CN106295584A - 深度迁移学习在人群属性的识别方法 - Google Patents

深度迁移学习在人群属性的识别方法 Download PDF

Info

Publication number
CN106295584A
CN106295584A CN201610674170.7A CN201610674170A CN106295584A CN 106295584 A CN106295584 A CN 106295584A CN 201610674170 A CN201610674170 A CN 201610674170A CN 106295584 A CN106295584 A CN 106295584A
Authority
CN
China
Prior art keywords
crowd
attribute
model
face
recognition methods
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.)
Pending
Application number
CN201610674170.7A
Other languages
English (en)
Inventor
牟永强
田第鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Shenzhen Intellifusion Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Intellifusion Technologies Co Ltd filed Critical Shenzhen Intellifusion Technologies Co Ltd
Priority to CN201610674170.7A priority Critical patent/CN106295584A/zh
Publication of CN106295584A publication Critical patent/CN106295584A/zh
Priority to CN201710591603.7A priority patent/CN107766787B/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/174—Facial expression recognition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及神经网络领域，其公开了一种深度迁移学习在人群属性的识别方法，包括如下步骤：（A）构建人脸图像数据库以及人群属性信息；（B）预训练卷积神经网络模型；（C）进行人脸识别任务微调；（D）使用已标注的人群属性数据进行模型微调。本发明的有益效果是：将深度学习和迁移学习的思想结合在一起，将其应用在人群属性识别（如种族识别）上，在样本量非常有限的前提下，能够取得非常好的效果。

Description

深度迁移学习在人群属性的识别方法
技术领域
本发明涉及人脸识别领域，尤其涉及一种深度迁移学习在人群属性的识别方法。
背景技术
近年来，基于深度学习的视觉相关算法在图像分类、目标检测、物体分割等领域取得了非常大的进展。但是，深度学习的最大问题是需要非常巨大的样本来进行模型的训练，这使得其在某些样本数量有限的任务上较之传统算法很难取得较大突破；有研究表明深度学习学习到的特征和相应的任务是紧密相关的，很难直接将其应用到其他任务上。传统的基于人造特征的识别算法，在精度上很难满足现实场景中的需要。
发明内容
为了解决现有技术中的问题，本发明提供了一种深度迁移学习在人群属性的识别方法，解决现有技术中深度学习需要大量样本进行模型训练、学习到的特征不能直接迁移到其它领域的问题。
本发明是通过以下技术方案实现的：设计、制造了一种深度迁移学习在人群属性的识别方法，包括如下步骤：（A）构建人脸图像数据库以及人群属性信息；（B）预训练卷积神经网络模型；（C）进行人脸识别任务微调；（D）使用已标注的人群属性数据进行模型微调。
作为本发明的进一步改进：所述步骤（A）中，人群属性信息包括但不限于种族和族裔信息，若图像中包括该项属性则对应数值设置为1，否则设置为0；人脸图像为自然场景中的图像，其来源于公开的数据集或视频截取。
作为本发明的进一步改进：所述步骤（B）中，在图片库imageNet上预训练卷积神经网络模型，卷积神经网络包含8个卷积层，4个下采样层以及两个全链接层，每个卷积层后连接一个激活函数ReLU，每个Batch的图像数量为64，学习率从0.01~0.00001，共计训练约为40轮。
作为本发明的进一步改进：所述步骤（C）中，将步骤（B）中训练好的模型进行人脸识别任务微调，微调时将最后一个全连接层的输出为所使用的人脸数据库包含的个人数量，本层学习率是其它层的10倍，学习率保持在0.00001，共计训练约为20轮。
作为本发明的进一步改进：所述步骤（D）中，将步骤（C）中训练好的模型增加已标注的人群属性数据进行模型微调。
作为本发明的进一步改进：对模型进行微调时，需要先进行人脸检测、人脸对齐以及人脸归一化操作。
作为本发明的进一步改进：人群属性信息通过属性分类器或者网络直接输出进行信息表达。
本发明的有益效果是：将深度学习和迁移学习的思想结合在一起，将其应用在人群属性识别（如种族识别）上，在样本量非常有限的前提下，能够取得非常好的效果。
【附图说明】
图1为本发明识别示意框图。
【具体实施方式】
下面结合附图说明及具体实施方式对本发明进一步说明。
一种深度迁移学习在人群属性的识别方法，包括如下步骤：（A）构建人脸图像数据库以及人群属性信息；（B）预训练卷积神经网络模型；（C）进行人脸识别任务微调；（D）使用已标注的人群属性数据进行模型微调。
所述步骤（A）中，人群属性信息包括但不限于种族和族裔信息，若图像中包括该项属性则对应数值设置为1，否则设置为0；人脸图像为自然场景中的图像，其来源于公开的数据集或视频截取。
所述步骤（B）中，在图片库imageNet上预训练卷积神经网络模型，卷积神经网络包含8个卷积层，4个下采样层以及两个全链接层，每个卷积层后连接一个激活函数ReLU，每个Batch的图像数量为64，学习率从0.01~0.00001，共计训练约为40轮。
所述步骤（C）中，将步骤（B）中训练好的模型进行人脸识别任务微调，微调时将最后一个全连接层的输出为所使用的人脸数据库包含的个人数量，本层学习率是其它层的10倍，学习率保持在0.00001，共计训练约为20轮。
所述步骤（D）中，将步骤（C）中训练好的模型增加已标注的人群属性数据进行模型微调。
对模型进行微调时，需要先进行人脸检测、人脸对齐以及人脸归一化操作。
人群属性信息通过属性分类器或者网络直接输出进行信息表达。
在一实施例中，一种深度迁移学习在人群属性的识别方法分为三个阶段，第一，自然场景中的图像是非常容易获取的，而且有许多大规模公开的数据集，如ImageNet，利用ImageNet进行深度网络的预训练；第二，根据人脸图像来进行属性分类，由于模型没有任何关于人脸特征的先验知识，直接将ImageNet得到的特征应用在人脸图像上，效果会比较差，所以将学习到的网络在一定数量的人脸图像上进行人脸识别任务的微调；第三，上个阶段中学习到的特征已经能较好的进行人脸特征的表达，但是缺乏特定属性，如种族相关的知识，所以使用少量已标注的特定属性图像进一步微调模型。神经网络模型微调指的是在已训练好的模型基础上，通过一定的训练策略对模型中学习到的参数进行局部微小调节，进而使其能对不同的目标函数进行表达。尤其在样本量非常有限的情况下，这种方法往往能取得非常满意的效果。众所周知神经网络的初始化对网络的训练以及收敛是至关重要的，一般情况下在样本量比较充足的条件下可以通过一些特定的初始化算法来保证模型的收敛，在样本量非常有效的条件下直接进行训练很可能会导致网络陷入局部最小，但是通过预训练学习到的参数再加上网络微调在很大程度上是可以保证得到全局最优的结果。经过上述几个阶段的预训练和微调，得到的特征已经能比较好的对人群属性进行分类。
在一具体实施例中，如图1所示，1~3中的训练过程及具体参数如表1所示。
1. 在ImageNet上进行网络预训练，为网络结构如表2所示，ImageNet包含1000类的自然场景图像，图像总量大于100万，非常适合大规模的网络训练。本文中所使用的网络共有10层（带参数的层），其中包含8个卷积层，4个下采样层，以及两个全链接层，每个卷积层后连接一个ReLU激活函数，每个Batch的图像数量为64，学习率从0.01~0.00001，共计训练40轮。
2. 使用1中训练好的模型，进行人脸识别任务微调，所使用的人脸数据库包含500个人，每人大概40~100张图像。微调时将最后一个全连接层的输出改为500，本层学习率是其他层的10倍，学习率保持在0.00001，共计训练20轮。
3. 在模型2的基础上，使用已标注的人群属性数据进行模型微调，所使用的人群属性数据包含2类（具有该属性的数据和不具有该属性的数据），每类大概1000张图像。微调过程与2类似。
表1 不同任务训练过程
Batch大小 学习率 训练轮数
ImageNet预训练 128 1e-2 ~ 1e-5 40
人脸识别微调 64 1e-5 20
属性识别微调 32 1e-5 10
表2 网络结构
为进一步完善，进行以下对比试验,测试集合包含500个正样例和500个负样例，结果如表3所示:
1. 使用ImageNet进行图像分类预训练，提取Fc6层的特征进行属性信息表达，使用SVM作为属性分类器。
2. 使用ImageNet进行图像分类预训练，在人脸识别任务上进行网络微调，提取Fc6层的特征进行属性信息表达，使用SVM作为属性分类器。
3. 使用ImageNet进行图像分类预训练，在人脸识别和属性识别上进行网络微调，直接使用网络的输出进行属性分类。
4. 使用ImageNet进行图像分类预训练，在人脸识别和属性识别上进行网络微调，提取Fc6层的特征进行属性信息表达，使用SVM作为属性分类器。
表3 不同策略的分类结果
ImageNet预训练 人脸识别模型微调 人群属性识别模型微调 SVM分类器 准确率
Yes No No Yes 94.54%
Yes Yes No Yes 96.30%
Yes Yes Yes No 98.32%
Yes Yes Yes Yes 98.75%
经过上述几个阶段的预训练和微调，得到的特征已经能比较好的对人群属性进行分类。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (7)

1.一种深度迁移学习在人群属性的识别方法，其特征在于：包括如下步骤：（A）构建人脸图像数据库以及人群属性信息；（B）预训练卷积神经网络模型；（C）进行人脸识别任务微调；（D）使用已标注的人群属性数据进行模型微调。
2.根据权利要求1所述的深度迁移学习在人群属性的识别方法，其特征在于：所述步骤（A）中，人群属性信息包括但不限于种族和族裔信息，若图像中包括该项属性则对应数值设置为1，否则设置为0；人脸图像为自然场景中的图像，其来源于公开的数据集或视频截取。
3.根据权利要求1所述的深度迁移学习在人群属性的识别方法，其特征在于：所述步骤（B）中，在图片库imageNet上预训练卷积神经网络模型，卷积神经网络包含8个卷积层，4个下采样层以及两个全链接层，每个卷积层后连接一个激活函数ReLU，每个Batch的图像数量为64，学习率从0.01~0.00001，共计训练约为40轮。
4.根据权利要求1所述的深度迁移学习在人群属性的识别方法，其特征在于：所述步骤（C）中，将步骤（B）中训练好的模型进行人脸识别任务微调，微调时将最后一个全连接层的输出为所使用的人脸数据库包含的个人数量，本层学习率是其它层的10倍，学习率保持在0.00001，共计训练约为20轮。
5.根据权利要求1所述的深度迁移学习在人群属性的识别方法，其特征在于：所述步骤（D）中，将步骤（C）中训练好的模型增加已标注的人群属性数据进行模型微调。
6.根据权利要求4或5任一所述的深度迁移学习在人群属性的识别方法，其特征在于：对模型进行微调时，需要先进行人脸检测、人脸对齐以及人脸归一化操作。
7.根据权利要求1所述的深度迁移学习在人群属性的识别方法，其特征在于：人群属性信息通过属性分类器或者网络直接输出进行信息表达。
CN201610674170.7A 2016-08-16 2016-08-16 深度迁移学习在人群属性的识别方法 Pending CN106295584A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610674170.7A CN106295584A (zh) 2016-08-16 2016-08-16 深度迁移学习在人群属性的识别方法
CN201710591603.7A CN107766787B (zh) 2016-08-16 2017-07-19 人脸属性识别方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610674170.7A CN106295584A (zh) 2016-08-16 2016-08-16 深度迁移学习在人群属性的识别方法

Publications (1)

Publication Number Publication Date
CN106295584A true CN106295584A (zh) 2017-01-04

Family

ID=57678081

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201610674170.7A Pending CN106295584A (zh) 2016-08-16 2016-08-16 深度迁移学习在人群属性的识别方法
CN201710591603.7A Active CN107766787B (zh) 2016-08-16 2017-07-19 人脸属性识别方法、装置、终端及存储介质

