我学习机制的粘连菌落自动分割方法 |
| CN108229674A (zh) * | 2017-02-21 | 2018-06-29 | 北京市商汤科技开发有限公司 | 聚类用神经网络的训练方法和装置、聚类方法和装置 |
| CN107633236A (zh) * | 2017-09-28 | 2018-01-26 | 北京达佳互联信息技术有限公司 | 图像内容理解方法、装置及服务器 |
| US10635946B2 (en) | 2017-09-30 | 2020-04-28 | Ping An Technology (Shenzhen) Co., Ltd. | Eyeglass positioning method, apparatus and storage medium |
| CN107808120A (zh) * | 2017-09-30 | 2018-03-16 | 平安科技（深圳）有限公司 | 眼镜定位方法、装置及存储介质 |
| CN108062521A (zh) * | 2017-12-12 | 2018-05-22 | 深圳大学 | 基于卷积神经网络的人脸检测方法、装置、终端及介质 |
| CN108182394A (zh) * | 2017-12-22 | 2018-06-19 | 浙江大华技术股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
| CN108182394B (zh) * | 2017-12-22 | 2021-02-02 | 浙江大华技术股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
| CN108052987A (zh) * | 2017-12-29 | 2018-05-18 | 苏州体素信息科技有限公司 | 图像分类输出结果的检测方法 |
| WO2019192121A1 (zh) * | 2018-04-04 | 2019-10-10 | 平安科技（深圳）有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
| CN109934132A (zh) * | 2019-02-28 | 2019-06-25 | 北京理工大学珠海学院 | 基于随机丢弃卷积数据的人脸识别方法、系统及存储介质 |
| CN110543815A (zh) * | 2019-07-22 | 2019-12-06 | 平安科技（深圳）有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
| CN110543815B (zh) * | 2019-07-22 | 2024-03-08 | 平安科技（深圳）有限公司 | 人脸识别模型的训练方法、人脸识别方法、装置、设备及存储介质 |
| CN110517185A (zh) * | 2019-07-23 | 2019-11-29 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN110517185B (zh) * | 2019-07-23 | 2024-02-09 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105426963B (zh) | 2017-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105426963A (zh) | 用于人脸识别的卷积神经网络的训练方法、装置及应用 | |
| CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
| CN104751198B (zh) | 图像中的目标物的识别方法及装置 | |
| CN109558942B (zh) | 一种基于浅度学习的神经网络迁移方法 | |
| CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
| CN107219924B (zh) | 一种基于惯性传感器的空中手势识别方法 | |
| CN105303150B (zh) | 实现图像处理的方法和系统 | |
| CN106682696A (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
| CN107480575A (zh) | 模型的训练方法、跨年龄人脸识别方法和对应的装置 | |
| CN104966105A (zh) | 一种鲁棒机器错误检索方法与系统 | |
| CN105139041A (zh) | 基于图像的语种识别方法及装置 | |
| CN103514456A (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
| CN104537647A (zh) | 一种目标检测方法及装置 | |
| CN108564102A (zh) | 图像聚类结果评价方法和装置 | |
| CN103745233B (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
| CN108596274A (zh) | 基于卷积神经网络的图像分类方法 | |
| CN104834918A (zh) | 一种基于高斯过程分类器的人体行为识别方法 | |
| CN105117740A (zh) | 字体识别方法及装置 | |
| CN109063787A (zh) | 一种用于不平衡数据的基于X-mean和样本错分类率集成分类方法 | |
| CN105912525A (zh) | 基于主题特征的半监督学习情感分类方法 | |
| CN104750875A (zh) | 一种机器错误数据分类方法及系统 | |
| Risnumawan et al. | Text detection in low resolution scene images using convolutional neural network | |
| CN104598898B (zh) | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 | |
| CN104978569A (zh) | 一种基于稀疏表示的增量人脸识别方法 | |
| CN105718934A (zh) | 一种基于低秩稀疏编码技术的害虫图像特征学习与识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100085, 1 floor 8, 1 Street, ten Street, Haidian District, Beijing. Patentee after: Beijing Eyes Intelligent Technology Co.,Ltd. Address before: 100085, 1 floor 8, 1 Street, ten Street, Haidian District, Beijing. Patentee before: BEIJING TECHSHINO TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220316 Address after: 071800 Beijing Tianjin talent home (Xincheng community), West District, Xiongxian Economic Development Zone, Baoding City, Hebei Province Patentee after: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Patentee after: Beijing Eyes Intelligent Technology Co.,Ltd. Address before: 100085, 1 floor 8, 1 Street, ten Street, Haidian District, Beijing. Patentee before: Beijing Eyes Intelligent Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Training method, device and application of convolutional neural network for face recognition Effective date of registration: 20220614 Granted publication date: 20171226 Pledgee: China Construction Bank Corporation Xiongxian sub branch Pledgor: BEIJING EYECOOL TECHNOLOGY Co.,Ltd. Registration number: Y2022990000332 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |