CN106599797B - 一种基于局部并行神经网络的红外人脸识别方法 - Google Patents
一种基于局部并行神经网络的红外人脸识别方法 Download PDFInfo
- Publication number
- CN106599797B CN106599797B CN201611049729.3A CN201611049729A CN106599797B CN 106599797 B CN106599797 B CN 106599797B CN 201611049729 A CN201611049729 A CN 201611049729A CN 106599797 B CN106599797 B CN 106599797B
- Authority
- CN
- China
- Prior art keywords
- convolution
- characteristic
- feature
- infrared face
- face recognition
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明一种基于局部并行神经网络的红外人脸识别方法,它的网络结构主要包含四部分:一、提取初步卷积特征:通过一组2×2的卷积核提取初步的人脸特征并对输出特征信号进行整理;二、生成并行多尺度卷积特征:利用并行多尺度卷积网络结构提取代表不同尺度信息的人脸特征;三、生成分类特征向量:利用全连接层将卷积特征整合得到最终代表人脸身份的用于分类输入的特征向量并进行修正线性激活和随机忽略处理;四、训练并测试分类器:将处理过的全连接特征向量输入Softmax分类器计算损失并反向传播训练调整网络参数实现红外人脸识别。本发明能广泛应用于红外人脸识别与身份辨识应用。
Description
技术领域
本发明涉及一种基于局部并行神经网络的红外人脸识别方法,属于数字图像处理,模式识别和红外工程技术领域。它主要涉及深度神经网络和多尺度特征分类技术,能广泛应用于红外人脸识别与身份验证等应用。
背景技术
红外人脸识别技术作为红外图像处理与模式识别的重要技术一直在向前发展,尽管可见光图像的人脸识别技术已经趋于成熟,然而在某些不具备可见光人脸成像的极端条件下,基于中长波红外传感器的人脸识别系统就成为了非常重要的信息处理途径,因而红外人脸识别具有重要的研究和应用价值。不同于可见光人脸图像,红外人脸图像不具备足够的色彩和纹理信息,加之成像质量较差造成红外人脸图像信噪比较低,基于可见光人脸识别的特征分类算法直接应用于红外人脸识别问题往往无法取得良好的效果。Fisherface算法[P.Belhumeur,J.Hespanha,and D.Kriegman,Eigenfaces vs.Fisherfaces:Recognition Using Class Specific Linear Projection,IEEE Transactions onPattern Analysis and Machine Intelligence,19(7)(1997)711-720.(贝尔胡米尔等:特征脸和费舍尔脸:基于类别的线性判别.IEEE模式分析与机器智能19(7)(1997)711-720)],采用主成分分析法(Principal Component Analysis,PCA)对图像进行特征降维,并利用线性判别分析法(Linear Discriminant Analysis,LDA)对降维后的主成分特征进行转换使得样本在大类间散度与小类内散度之间实现平衡,该方法至今依然是人脸识别领域的主流方法之一。Local Binary Pattern(LBP)特征算法[T.Ojala,M.D.Harwood.Acomparative study of texture measures with classification based on featureddistributions,Pattern recognition,29(1)(1996)51-59.(奥亚拉等:基于特征分类的纹理度量比较性研究,模式识别29(1)(1996)51-59)]是一种描述图像局部空间结构的非参数算子,由于定义相对简单、扩展改造方便且易于在硬件快速运行的优点得到了广泛的应用。HoG特征[N.Dalal,et al.Histograms of oriented gradients for human detection,in:2005Computer Vision and Pattern Recognition,IEEE Computer SocietyConference on.IEEE,2005,pp.886-893.(达拉尔等:行人检测的梯度方向直方图算法.IEEE计算机视觉与模式识别会议,(2005)886-893.)]作为目标检测与识别的重要技术,其核心思想是图像中目标的形状特征信息可以被梯度和边缘的方向分布充分描述,因此通过在密集的同尺寸细胞单元中计算各个方向上梯度统计信息,并以直方图的方式来构造特征描述子。