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201710591603.7A Active CN107766787B (zh) 2016-08-16 2017-07-19 人脸属性识别方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (2) CN106295584A (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220600A (zh) * 2017-05-17 2017-09-29 清华大学深圳研究生院 一种基于深度学习的图片生成方法及生成对抗网络
CN107704877A (zh) * 2017-10-09 2018-02-16 哈尔滨工业大学深圳研究生院 一种基于深度学习的图像隐私感知方法
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法
CN107766787A (zh) * 2016-08-16 2018-03-06 深圳云天励飞技术有限公司 人脸属性识别方法、装置、终端及存储介质
CN107862387A (zh) * 2017-12-05 2018-03-30 深圳地平线机器人科技有限公司 训练有监督机器学习的模型的方法和装置
CN108108662A (zh) * 2017-11-24 2018-06-01 深圳市华尊科技股份有限公司 深度神经网络识别模型及识别方法
CN108256447A (zh) * 2017-12-29 2018-07-06 广州海昇计算机科技有限公司 一种基于深度神经网络的无人机航拍视频分析方法
CN108427972A (zh) * 2018-04-24 2018-08-21 云南佳叶现代农业发展有限公司 基于在线学习的烟叶分类方法及其系统
CN108596138A (zh) * 2018-05-03 2018-09-28 南京大学 一种基于迁移层次网络的人脸识别方法
CN108932459A (zh) * 2017-05-26 2018-12-04 富士通株式会社 脸部识别模型训练方法和装置及脸部识别方法
CN109214386A (zh) * 2018-09-14 2019-01-15 北京京东金融科技控股有限公司 用于生成图像识别模型的方法和装置
CN109300170A (zh) * 2018-10-18 2019-02-01 云南大学 肖像照片光影传递方法
CN109377501A (zh) * 2018-09-30 2019-02-22 上海鹰觉科技有限公司 基于迁移学习的遥感图像舰船分割方法及系统
CN109743580A (zh) * 2018-12-24 2019-05-10 秒针信息技术有限公司 一种视频处理方法及装置、存储介质和处理器
CN109743579A (zh) * 2018-12-24 2019-05-10 秒针信息技术有限公司 一种视频处理方法及装置、存储介质和处理器
CN109934242A (zh) * 2017-12-15 2019-06-25 北京京东尚科信息技术有限公司 图片识别方法和装置
CN110009059A (zh) * 2019-04-16 2019-07-12 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN110110611A (zh) * 2019-04-16 2019-08-09 深圳壹账通智能科技有限公司 人像属性模型构建方法、装置、计算机设备和存储介质
CN110516514A (zh) * 2018-05-22 2019-11-29 杭州海康威视数字技术股份有限公司 一种目标检测模型的建模方法和装置
CN110569780A (zh) * 2019-09-03 2019-12-13 北京清帆科技有限公司 一种基于深度迁移学习的高精度人脸识别方法
CN110738071A (zh) * 2018-07-18 2020-01-31 浙江中正智能科技有限公司 一种基于深度学习和迁移学习的人脸算法模型训练方法
CN110879993A (zh) * 2019-11-29 2020-03-13 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN111383357A (zh) * 2019-05-31 2020-07-07 纵目科技（上海）股份有限公司 一种适应目标数据集的网络模型微调方法、系统、终端和存储介质
CN112069898A (zh) * 2020-08-05 2020-12-11 中国电子科技集团公司电子科学研究院 基于迁移学习人脸族群属性的识别方法及装置
CN112801054A (zh) * 2021-04-01 2021-05-14 腾讯科技（深圳）有限公司 人脸识别模型的处理方法、人脸识别方法及装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020034902A1 (zh) * 2018-08-11 2020-02-20 昆山美卓智能科技有限公司 具有状态监控功能的智能桌、监控系统服务器及监控方法
CN109190514B (zh) * 2018-08-14 2021-10-01 电子科技大学 基于双向长短期记忆网络的人脸属性识别方法及系统
CN109271884A (zh) * 2018-08-29 2019-01-25 厦门理工学院 人脸属性识别方法、装置、终端设备和存储介质
CN111325311B (zh) * 2018-12-14 2024-03-29 深圳云天励飞技术有限公司 用于图像识别的神经网络模型生成方法及相关设备
CN109726170A (zh) * 2018-12-26 2019-05-07 上海新储集成电路有限公司 一种人工智能的片上系统芯片
CN110008841B (zh) * 2019-03-08 2021-07-06 中国华戎科技集团有限公司 一种表情识别模型构建方法及系统
CN111651989B (zh) * 2020-04-13 2024-04-02 上海明略人工智能(集团)有限公司 命名实体识别方法和装置、存储介质及电子装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100492399C (zh) * 2007-03-15 2009-05-27 上海交通大学 利用降维方法进行人脸姿态估计的方法
CN104217216B (zh) * 2014-09-01 2017-10-17 华为技术有限公司 生成检测模型的方法和设备、用于检测目标的方法和设备
CN104408470B (zh) * 2014-12-01 2017-07-25 中科创达软件股份有限公司 基于平均脸预学习的性别检测方法
CN104751140A (zh) * 2015-03-30 2015-07-01 常州大学 一种基于深度学习sdae理论的三维人脸识别算法及其在金融领域应用
CN106295584A (zh) * 2016-08-16 2017-01-04 深圳云天励飞技术有限公司 深度迁移学习在人群属性的识别方法

