CN106127173B - 一种基于深度学习的人体属性识别方法 - Google Patents
一种基于深度学习的人体属性识别方法 Download PDFInfo
- Publication number
- CN106127173B CN106127173B CN201610509230.XA CN201610509230A CN106127173B CN 106127173 B CN106127173 B CN 106127173B CN 201610509230 A CN201610509230 A CN 201610509230A CN 106127173 B CN106127173 B CN 106127173B
- Authority
- CN
- China
- Prior art keywords
- poselet
- human body
- feature
- attribute
- vector
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的人体属性识别方法,包括如下步骤:步骤S1:利用poselet检测子构建人体部位数据集;步骤S2:根据所述人体部位数据集训练出poselet特征向量;步骤S3:利用所述poselet特征向量通过卷积神经网络训练出人体属性分类器。本发明在人体属性识别中,在视角、姿势、遮挡等多种干扰因素下,能够较为快速准确地定位人体部位,进而结合相应人体部位做属性识别。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及一种基于深度学习的人体属性识别方法。
背景技术
属性作为一种能同时被计算机和人所感知的视觉特征,近些年在许多计算机视觉应用中已经被广泛采用,尤其是以属性作为中间层用于传统的对象识别与分类技术中。属性的用途,除了作为中间层用于物体的描述、识别以及迁移学习外,另一大研究方向是关注人的相关属性。最早研究者们主要从人脸特征入手来获取人的相关属性,近些年,有研究证明人的性别、年龄、种族等属性同样可以从人体的其它区域如:胳膊、腿等获取线索。不仅如此,人体属性的研究范围也得到了进一步扩充,除了年龄、性别、种族等基本属性外,发型、脸型、表情、服装、以及动作属性等都得到了研究者们的广泛关注。
相比于采用人脸的特征做人的属性识别,采用人体其它部位做属性识别要困难得多,一是由于人的姿势在几何上的变化太大,二是由于人的外观因为服装、配饰等带来的变化多种多样。人体属性识别就是要在视角、姿势、遮挡等多种干扰因素下准确识别出人体的一系列属性,其面临的主要技术难点有:(1)人体部位检测。(2)属性分类器的设计。(3)人体属性与潜在相关的人体区域之间关系的挖掘。
针对人体部位检测,近几年取得较为突出的实验效果的检测模型有09年由Bourdev等人提出的在强监督环境下的部位检测子poselets、13年由Sharma等人提出的在弱监督环境下训练出的可扩展的部位模型EPM。二者均存在一定的不足:(1)Poselets采用的是一个全新的数据集H3D,它包含了大量的人工标注信息,不利于在新的数据集上做扩展;此外,由于poselets的设计初衷是想穷举出人的所有可能的姿态,所以最终训练出的poselets有300个之多,这就导致在实际检测时速度较慢。(2)EPM虽然比DPM在人体动作识别上表现出了更好的性能,但其训练样本要求是以人为中心的图像,且其模型训练过程与DPM一样都较为复杂,而且在检测时自动寻找出的部位有时存在偏移。
针对属性分类器的设计,虽然属性已经在人脸验证、目标识别、对陌生对象的描述、还有促进零样本分类的迁移学习方面都体现出了其相较于底层特征的优越性。然而,大量属性的存在使得为每一个属性都建立一个常规的分类器,这样的处理方式比较繁琐。而且传统的属性分类器设计都是采用手工设计的特征来训练浅层机器学习模型,诸如SVM(支持向量机)、Boosting、KNN(K最近邻)等,手工设计的特征主要依靠设计者的先验知识,依赖手工调参,特征的设计中只允许出现少量的参数,这样的分类器检测不够准确。
发明内容
本发明的目的之一在于提供一种基于深度学习的人体属性识别方法,以解决在人体属性识别中,在视角、姿势、遮挡等多种干扰因素下,如何较为快速准确地定位人体部位,进而结合相应人体部位做属性识别的问题。
本发明解决现有技术问题是通过下述技术方案来实现的:
一种基于深度学习的人体属性识别方法,包括如下步骤:
步骤S1:利用poselet检测子构建人体部位数据集;
步骤S2:根据所述人体部位数据集训练出poselet特征向量;
步骤S3:利用所述poselet特征向量通过卷积神经网络训练出人体属性分类器。
进一步的,所述步骤S1:利用poselet检测子构建人体部位数据集的步骤中,具体包括如下步骤:
步骤S1.1:随机挑选带有属性的有标训练集;
步骤S1.2:利用poselet检测子在所述训练集上检测出主体人物的边框(boundingbox)数据以及所述bounding box数据包含的posele,所述主体人物的bounding box数据以及所述bounding box数据包含的posele构成所述人体部位数据集。
进一步的,在所述步骤S2中,根据所述人体部位数据集,利用更快的基于区域的卷积神经网络(Faster Region proposal based Convolutional Neural Network,FasterR-CNN)结构训练出poselet特征向量。
进一步的,所述步骤S2:根据所述人体部位数据集训练出poselet特征向量的步骤中,具体包括如下步骤:
步骤S2.1:将步骤S1.2中的边框数据输入到区域建议网络(Region ProposalNetwork,RPN)中进行处理,得到候选区域(region proposals);
步骤S2.2:将所述候选区域输入到快速的基于区域的卷积神经网络(Fast Regionproposal based Convolutional Neural Network,Fast R-CNN)中进行处理,得到感兴趣区域(region of interest,RoI)特征向量;
步骤S2.3:将所述RoI特征向量输入到全连接层中,输出poselet特征向量,所述poselet特征向量包括softmax向量和bbox regressor向量。
进一步的,所述步骤S3:利用所述poselet特征向量通过卷积神经网络训练出人体属性分类器的步骤中,具体包括如下步骤:
步骤S3.1:使用poselet特征向量,提取poselet RGB特征图像;
步骤S3.2:筛选softmax向量对应的得分符合预设标准的poselet RGB特征图像;
步骤S3.3:将所述得分符合预设标准的poselet RGB特征图像输入到卷积神经网络中,得到图像特征属性对应的poselet特征;
步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器。
进一步的,所述步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器,包括如下步骤:
根据步骤S3.3中的一个图像特征属性对应的poselet特征进行人体属性分类器的训练,得到基于单个poselet的人体属性分类器。
进一步的,所述步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器,还包括如下步骤:
将所述步骤S2.2得到的多个所述RoI特征向量和所述步骤S3.3中得到的多个图像特征属性对应的poselet特征进行串联,得到最终的人体属性分类器。
进一步的,所述步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器,还包括如下步骤:
将所述步骤S2.2得到的全部所述RoI特征向量和所述步骤S3.3中得到的全部图像特征属性对应的poselet特征进行串联,得到最终的人体属性分类器。
进一步的,所述步骤S3.1:使用poselet特征向量,提取poselet RGB特征图像的步骤中,具体包括如下步骤:
通过所述softmax向量获得poselet的分类,通过bbox regressor向量获得poselet对应的bounding box,将所述poselet的分类与所述通过bbox regressor向量获得poselet对应的bounding box进行组合,根据所述组合提取poselet RGB特征图像。
进一步的,所述步骤S3.3中所述卷积神经网络包括4个卷积层、max pooling层、local response normalization层和全连接层。
本发明的有益效果:
(1)本发明收集了与人体检测相关的海量数据集,用目前已有的效果更优的人体部位检测子poselet在数据集上做人体部位的检测,构建出了满足深度学习量级的人体部位数据集,可在此基础上做人体属性识别、动作识别等相关任务的探索,同时也在一定程度上避免了重新训练深度网络的资源浪费。
(2)本发明结合目前在检测问题上效果最好的网络结构Faster R-CNN,训练出了更高效的poselet检测子,且在一定程度上减少了原有poselet检测子在实际检测过程中存在的冗余问题。
(3)本发明提出一种新的人体属性学习方式。从特征上讲,不再采用传统的手工特征来学习人体属性分类器,而是采用由CNN自动学习出的特征;从分类器的设计上讲,本发明不仅考虑了从单个poselet进行人体属性的学习,还从整个人体特征的全面性出发,将各个poselet的特征串联起来进行最终的属性学习,以提升分类的准确性。
附图说明
图1为本发明实施例中一种基于深度学习的人体属性识别方法的流程图。
图2为本发明实施例中步骤S2的方法流程图。
图3为本发明实施例中步骤S3的方法流程图。
具体实施方式
下文将结合具体实施方式详细描述本发明。应当注意的是,下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的,它们可以被相互组合从而达到更好的技术效果。
如图1所示,本发明所述的一种基于深度学习的人体属性识别方法,包括如下步骤:
步骤S1:利用poselet检测子构建人体部位数据集,具体包括如下步骤:
步骤S1.1:随机挑选带有属性的有标训练集;
步骤S1.2:利用poselet检测子在所述训练集上检测出主体人物的bounding box数据以及bounding box数据包含的posele,主体人物的bounding box数据以及boundingbox数据包含的posele构成所述人体部位数据集。
poselet检测子可以利用Bourdev等人提出的一种穷举姿态的poselets字典。一个poselet代表着人在某种特定姿势下的某个部位或部位组合。
步骤S2:根据人体部位数据集训练出poselet特征向量。
优选的,可以利用Faster R-CNN结构训练出poselet特征向量。该Faster R-CNN网络结构是RPN与Fast R-CNN的结合体。如图2所示,训练poselet特征向量的步骤如下:
步骤S2.1:将步骤S1.2中的bounding box数据输入到RPN中进行处理,得到候选区域;
步骤S2.2:将候选区域输入到Fast R-CNN中进行处理,得到RoI特征向量;
步骤S2.3:将RoI特征向量输入到全连接层中,输出poselet的特征向量,poselet的特征向量包括softmax向量和bbox regressor向量。
在将bounding box数据作为Faster R-CNN网络输入的同时,bounding box数据包含的poselet的类别及位置做为正确的标注数据(ground truth,GT)来训练Faster R-CNN,用于训练poselet特征向量。在这一步,Faster R-CNN网络训练出了一个比Bourdev的检测子更高效的poselet检测子,在一定程度上减少了原有poselet检测子在实际检测过程中存在的冗余问题。
如图3所示,步骤S3:利用poselet特征向量通过卷积神经网络训练出人体属性分类器,具体包括如下步骤:
步骤S3.1:使用poselet特征向量,提取poselet RGB特征图像。
步骤S3.1中,通过softmax向量获得poselet的分类,通过bbox regressor向量获得poselet对应的bounding box,将poselet的分类与通过bbox regressor向量获得poselet对应的bounding box进行组合,再提取poselet RGB特征图像。
步骤S3.2:筛选softmax向量对应的得分符合预设标准的poselet RGB特征图像。
步骤S3.3:将得分符合预设标准的poselet RGB特征图像输入到卷积神经网络中,得到图像特征属性对应的poselet特征。
上述卷积神经网络包含4个卷积层、max pooling层、local responsenormalization层和全连接层,该全连接层以树形结构发散开,与N(属性个数)个中间层进行全连接,用来学习针对每个属性独有的poselet特征。
步骤S3.4:根据步骤S3.3中得到的图像特征属性对应的poselet特征,得到人体属性分类器。
实施例1
本发明提出的一种基于深度学习的人体属性识别方法,包括如下步骤:
(1)从公开的用来做人体检测和属性识别的有标数据集中,随机挑选了6W张图像,其中1W张图像来自Flickr,5W张图像来自淘宝;
(2)利用Bourdev等人训练的poselet检测子在6W张训练集上检测出主体人物的bounding box数据以及bounding box数据包含的poselet;
(3)将bounding box数据输入到RPN中进行处理,得到候选区域;
(4)将候选区域输入到Fast R-CNN中进行处理,得到RoI特征向量;
(5)将RoI特征向量输入到全连接层中,输出poselet的特征向量,poselet的特征向量包括softmax向量和bbox regressor向量;
(6)使用poselet特征向量,提取poselet RGB特征图像;
(7)筛选softmax向量对应的得分高的poselet RGB特征图像;
(8)将得分高的poselet RGB特征图像输入到卷积神经网络中,得到图像特征属性对应的poselet特征;
(9)根据上一步中的一个图像特征属性对应的poselet特征进行人体属性分类器的训练,得到基于单个poselet的人体属性分类器。
实施例2
本发明提出的一种基于深度学习的人体属性识别方法,包括如下步骤:
(1)从公开的用来做人体检测和属性识别的有标数据集中,随机挑选了6W张图像,其中1W张图像来自Flickr,5W张图像来自淘宝;
(2)利用Bourdev等人训练的poselet检测子在6W张训练集上检测出主体人物的bounding box数据以及bounding box数据包含的poselet;
(3)将bounding box数据输入到RPN中进行处理,得到候选区域;
(4)将候选区域输入到Fast R-CNN中进行处理,得到RoI特征向量;