HoG特征对一般不要求旋转不变的应用如行人检测和人脸识别有良好的效果,然而对于目标纹理信息不明显的红外人脸图像往往不具有足够的表现力和区分度。近些年由于深度学习尤其是卷积网络的快速发展,基于深度神经网络的方法如DeepID[Y.Sun,etal.Deep learning face representation from predicting 10,000classes,in:Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2014,pp.1891-1898.(孙祎等:预测1000类的深度学习人脸算法,IEEE计算机视觉与模式识别会议,(2014)1891-1898.)]和DeepFace[Y.Taigman,et al.DeepFace:Closing the gap to human-level performance in face verification,in:Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2014,pp.1701-1708.(泰戈曼等:DeepFace算法在人脸辨识上已接近肉眼级别,IEEE计算机视觉与模式识别会议,(2014)1701-1708.)],都是构造了适合于人脸识别的卷积神经网络。实际上DeepID算法是用深度卷积神经网络在LFW(Labeled Faces in theWild)数据集上以人脸识别分类作为训练任务得到网络的特征向量作为代表人脸的身份特征,再结合Joint Bayesian分类器实现人脸验证(face verification)。而DeepFace算法则在卷积神经网络之前设计了一个基于三维重建的人脸矫正模块,使得进入卷积特征提取器的姿态各异的人脸图像矫正为正面方向从而极大降低了提取有效特征的难度。
在红外人脸图像中,由于人脸前景与背景之间温度分布不同因而较容易区分,然而在不同身份的人脸之间由于面部温度分布具有很高的相似性,加上红外图像不具备纹理细节因而使得身份识别非常困难,因此基于传统特征的描述子与分类器很难实现较高的识别准确率。而红外人脸图像中可靠的特征大部分来自边缘和梯度,因此利用深度神经网络并行地提取不同尺度的特征并增加代表边缘和梯度的特征权重来实现红外人脸身份的识别可以较有针对性的实现高准确率。
发明内容
1、目的:为了较高准确率的红外人脸识别,本发明提供一种基于局部并行神经网络的红外人脸识别方法,为基于个人信息鉴别的军用及民用领域应用提供有效工具。
2、技术方案:为了实现这个目的,本发明一种基于局部并行神经网络的红外人脸识别方法,该方法具体步骤如下:
步骤一:提取初步卷积特征:用一组普通的2×2卷积核对输入图像进行特征提取,生成对应的特征谱,并进行修正线性激活(ReLu)和最大池化降采样(MaxPooling)一系列处理后作为进一步卷积操作的输入;
步骤二:生成并行多尺度卷积特征:将最大池化降采样后的特征谱依据不同的卷积核尺寸(size)、步长(stride)以及数量(number)进行多尺度卷积运算,并再次用修正线性激活(ReLu)提取代表不同尺度信息的红外人脸特征谱,得到多尺度特征谱;
步骤三:生成分类特征向量:将步骤二中提取到的多尺度特征谱全部输入到全连接层,并将输出的响应信号作为分类特征向量进行随机忽略(Dropout)处理以降低过拟合效应;
步骤四:训练并测试分类器:将分类特征向量输入到Softmax分类器并结合输入监督分类标签计算交叉熵损失函数,通过反向传播和梯度下降不断更新整个网络中连接神经元的权重和偏置,最终实现红外人脸识别。
本发明基于基本图像分类的深度神经网络思想,通过设计局部并行的不同尺度卷积特征实现红外图像中多尺度特征的综合利用,并针对边缘特征进行了加强以增加其在综合特征中的影响作用,最终生成以小尺度边缘特征为主、中大尺度区域特征为辅的多尺度特征向量。基于多尺度特征向量的分类器,由于综合了红外人脸中不同范围的特征信息,因而可以实现较高准确率的红外人脸识别。
3、本发明一种基于局部并行神经网络的红外人脸识别方法,其优点及功效是:本发明利用深度神经网络的理论框架,通过合理设计网络结构,在基础特征基础上引入局部并行多尺度特征提取策略,并增加核心特征在决策层的影响力,构造了代表红外人脸图像中不同尺度区域信息的综合特征,实现了具有较高准确率的红外人脸识别。本发明识别算法可以广泛应用于要求全天候高识别率的军事、交通、金融等等领域,具有广阔的市场前景与应用价值。
附图说明
图1为基于局部并行结构的红外人脸识别神经网络结构。
图2为初步卷积提取并池化处理后的结果特征示例,其中图2(a)为步骤一中生成的部分32×32特征谱,图2(b)为第一步中所用部分2×2卷积核。
图3(a)为步骤二由双层2×2卷积生成的部分30×30特征谱,图3(b)为对应的部分2×2卷积核。
图4(a)为步骤二由3×3卷积生成的部分30×30特征谱,图4(b)为对应的部分3×3卷积核。
图5(a)为步骤二由5×5模板生成的部分14×14特征谱,图5(b)为对应的部分5×5卷积核。