Cited By (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766787A (zh) * 2016-08-16 2018-03-06 深圳云天励飞技术有限公司 人脸属性识别方法、装置、终端及存储介质
CN107220600B (zh) * 2017-05-17 2019-09-10 清华大学深圳研究生院 一种基于深度学习的图片生成方法及生成对抗网络
CN107220600A (zh) * 2017-05-17 2017-09-29 清华大学深圳研究生院 一种基于深度学习的图片生成方法及生成对抗网络
CN108932459B (zh) * 2017-05-26 2021-12-10 富士通株式会社 脸部识别模型训练方法和装置及脸部识别方法
CN108932459A (zh) * 2017-05-26 2018-12-04 富士通株式会社 脸部识别模型训练方法和装置及脸部识别方法
US11256952B2 (en) * 2017-10-09 2022-02-22 Harbin Institute Of Technology Shenzhen Graduate School Image privacy perception method based on deep learning
WO2019071754A1 (zh) * 2017-10-09 2019-04-18 哈尔滨工业大学深圳研究生院 一种基于深度学习的图像隐私感知方法
CN107704877A (zh) * 2017-10-09 2018-02-16 哈尔滨工业大学深圳研究生院 一种基于深度学习的图像隐私感知方法
CN107730497A (zh) * 2017-10-27 2018-02-23 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法
CN107730497B (zh) * 2017-10-27 2021-09-10 哈尔滨工业大学 一种基于深度迁移学习的血管内斑块属性分析方法
CN108108662A (zh) * 2017-11-24 2018-06-01 深圳市华尊科技股份有限公司 深度神经网络识别模型及识别方法
CN107862387A (zh) * 2017-12-05 2018-03-30 深圳地平线机器人科技有限公司 训练有监督机器学习的模型的方法和装置
CN109934242A (zh) * 2017-12-15 2019-06-25 北京京东尚科信息技术有限公司 图片识别方法和装置
CN108256447A (zh) * 2017-12-29 2018-07-06 广州海昇计算机科技有限公司 一种基于深度神经网络的无人机航拍视频分析方法
CN108427972A (zh) * 2018-04-24 2018-08-21 云南佳叶现代农业发展有限公司 基于在线学习的烟叶分类方法及其系统
CN108427972B (zh) * 2018-04-24 2024-06-07 云南佳叶现代农业发展有限公司 基于在线学习的烟叶分类方法及其系统
CN108596138A (zh) * 2018-05-03 2018-09-28 南京大学 一种基于迁移层次网络的人脸识别方法
CN110516514A (zh) * 2018-05-22 2019-11-29 杭州海康威视数字技术股份有限公司 一种目标检测模型的建模方法和装置
CN110516514B (zh) * 2018-05-22 2022-09-30 杭州海康威视数字技术股份有限公司 一种目标检测模型的建模方法和装置
CN110738071A (zh) * 2018-07-18 2020-01-31 浙江中正智能科技有限公司 一种基于深度学习和迁移学习的人脸算法模型训练方法
CN109214386A (zh) * 2018-09-14 2019-01-15 北京京东金融科技控股有限公司 用于生成图像识别模型的方法和装置
CN109377501A (zh) * 2018-09-30 2019-02-22 上海鹰觉科技有限公司 基于迁移学习的遥感图像舰船分割方法及系统
CN109300170A (zh) * 2018-10-18 2019-02-01 云南大学 肖像照片光影传递方法
CN109743580A (zh) * 2018-12-24 2019-05-10 秒针信息技术有限公司 一种视频处理方法及装置、存储介质和处理器
CN109743579A (zh) * 2018-12-24 2019-05-10 秒针信息技术有限公司 一种视频处理方法及装置、存储介质和处理器
CN110110611A (zh) * 2019-04-16 2019-08-09 深圳壹账通智能科技有限公司 人像属性模型构建方法、装置、计算机设备和存储介质
CN110009059A (zh) * 2019-04-16 2019-07-12 北京字节跳动网络技术有限公司 用于生成模型的方法和装置
CN111383357A (zh) * 2019-05-31 2020-07-07 纵目科技（上海）股份有限公司 一种适应目标数据集的网络模型微调方法、系统、终端和存储介质
CN110569780A (zh) * 2019-09-03 2019-12-13 北京清帆科技有限公司 一种基于深度迁移学习的高精度人脸识别方法
CN110879993B (zh) * 2019-11-29 2023-03-14 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN110879993A (zh) * 2019-11-29 2020-03-13 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN112069898A (zh) * 2020-08-05 2020-12-11 中国电子科技集团公司电子科学研究院 基于迁移学习人脸族群属性的识别方法及装置
CN112801054B (zh) * 2021-04-01 2021-06-22 腾讯科技（深圳）有限公司 人脸识别模型的处理方法、人脸识别方法及装置
CN112801054A (zh) * 2021-04-01 2021-05-14 腾讯科技（深圳）有限公司 人脸识别模型的处理方法、人脸识别方法及装置