(5)将RoI特征向量输入到全连接层中,输出poselet的特征向量,poselet的特征向量包括softmax向量和bbox regressor向量;
(6)使用poselet特征向量,提取poselet RGB特征图像;
(7)筛选softmax向量对应的得分高的poselet RGB特征图像;
(8)将得分高的poselet RGB特征图像输入到卷积神经网络中,得到图像特征属性对应的poselet特征;
(9)将步骤(4)得到的多个所述RoI特征向量和步骤(8)中得到的多个图像特征属性对应的poselet特征进行串联,得到最终的人体属性分类器。
实施例3
本发明提出的一种基于深度学习的人体属性识别方法,包括如下步骤:
(1)从公开的用来做人体检测和属性识别的有标数据集中,随机挑选了6W张图像,其中1W图像张来自Flickr,5W图像张来自淘宝;
(2)利用Bourdev等人训练的poselet检测子在6W张训练集上检测出主体人物的bounding box数据以及bounding box数据包含的poselet;
(3)将bounding box数据输入到RPN中进行处理,得到候选区域;
(4)将候选区域输入到Fast R-CNN中进行处理,得到RoI特征向量;
(5)将RoI特征向量输入到全连接层中,输出poselet的特征向量,poselet的特征向量包括softmax向量和bbox regressor向量;
(6)使用poselet特征向量,提取poselet RGB特征图像;
(7)筛选softmax向量对应的得分高的poselet RGB特征图像;
(8)将得分高的poselet RGB特征图像输入到卷积神经网络中,得到图像特征属性对应的poselet特征;
(9)将步骤(4)得到的全部所述RoI特征向量和步骤(8)中得到的全部图像特征属性对应的poselet特征进行串联,得到最终的人体属性分类器。
综上所述,本发明的优势如下:
(1)本发明收集了与人体检测相关的海量数据集,用目前已有的效果更优的人体部位检测子poselet在数据集上做人体部位的检测,构建出了满足深度学习量级的人体部位数据集,可在此基础上做人体属性识别、动作识别等相关任务的探索,同时也在一定程度上避免了重新训练深度网络的资源浪费。
(2)本发明结合目前在检测问题上效果最好的网络结构Faster R-CNN,训练出了更高效的poselet检测子,且在一定程度上减少了原有poselet检测子在实际检测过程中存在的冗余问题。
(3)本发明提出一种新的人体属性学习方式。从特征上讲,不再采用传统的手工特征来学习人体属性分类器,而是采用由CNN自动学习出的特征;从分类器的设计上讲,本发明不仅考虑了从单个poselet进行人体属性的学习,还从整个人体特征的全面性出发,将各个poselet的特征串联起来进行最终的属性学习,以提升分类的准确性。
实施例4
为验证本发明的有效性,在与人体属性识别相关的数据集H3D、HAT、taobao_pics上的实验。从检测精度上来讲,该模型在降低检测出的poselet的冗余度(约20%)的同时,保留的是用原有poselet检测子检测出的得分排名前40%的检测结果,即在保证检测精度的同时降低了冗余度。从检测效率上来讲,由于region proposal和特征学习都是在GPU上完成,所以检测速度上有了极大的提升,由原有的一幅图像(以800*600像素为例)3s提升到只需0.2s。由此证明,本发明采用的基于Faster R-CNN的人体部位检测模型具有有效性。
当然应意识到,虽然通过本发明的示例已经进行了前面的描述,但是对本发明做出的将对本领域的技术人员显而易见的这样和其他的改进及改变应认为落入如本文提出的本发明宽广范围内。因此,尽管本发明已经参照了优选的实施方式进行描述,但是,其意并不是使具新颖性的设备由此而受到限制,相反,其旨在包括符合上述公开部分、权利要求的广阔范围之内的各种改进和等同修改。
Claims (9)
1.一种基于深度学习的人体属性识别方法,其特征在于,包括如下步骤:
步骤S1:利用poselet检测子构建人体部位数据集;
步骤S2:根据所述人体部位数据集训练出poselet特征向量;
步骤S3:利用所述poselet特征向量通过卷积神经网络训练出人体属性分类器;
所述步骤S3:利用所述poselet特征向量通过卷积神经网络训练出人体属性分类器的步骤中,具体包括如下步骤:
步骤S3.1:使用poselet特征向量,提取poselet RGB特征图像;
步骤S3.2:筛选softmax向量对应的得分符合预设标准的poselet RGB特征图像;
步骤S3.3:将所述得分符合预设标准的poselet RGB特征图像输入到卷积神经网络中,得到图像特征属性对应的poselet特征;
步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器。
2.如权利要求1所述一种基于深度学习的人体属性识别方法,其特征在于,所述步骤S1:利用poselet检测子构建人体部位数据集的步骤中,具体包括如下步骤:
步骤S1.1:随机挑选带有属性的有标训练集;
步骤S1.2:利用poselet检测子在所述训练集上检测出主体人物的边框数据以及所述边框数据包含的posele,所述主体人物的边框数据以及所述边框数据包含的posele构成所述人体部位数据集。
3.如权利要求2所述一种基于深度学习的人体属性识别方法,其特征在于,在所述步骤S2中,根据所述人体部位数据集,利用Faster R-CNN结构训练出poselet特征向量。
4.如权利要求3所述一种基于深度学习的人体属性识别方法,其特征在于,所述步骤S2:根据所述人体部位数据集训练出poselet特征向量的步骤中,具体包括如下步骤:
步骤S2.1:将步骤S1.2中的边框数据输入到RPN中进行处理,得到候选区域;
步骤S2.2:将所述候选区域输入到Fast R-CNN中进行处理,得到RoI特征向量;
步骤S2.3:将所述RoI特征向量输入到全连接层中,输出poselet特征向量,所述poselet特征向量包括softmax向量和bbox regressor向量。
5.如权利要求1所述一种基于深度学习的人体属性识别方法,其特征在于,所述步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器,包括如下步骤:
根据步骤S3.3中的一个图像特征属性对应的poselet特征进行人体属性分类器的训练,得到基于单个poselet的人体属性分类器。
6.如权利要求1所述一种基于深度学习的人体属性识别方法,其特征在于,所述步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器,还包括如下步骤:
将所述步骤S2.2得到的多个所述RoI特征向量和所述步骤S3.3中得到的多个图像特征属性对应的poselet特征进行串联,得到最终的人体属性分类器。
7.如权利要求1所述一种基于深度学习的人体属性识别方法,其特征在于,所述步骤S3.4:根据步骤S3.3中得到的所述图像特征属性对应的poselet特征,得到人体属性分类器,还包括如下步骤:
将所述步骤S2.2得到的全部所述RoI特征向量和所述步骤S3.3中得到的全部图像特征属性对应的poselet特征进行串联,得到最终的人体属性分类器。
8.如权利要求1-7中任一项所述一种基于深度学习的人体属性识别方法,其特征在于,所述步骤S3.1:使用poselet特征向量,提取poselet RGB特征图像的步骤中,具体包括如下步骤:
通过所述softmax向量获得poselet的分类,通过bbox regressor向量获得poselet对应的bounding box,将所述poselet的分类与所述通过bbox regressor向量获得poselet对应的bounding box进行组合,根据所述组合提取poselet RGB特征图像。
9.如权利要求8所述一种基于深度学习的人体属性识别方法,其特征在于,所述步骤S3.3中所述卷积神经网络包括4个卷积层、max pooling层、local responsenormalization层和全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610509230.XA CN106127173B (zh) | 2016-06-30 | 2016-06-30 | 一种基于深度学习的人体属性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610509230.XA CN106127173B (zh) | 2016-06-30 | 2016-06-30 | 一种基于深度学习的人体属性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106127173A CN106127173A (zh) | 2016-11-16 |
CN106127173B true CN106127173B (zh) | 2019-05-07 |
Family
ID=57467833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610509230.XA Active CN106127173B (zh) | 2016-06-30 | 2016-06-30 | 一种基于深度学习的人体属性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127173B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
US10380741B2 (en) * | 2016-12-07 | 2019-08-13 | Samsung Electronics Co., Ltd | System and method for a deep learning machine for object detection |