图6为最终用于分类的512维红外人脸特征向量。
具体实施方式
为了更好地理解本发明的技术方案,以下结合附图对本发明的实施方式作进一步描述。
本发明一种基于局部并行神经网络的红外人脸识别方法,其网络结构如图1所示,各部分具体实施细节步骤如下:
步骤一:提取初步卷积特征
用一组128个2×2卷积核以单步长对输入红外人脸灰度图像(64×64)求卷积以提取初步特征,生成对应的特征谱(feature map)进行修正线性激活(ReLu)和以2×2为窗口的最大值池化降采样(MaxPooling)等一系列处理后生成尺寸为128×32×32的特征谱为作为进一步卷积操作的输入。据此生成的部分特征谱如图2(a)所示,对应的部分卷积核权值如图2(b)所示。其中修正线性激活(ReLu)是神经网络领域在传统sigmoid函数和双正切tanh函数之后新提出的截至目前为止最有效的激活函数,三者定义如下:
在本发明中所有卷积输出的特征谱以及全连接生成的特征向量均由修正线性单元激活。
步骤二:生成并行多尺度卷积特征
将步骤一输出的尺寸为128×32×32的特征谱分别以四种不同的卷积核尺寸(size)、步长(stride)以及数量(number)进行多尺度卷积运算,其中包括:提取边缘与梯度细节特征的128个单步长2×2模板卷积,提取局部范围边缘特征的64个双步长2×2模板卷积,提取局部中等范围的64个单步长3×3模板卷积以及提取局部大范围的64个双步长5×5模板卷积。由于红外人脸图像中用于身份辨识的信息大都集中于局部的边缘细节中,因而对由128×2×2卷积核提取到特征谱进行进一步的特征提取,即再次以128个单步长2×2模板对该特征谱进行卷积操作,如图1流程所示。同时本步骤中所有的卷积生成的特征谱均由修正线性单元进行激活,并与步骤一输出的尺寸为128×32×32的特征谱同时输入到步骤三的全连接特征向量中,过程如流程图1所示,本步骤生成的部分多尺度特征谱如图3(a)-图5(a)所示,对应的部分卷积核权值如图3(b)-图5(b)所示。
步骤三:生成分类特征向量
将步骤三由多尺度卷积操作提取到的多尺度特征谱全部输入到512个节点的全连接层生成特征向量,然后对512维的神经元输出进行50%的随机忽略处理并用修正线性激活,以避免在接下来计算损失以及反向传播训练过程中网络模型对样本数据出现过拟合效应。
步骤四:训练并测试分类器
将上一步骤生成的512维分类特征向量输入到Softmax分类器计算损失函数。Softmax基于交叉熵的损失函数源于对数似然函数,定义为:
其中1{.}是一个指示性函数,当括号内为真时结果为1,否则为0。x为最终用于判别分类的特征向量,θ为特征向量线性组合权值,y为训练标签给出的类别,k为网络预测的分类类别,m为参与训练的样本总数。在Softmax回归中将x分类为第j类的概率为:
其中参数x,y,θ,k的定义与损失函数J(θ)相同。由计算出的损失函数J(θ),通过反向传播和梯度下降不断更新整个网络中连接神经元的权重和偏置使算法收敛。梯度下降是求解极值问题的经典算法之一,其迭代更新原理可表述为:其中常数α为学习率。结合Softmax损失函数J(θ)的定义,其相对分类参数θj的偏导数为:
其中1{.}和P函数,参数x,y,θ,m定义同上。为了实现快速收敛并避免陷入局部极值,整个训练利用随机梯度下降法(SGD),即根据某个单独样本误差计算更新,以得到近似的梯度下降搜索,通过调整网络中的权值最终实现红外图像中的人脸识别。
为了展示本发明的效果,利用一张红外人脸图像生成各个步骤对应的特征谱效果并展示如下。本发明首先生成初步卷积特征谱如图2(a)所示,训练出的部分卷积核权值如图2(b)所示。图3-图5所示为并行多尺度卷积层生成的中间结果,其中生(a)为代表不同尺度(2×2,3×3,5×5)卷积特征的部分特征谱,(b)为部分不同尺度的卷积核权值。最终生成用于分类预测的512维特征向量以32×16的特征谱的形式在图6中给出。本发明在实验所用的红外人脸图像数据集上交叉验证测试准确率接近96%,top5准确率接近99%,超过了基于AlexNet、DeepID等深度神经网络的方法以及基于传统特征的Fisherface与LBP特征算法,可以有效地识别红外人脸。
Claims (1)
1.一种基于局部并行神经网络的红外人脸识别方法,特征在于:该方法具体步骤如下:
步骤一:提取初步卷积特征:用一组2×2卷积核对输入图像进行特征提取,生成对应的特征谱,并进行修正线性激活和最大池化降采样一系列处理后作为进一步卷积操作的输入;
步骤二:生成并行多尺度卷积特征:将最大池化降采样后的特征谱依据不同的卷积核尺寸、步长以及数量进行多尺度卷积运算,并再次用修正线性激活提取代表不同尺度信息的红外人脸特征谱,得到多尺度特征谱;
步骤三:生成分类特征向量:将步骤二中提取到的多尺度特征谱全部输入到全连接层,并将输出的响应信号作为分类特征向量进行随机忽略处理以降低过拟合效应;