Also Published As

Publication number Publication date
CN107766787B (zh) 2023-04-07
CN107766787A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
CN106295584A (zh) 深度迁移学习在人群属性的识别方法
CN107016405B (zh) 一种基于分级预测卷积神经网络的害虫图像分类方法
CN107844795B (zh) 基于主成分分析的卷积神经网络特征提取方法
CN109522853B (zh) 面向监控视频的人脸检测与搜索方法
CN111274921B (zh) 一种利用姿态掩模进行人体行为识别的方法
CN104143079B (zh) 人脸属性识别的方法和系统
CN106504255B (zh) 一种基于多标签多示例学习的多目标图像联合分割方法
CN109299716A (zh) 神经网络的训练方法、图像分割方法、装置、设备及介质
CN109685115A (zh) 一种双线性特征融合的细粒度概念模型及学习方法
CN108961245A (zh) 基于双通道深度并行卷积网络的图像质量分类方法
CN106127108B (zh) 一种基于卷积神经网络的人手图像区域检测方法
CN110188641A (zh) 图像识别和神经网络模型的训练方法、装置和系统
CN107122375A (zh) 基于图像特征的图像主体的识别方法
CN106203395A (zh) 基于多任务深度学习的人脸属性识别方法
CN108052884A (zh) 一种基于改进残差神经网络的手势识别方法
CN109446922B (zh) 一种实时鲁棒的人脸检测方法
CN106778852A (zh) 一种修正误判的图像内容识别方法
CN109344699A (zh) 基于分层深度卷积神经网络的冬枣病害识别方法
CN105512620A (zh) 用于人脸识别的卷积神经网络的训练方法和装置
CN108596038A (zh) 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN106709478A (zh) 一种行人图像特征分类方法和系统
CN107679501A (zh) 一种基于标签自提纯的深度学习方法
CN110826556A (zh) 改进深度学习的广谱农作物杂草识别与定位方法
CN109446985A (zh) 基于矢量神经网络的多角度植物识别方法
CN109241814A (zh) 基于yolo神经网络的行人检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170104

WD01 Invention patent application deemed withdrawn after publication