CN106951911B (zh) * | 2017-02-13 | 2021-06-29 | 苏州飞搜科技有限公司 | 一种快速的多标签图片检索系统及实现方法 |
CN106952250B (zh) * | 2017-02-28 | 2021-05-07 | 北京科技大学 | 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置 |
WO2018170695A1 (zh) | 2017-03-20 | 2018-09-27 | 华为技术有限公司 | 一种表观特征的描述属性识别方法及装置 |
CN107463892A (zh) * | 2017-07-27 | 2017-12-12 | 北京大学深圳研究生院 | 一种结合上下文信息和多级特征的图像中行人检测方法 |
CN107918780B (zh) * | 2017-09-01 | 2021-09-03 | 中山大学 | 一种基于关键点检测的衣服种类和属性分类方法 |
CN107767416B (zh) * | 2017-09-05 | 2020-05-22 | 华南理工大学 | 一种低分辨率图像中行人朝向的识别方法 |
CN107679492B (zh) * | 2017-09-29 | 2018-10-16 | 山东旭兴网络科技有限公司 | 通过使用特征抓取功能进行行为判别分析方法 |
CN107563359B (zh) * | 2017-09-29 | 2018-09-11 | 重庆市智权之路科技有限公司 | 对于密集人群进行人脸识别热度分析生成方法 |
CN107808139B (zh) * | 2017-11-01 | 2021-08-06 | 电子科技大学 | 一种基于深度学习的实时监控威胁分析方法及系统 |
CN108875501B (zh) * | 2017-11-06 | 2021-10-15 | 北京旷视科技有限公司 | 人体属性识别方法、装置、系统及存储介质 |
CN107749950A (zh) * | 2017-11-09 | 2018-03-02 | 睿魔智能科技(东莞)有限公司 | 一种基于深度学习的拍摄方法和系统 |
CN108108738B (zh) * | 2017-11-28 | 2018-11-16 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置及终端 |
CN107977628B (zh) * | 2017-12-01 | 2020-01-14 | 北京旷视科技有限公司 | 神经网络训练方法、人脸检测方法及人脸检测装置 |
CN108171246B (zh) * | 2017-12-21 | 2022-02-08 | 北京科技大学 | 一种服装显著区域检测方法 |
CN108038473B (zh) * | 2017-12-28 | 2021-04-23 | 百度在线网络技术(北京)有限公司 | 用于输出信息的方法和装置 |
CN108319954B (zh) * | 2018-02-12 | 2021-10-22 | 深圳市盈华讯方通信技术有限公司 | 一种无接触测重方法 |
CN108537165A (zh) * | 2018-04-08 | 2018-09-14 | 百度在线网络技术(北京)有限公司 | 用于确定信息的方法和装置 |
CN108647723B (zh) * | 2018-05-11 | 2020-10-13 | 湖北工业大学 | 一种基于深度学习网络的图像分类方法 |
CN109934081A (zh) * | 2018-08-29 | 2019-06-25 | 厦门安胜网络科技有限公司 | 一种基于深度神经网络的行人属性识别方法、装置及存储介质 |
CN109344872A (zh) * | 2018-08-31 | 2019-02-15 | 昆明理工大学 | 一种少数民族服装图像的识别方法 |
CN109522790A (zh) * | 2018-10-08 | 2019-03-26 | 百度在线网络技术(北京)有限公司 | 人体属性识别方法、装置、存储介质及电子设备 |
CN109829390A (zh) * | 2019-01-09 | 2019-05-31 | 浙江新再灵科技股份有限公司 | 一种基于深度学习的电梯智能调度系统及方法 |
CN109886951A (zh) * | 2019-02-22 | 2019-06-14 | 北京旷视科技有限公司 | 视频处理方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551852A (zh) * | 2008-04-01 | 2009-10-07 | 索尼(中国)有限公司 | 训练系统、训练方法和检测方法 |
CN101971190A (zh) * | 2008-03-07 | 2011-02-09 | 香港中文大学 | 实时身体分割系统 |
CN102609680A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于三维深度图像信息的并行统计学习人体部位检测方法 |
CN104992142A (zh) * | 2015-06-03 | 2015-10-21 | 江苏大学 | 一种基于深度学习和属性学习相结合的行人识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9514390B2 (en) * | 2014-12-17 | 2016-12-06 | Facebook, Inc. | Systems and methods for identifying users in media content based on poselets and neural networks |
-
2016
- 2016-06-30 CN CN201610509230.XA patent/CN106127173B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101971190A (zh) * | 2008-03-07 | 2011-02-09 | 香港中文大学 | 实时身体分割系统 |
CN101551852A (zh) * | 2008-04-01 | 2009-10-07 | 索尼(中国)有限公司 | 训练系统、训练方法和检测方法 |
CN102609680A (zh) * | 2011-12-22 | 2012-07-25 | 中国科学院自动化研究所 | 一种基于三维深度图像信息的并行统计学习人体部位检测方法 |
CN104992142A (zh) * | 2015-06-03 | 2015-10-21 | 江苏大学 | 一种基于深度学习和属性学习相结合的行人识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106127173A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127173B (zh) | 一种基于深度学习的人体属性识别方法 | |
Papadopoulos et al. | Training object class detectors with click supervision | |
Song et al. | Richly activated graph convolutional network for robust skeleton-based action recognition | |
CN104123545B (zh) | 一种实时表情特征提取及表情识别方法 | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
CN109034210A (zh) | 基于超特征融合与多尺度金字塔网络的目标检测方法 | |
CN108764065A (zh) | 一种行人重识别特征融合辅助学习的方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN110781897B (zh) | 一种基于深度学习的语义边缘检测方法 | |
CN109543713A (zh) | 训练集的修正方法及装置 | |
CN104517097A (zh) | 一种基于kinect的运动人体姿态识别方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN108491766B (zh) | 一种端到端的基于深度决策森林的人群计数方法 | |
CN107871106A (zh) | 人脸检测方法和装置 | |
CN108520530A (zh) | 基于长短时记忆网络的目标跟踪方法 | |
CN107424161B (zh) | 一种由粗至精的室内场景图像布局估计方法 | |
CN110211157A (zh) | 一种基于相关滤波的目标长时跟踪方法 | |
CN106203450A (zh) | 基于深度学习框架对图像进行特征提取的目标检测方法 | |
CN109086659A (zh) | 一种基于多模道特征融合的人体行为识别方法和装置 | |
CN110163117A (zh) | 一种基于自激励判别性特征学习的行人重识别方法 | |
CN107742116A (zh) | 一种婴儿情绪变化检测和识别的方法 | |
CN109509191A (zh) | 一种图像显著性目标检测方法及系统 | |
CN106127161A (zh) | 基于级联多层检测器的快速目标检测方法 | |
CN110458022A (zh) | 一种基于域适应的可自主学习目标检测方法 |
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 | ||
GR01 | Patent grant |