步骤四:训练并测试分类器:将分类特征向量输入到Softmax分类器并结合输入监督分类标签计算交叉熵损失函数,通过反向传播和梯度下降不断更新整个网络中连接神经元的权重和偏置,最终实现红外人脸识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611049729.3A CN106599797B (zh) | 2016-11-24 | 2016-11-24 | 一种基于局部并行神经网络的红外人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611049729.3A CN106599797B (zh) | 2016-11-24 | 2016-11-24 | 一种基于局部并行神经网络的红外人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106599797A CN106599797A (zh) | 2017-04-26 |
CN106599797B true CN106599797B (zh) | 2019-06-07 |
Family
ID=58593155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611049729.3A Active CN106599797B (zh) | 2016-11-24 | 2016-11-24 | 一种基于局部并行神经网络的红外人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106599797B (zh) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103585B (zh) * | 2017-04-28 | 2020-09-11 | 广东工业大学 | 一种图像超分辨率系统 |
US11651230B2 (en) | 2017-06-02 | 2023-05-16 | Nokia Technologies Oy | Artificial neural network |
CN109101984B (zh) * | 2017-06-20 | 2022-04-08 | 北京中科奥森数据科技有限公司 | 一种基于卷积神经网络的图像识别方法及装置 |
CN107423690B (zh) * | 2017-06-26 | 2020-11-13 | 广东工业大学 | 一种人脸识别方法及装置 |
TWI617999B (zh) * | 2017-08-10 | 2018-03-11 | 中華電信股份有限公司 | 雙重辨識門禁系統及其方法 |
CN107679450A (zh) * | 2017-08-25 | 2018-02-09 | 珠海多智科技有限公司 | 基于深度学习的遮挡条件下人脸识别方法 |
CN107545281B (zh) * | 2017-09-29 | 2020-09-18 | 浙江工商大学 | 一种基于深度学习的单一有害气体红外图像分类识别方法 |
CN107510452B (zh) * | 2017-09-30 | 2019-10-08 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
EP3698268A4 (en) | 2017-11-22 | 2021-02-17 | Zhejiang Dahua Technology Co., Ltd. | FACIAL RECOGNITION PROCESSES AND SYSTEMS |
CN108154181A (zh) * | 2017-12-25 | 2018-06-12 | 深圳大学 | 温度系数的确定方法及装置 |
CN108171796A (zh) * | 2017-12-25 | 2018-06-15 | 燕山大学 | 一种基于三维点云的巡检机器人视觉系统及控制方法 |
CN108304788B (zh) * | 2018-01-18 | 2022-06-14 | 陕西炬云信息科技有限公司 | 基于深度神经网络的人脸识别方法 |
CN110119750A (zh) * | 2018-02-05 | 2019-08-13 | 浙江宇视科技有限公司 | 数据处理方法、装置及电子设备 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN108596082A (zh) * | 2018-04-20 | 2018-09-28 | 重庆邮电大学 | 基于图像扩散速度模型和色彩特征的人脸活体检测方法 |
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 |
CN108710838B (zh) * | 2018-05-08 | 2019-11-08 | 河南工程学院 | 一种夜视环境下热红外人脸图像识别方法 |
CN108921796B (zh) * | 2018-06-07 | 2021-09-03 | 西安电子科技大学 | 一种基于深度学习的红外图像非均匀性校正方法 |
CN108921926B (zh) * | 2018-07-02 | 2020-10-09 | 云从科技集团股份有限公司 | 一种基于单张图像的端到端三维人脸重建方法 |
CN109003240B (zh) * | 2018-07-16 | 2021-07-27 | 安徽理工大学 | 一种基于多尺度并行cnn的图像去噪方法 |
CN110766152B (zh) * | 2018-07-27 | 2023-08-04 | 富士通株式会社 | 用于训练深度神经网络的方法和装置 |
CN111104823A (zh) * | 2018-10-25 | 2020-05-05 | 北京奇虎科技有限公司 | 人脸识别方法、装置及存储介质、终端设备 |
CN109472360B (zh) * | 2018-10-30 | 2020-09-04 | 北京地平线机器人技术研发有限公司 | 神经网络的更新方法、更新装置和电子设备 |
CN111209810B (zh) * | 2018-12-26 | 2023-05-26 | 浙江大学 | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 |
CN109766806A (zh) * | 2018-12-28 | 2019-05-17 | 深圳奥比中光科技有限公司 | 高效的人脸识别方法及电子设备 |
CN110033460B (zh) * | 2019-04-03 | 2021-02-19 | 中国科学院地理科学与资源研究所 | 一种基于尺度空间变换的卫星影像中海上养殖区提取方法 |
CN110263731B (zh) * | 2019-06-24 | 2021-03-16 | 电子科技大学 | 一种单步人脸检测系统 |
CN110338759B (zh) * | 2019-06-27 | 2020-06-09 | 嘉兴深拓科技有限公司 | 一种正面疼痛表情数据采集方法 |
CN112668362B (zh) * | 2019-10-15 | 2023-06-16 | 浙江中正智能科技有限公司 | 一种动态优化类代理的人证比对模型训练方法 |
WO2021098799A1 (en) * | 2019-11-20 | 2021-05-27 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Face detection device, method and face unlock system |
CN113449567B (zh) * | 2020-03-27 | 2024-04-02 | 深圳云天励飞技术有限公司 | 一种人脸温度检测方法、装置、电子设备及存储介质 |
CN111539337A (zh) * | 2020-04-26 | 2020-08-14 | 上海眼控科技股份有限公司 | 车辆姿态矫正方法、装置及设备 |
CN111623883A (zh) * | 2020-05-26 | 2020-09-04 | 成都电科崇实科技有限公司 | 一种可见光图像与红外图像相结合的目标测温的方法 |
CN111695522B (zh) * | 2020-06-15 | 2022-10-18 | 重庆邮电大学 | 一种平面内的旋转不变人脸检测方法、装置及存储介质 |
CN113723246B (zh) * | 2021-08-20 | 2022-09-02 | 南京华图信息技术有限公司 | 一种基于注意力机制的红外宽光谱人脸识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
CN105956560A (zh) * | 2016-05-06 | 2016-09-21 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
-
2016
- 2016-11-24 CN CN201611049729.3A patent/CN106599797B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117692A (zh) * | 2015-08-05 | 2015-12-02 | 福州瑞芯微电子股份有限公司 | 一种基于深度学习的实时人脸识别方法及系统 |
CN105975931A (zh) * | 2016-05-04 | 2016-09-28 | 浙江大学 | 一种基于多尺度池化的卷积神经网络人脸识别方法 |
CN105956560A (zh) * | 2016-05-06 | 2016-09-21 | 电子科技大学 | 一种基于池化多尺度深度卷积特征的车型识别方法 |
Non-Patent Citations (2)
Title |
---|
"convolutional neural network thermal infrared face images";Kuan-Chuan Peng etal;《2015 IEEE International Conference on Multimedia and Expo (ICME)》;20150703;第1-6页 |
"Face Recognition: A Convolutional Neural-Network Approach";Steve Lawrenc etal;《IEEE transactions on neural networks》;19970131;第8卷(第1期);第98-113页 |
Also Published As
Publication number | Publication date |
---|---|
CN106599797A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599797B (zh) | 一种基于局部并行神经网络的红外人脸识别方法 | |
CN109086658B (zh) | 一种基于生成对抗网络的传感器数据生成方法与系统 | |
Guo et al. | Face recognition based on convolutional neural network and support vector machine | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN111652236A (zh) | 弱监督场景下跨层特征交互的轻量级细粒度图像识别方法 | |
CN104504362A (zh) | 基于卷积神经网络的人脸检测方法 | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN107292225B (zh) | 一种人脸识别方法 | |
CN112052772A (zh) | 一种人脸遮挡检测算法 | |
Ku et al. | Face recognition based on mtcnn and convolutional neural network | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN104268507A (zh) | 一种基于rgb-d图像的手语字母识别方法 | |
AL-Allaf et al. | Pattern recognition neural network for improving the performance of iris recognition system | |
Raparthi et al. | Machine Learning Based Deep Cloud Model to Enhance Robustness and Noise Interference | |
AlBdairi et al. | Identifying ethnics of people through face recognition: A deep CNN approach | |
CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
Huang et al. | Design and Application of Face Recognition Algorithm Based on Improved Backpropagation Neural Network. | |
CN109558803A (zh) | 基于卷积神经网络与np准则的sar目标鉴别方法 | |
Sooch et al. | Emotion Classification and Facial Key point detection using AI | |
Elbaşi | Fuzzy logic-based scenario recognition from video sequences | |
Hongjiao | Application of advanced BP neural network in image recognition | |
Liu et al. | Chart classification by combining deep convolutional networks and deep belief networks | |
CN113887509B (zh) | 一种基于图像集合的快速多模态视频人脸识别方法 | |
Wang et al. | Facial Recognition System Based on Genetic Algorithm Improved ROI-KNN Convolutional Neural Network | |
CN109800854A (zh) | 一种基于概率神经网络的复合绝缘子憎水性等级判定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |