CN107563319A - 一种基于图像的亲子间人脸相似性度量计算方法 - Google Patents
一种基于图像的亲子间人脸相似性度量计算方法 Download PDFInfo
- Publication number
- CN107563319A CN107563319A CN201710736188.XA CN201710736188A CN107563319A CN 107563319 A CN107563319 A CN 107563319A CN 201710736188 A CN201710736188 A CN 201710736188A CN 107563319 A CN107563319 A CN 107563319A
- Authority
- CN
- China
- Prior art keywords
- face
- photograph
- picture
- similarity
- pair
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像的亲子间人脸相似性度量计算方法，包括以下步骤：通过1024维的人脸图像的CNN特征向量对二类SVM分类器的训练，得基于人脸对的区分同类及异类的二类SVM分类器；然后通过基于人脸对的区分同类及异类的二类SVM分类器计算爸爸与孩子的最大相似度及妈妈与孩子的最大相似度，然后将爸爸与孩子的最大相似度和妈妈与孩子的最大相似度进行归一化，并将归一化的结果分别作为爸爸与孩子的最终相似度及妈妈与孩子的最终相似度，完成基于图像的亲子间人脸相似性度量计算，该方法能够实现年龄跨度较大的亲子间的人脸相似性度量的计算。
Description
技术领域
本发明属于计算机视觉和模式识别技术领域，涉及一种基于图像的亲子间人脸相似性度量计算方法。
背景技术
伴随着移动互联网的迅猛发展，微信、微博等新兴社交媒体平台深刻地影响和改变了人们的工作、生活方式，并呈现出用户量飞速增长及用户数据海量生成等趋势，为相关研究提供了有效的数据来源与应用场景。
年轻的父母们大多喜欢通过社交媒体软件向朋友们分享自己宝宝的照片，因此朋友圈里经常会晒出宝宝的萌照以及他们自豪的父母，并随之在亲友们中引起孩子究竟更像妈妈、还是更像爸爸这类永恒的讨论话题。以往的这类讨论只能基于个体主观感受，因此市场上迫切希望出现一种针对上述有趣话题能够实现自动、客观和量化的评判方法，而当前人脸识别技术领域的飞速发展已为这一问题的解决提供了现实可行性。
人脸相似性度量是人脸识别领域的核心技术之一，它主要包含人脸特征提取及度量函数选取两方面的内容。在特征提取方面，自从1991年特征脸被运用于人脸识别，人脸的表达便从由面部几何特征结构的表示转变为由代数特征的表示。由Ahonen等人提出的LBP(Local Binary Pattern)通过比较像素邻域内局部灰度值的变化刻画出人脸中部分局部变化特征，如角点、边缘等，从而将特征表达精细化。由于对视觉刺激下人类视觉系统内简单细胞的响应以及相关特性的较好模拟，Gabor小波是用于提取目标的局部空间和频率域信息的有力工具。将Gabor小波和图像卷积后得到的幅值和相位系数作为Gabor特征，能够实现对人脸较好的特征表达。在度量函数方面，除了常见的欧式距离，往往还通过度量学习得到更具判别性和鲁棒性的度量矩阵，从而在新的特征空间中，使同类样本距离更近，异类样本距离更远。Xing等人通过约束同类样本对和异类样本对的距离阈值学习共同的马氏度量矩阵。Guillaumin等人提出了逻辑判别度量学习(Logistic discriminant metriclearning,LDML)算法，利用类内样本对的距离和小于类间样本对的距离和，使用概率来估计样本对的相似性。
近年来，以卷积神经网络为代表的深度学习技术在人脸识别等领域已取得极高精度。卷积神经网络利用海量数据样本进行学习，最终将人脸抽象为高维的特征表达。卷积神经网络模型DeepFace通过对一个拥有超过4000人的400万张人脸图像的数据集进行训练，通过不同人脸图片在该神经网络中抽取出的特征之间的欧氏距离进行人脸相似性度量。VGG-Face通过将卷积神经网络与Google研发团队提出的统一嵌入式单元融合，实现了人脸特征的抽取和相似性度量。
然而传统方法还存在以下问题：
1.传统的人脸识别任务中，识别个体往往为同一个人，而在亲子人脸相似性度量问题中，识别个体为父母和孩子，并非同一个人。
2.在亲子人脸相似性度量问题中，区别于传统的人脸识别任务中识别个体年龄跨度较小，父母与孩子存在年龄跨度大这一显著特性。
多年以来，跨年龄人脸识别始终未得到较好解决。由于人脸外貌的老化是一个极其复杂的过程，变化的程度不仅由年龄跨度的长短而定，且因人而异。
目前，有一些基于年龄相关的人脸识别算法。T Nakai等人考虑到注册的人脸图像和捕获的人脸图像之间的年龄差异，提出了一种用于个人身份认证的自动人脸识别方法，利用块匹配模型，用相关系数进行分类识别。N Ramanathan和R Chellappa通过两步法建立年龄变化条件下成年人面部特征变化，主要是针对面部形状和纹理特征变化建立成长模型。Nayak J S和Indiramma M将眼睛部分代替整个脸部作为算法的输入信息，提出了Self-PCA算法，既节约了空间大小又解决了年龄问题。Ling H、Soatto S等人研究了不同的年龄跨度对人脸识别的影响，并应用在机场护照实时检测等工作中。
而上述跨年龄人脸识别算法解决的往往是对同一个人年龄跨度较小的图片进行识别，如几年前的证件照与当前阶段本人照的识别。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于图像的亲子间人脸相似性度量计算方法，该方法能够实现年龄跨度较大的亲子间的人脸相似性度量的计算。
为达到上述目的，本发明所述的基于图像的亲子间人脸相似性度量计算方法包括以下步骤：
1)收集若干人的多幅图片，然后对收集得到的图片进行人脸检测；
2)裁剪步骤1)收集得到的图片中的人脸；
3)将步骤2)得到人脸图片进行去均值化；
4)将步骤3)得到的人脸图片输入至VGG16卷积神经网络，并选择第37层dropout层的4096维向量作为人脸图像的初始特征，再将所述人脸图像的初始特征与三元损失-Triplet Loss学习得到的映射矩阵W'相乘，并将相乘所得结果作为1024维人脸图像的CNN特征向量；
5)通过步骤4)得到的1024维人脸图像的CNN特征向量对二类SVM分类器的训练，得后的二类SVM分类器；
6)获取待测家庭中爸爸的N幅图片、妈妈的M幅图片及孩子的K幅图片，然后构建相片对集合，其中，所述相片对集合包括第一组相片对及第二组相片对，其中，第一组相片对包含N*K对相片，其中，第一组相片对中的各对图片中均包括一张爸爸的图片及一张孩子的图片，且第一组相片对中各对图片均不同；第二组相片对包括M*K对相片，其中，第二组图片对中的每对图片中均包括一张妈妈的图片及一张孩子的图片，且第二组相片对中各对图片均不同，选取相片对集合中的任意一对相片作为待处理对相片；
7)获取待处理相片对中的人脸A及人脸B，计算人脸A及人脸B的CNN特征向量，然后根据人脸A及人脸B的CNN特征向量构建特征向量pA,B，再将特征向量pA,B输入至训练后的二类SVM分类器中，得待处理对图片中人脸A与人脸B的相似度；
8)从相片对集合内剩余对相片中任意选取一对相片作为新的待处理对相片，然后转至步骤7)，直至遍历相片对集合中的所有对相片为止，得相片对集合中各对相片对应的相似度；
9)选取第一组相片对中各对相片对应相似度的最大值作为爸爸与孩子的最大相似度，选取第二组相片对中各对相片对应相似度的最大值作为妈妈与孩子的最大相似度，然后将爸爸与孩子的最大相似度和妈妈与孩子的最大相似度进行归一化，并将归一化的结果分别作为爸爸与孩子的最终相似度及妈妈与孩子的最终相似度，完成基于图像的亲子间人脸相似性度量计算。
特征向量其中，fA为人脸A的CNN特征向量，fB为人脸B的CNN特征向量，g(x)为以x为自变量的一个均值为0、方差为1的高斯函数。
步骤7)中待处理对图片中人脸A与人脸B的相似度S(x)，其中，
其中，x为训练后的二类SVM分类器输出的决策值。
步骤2)还包括：将裁剪得到的人脸图片大小调整为224*224。
1)通过DPM方法对收集得到的家庭样本中爸爸、妈妈及孩子的图片进行人脸检测。
本发明具有以下有益效果：
本发明所述的基于图像的亲子间人脸相似性度量计算方法在具体操作时，基于人脸识别的基本框架，通过1024维的人脸图像的CNN特征向量对二类SVM分类器的训练，从而得到训练后的二类SVM分类器，进而利用训练后的二类SVM分类器计算两幅人脸图像的相似度，从而判断出孩子与爸妈谁更相似，有效的提升了跨年龄人脸相似性度量的准确度，为亲子间人脸相似性度量提供有一种有效的解决方案，并且操作简单、方便，通用性较高。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
本发明所述的基于图像的亲子间人脸相似性度量计算方法包括以下步骤：
1)收集若干人的多幅的图片，然后对收集得到的图片进行人脸检测；
2)裁剪步骤1)收集得到的图片中的人脸，将裁剪得到的人脸图片大小调整为224*224；
3)将步骤2)得到人脸图片进行去均值化；
4)将步骤3)得到的人脸图片输入至卷积神经网络VGG16，并选择第37层dropout层的4096维向量作为人脸图像的初始特征，再将所述人脸图像的初始特征与三元损失Triplet Loss学习得到的映射W'相乘，并将相乘所得结果作为1024维的人脸图像的CNN特征向量；
5)通过步骤4)得到的1024维人脸图像的CNN特征向量对二类SVM分类器的训练，得后的二类SVM分类器；
6)获取待测家庭中爸爸的N幅图片、妈妈的M幅图片及孩子的K幅图片，然后构建相片对集合，其中，所述相片对集合包括第一组相片对及第二组相片对，其中，第一组相片对包含N*K对相片，其中，第一组相片对中的各对图片中均包括一张爸爸的图片及一张孩子的图片，且第一组相片对中各对图片均不同；第二组相片对包括M*K对相片，其中，第二组图片对中的每对图片中均包括一张妈妈的图片及一张孩子的图片，且第二组相片对中各对图片均不同，选取相片对集合中的任意一对相片作为待处理对相片；
7)获取待处理相片对中的人脸A及人脸B，计算人脸A及人脸B的CNN特征向量，然后根据人脸A及人脸B的CNN特征向量构建特征向量pA,B，再将特征向量pA,B输入至训练后的二类SVM分类器中，得待处理对图片中人脸A与人脸B的相似度，其中，特征向量其中，fA为人脸A的CNN特征向量，fB为人脸B的CNN特征向量，g(x)为以x为自变量的一个均值为0、方差为1的高斯函数；
步骤7)中待处理对图片中人脸A与人脸B的相似度S(x)，其中，
其中，x为训练后的二类SVM分类器输出的决策值。
8)从相片对集合内剩余对相片中任意选取一对相片作为新的待处理对相片，然后转至步骤7)，直至遍历相片对集合中的所有对相片为止，得相片对集合中各对相片对应的相似度；
9)选取第一组相片对中各对相片对应相似度的最大值作为爸爸与孩子的最大相似度，选取第二组相片对中各对相片对应相似度的最大值作为妈妈与孩子的最大相似度，然后将爸爸与孩子的最大相似度和妈妈与孩子的最大相似度进行归一化，并将归一化的结果分别作为爸爸与孩子的最终相似度及妈妈与孩子的最终相似度，完成基于图像的亲子间人脸相似性度量计算。
步骤1)中通过P.Felzenszwalb、R.Girshick等人所描述的DPM方法对收集得到的家庭样本中爸爸、妈妈及孩子的图片进行人脸检测；若图片为黑白图片，则将黑白图片的单通道复制成三通道的彩色图片，然后再进行检测。
本发明中的VGG16卷积神经网络由Andrew Zisserman等人在自创建的数据库上训练得到的；整个39层卷积神经网络的输入为大小为224×224的三通道人脸图像，输出则选择第37层dropout层的4096维向量作为人脸图像的初始特征。由于39层卷积神经网络的训练数据集及测试数据集的数据分布并不相同，为了减小跨数据集测试的影响，将39层卷积神经网络的输出进行范数归一化，然后再使用映射函数W'∈R1024×4096映射成1024维，其中，W'通过最小化经验三元损失-Triplet Loss函数学习得到的，其中，最小化经验三元损失函数为：
其中，α≥0为一个代表学习间隙的固定标量，T为训练三元组，一个训练三元组(a,p,n)包含一个固定人脸a、一个能与固定人脸a相匹配的正样例人脸p以及不能与固定人脸a匹配的负样例人脸n；W'需要在测试数据集上学习得到。
采用Kumar等人提出的Attribute分类器方法通过步骤4)得到的1024维人脸图像的CNN特征向量对二类SVM分类器的训练，具体的，将数据训练集中图片两两组合成人脸对，若人脸对中是同一个人则作为正对，否则作为负对。其中对各对人脸中的人脸i及人脸j分别抽取1024维CNN特征向量fi及fj，然后将fi及fj进行归一化处理，再根据归一化后的CNN特征向量重新构建特征向量然后再将特征向量pi,j及其标签作为二类SVM分类器的输入，从而训练出一个基于人脸对的区分同类和异类的二类SVM分类器。
Claims (5)
1.一种基于图像的亲子间人脸相似性度量计算方法，其特征在于，包括以下步骤：
1)收集若干人的多幅图片，然后对收集得到的图片进行人脸检测；
2)裁剪步骤1)收集得到的图片中的人脸；
3)将步骤2)得到人脸图片进行去均值化；
4)将步骤3)得到的人脸图片输入至VGG16卷积神经网络，并选择第37层dropout层的4096维向量作为人脸图像的初始特征，再将所述人脸图像的初始特征与三元损失-TripletLoss学习得到的映射矩阵W'相乘，并将相乘所得结果作为1024维人脸图像的CNN特征向量；
5)通过步骤4)得到的1024维人脸图像的CNN特征向量对二类SVM分类器的训练，得训练后的二类SVM分类器；
6)获取待测家庭中爸爸的N幅图片、妈妈的M幅图片及孩子的K幅图片，然后构建相片对集合，其中，所述相片对集合包括第一组相片对及第二组相片对，其中，第一组相片对包含N*K对相片，其中，第一组相片对中的各对图片中均包括一张爸爸的图片及一张孩子的图片，且第一组相片对中各对图片均不同；第二组相片对包括M*K对相片，其中，第二组图片对中的每对图片中均包括一张妈妈的图片及一张孩子的图片，且第二组相片对中各对图片均不同，选取相片对集合中的任意一对相片作为待处理对相片；
7)获取待处理相片对中的人脸A及人脸B，计算人脸A及人脸B的CNN特征向量，然后根据人脸A及人脸B的CNN特征向量构建特征向量pA,B，再将特征向量pA,B输入至训练后的二类SVM分类器中，得待处理对图片中人脸A与人脸B的相似度；
8)从相片对集合内剩余对相片中任意选取一对相片作为新的待处理对相片，然后转至步骤7)，直至遍历相片对集合中的所有对相片为止，得相片对集合中各对相片对应的相似度；
9)选取第一组相片对中各对相片对应相似度的最大值作为爸爸与孩子的最大相似度，选取第二组相片对中各对相片对应相似度的最大值作为妈妈与孩子的最大相似度，然后将爸爸与孩子的最大相似度和妈妈与孩子的最大相似度进行归一化，并将归一化的结果分别作为爸爸与孩子的最终相似度及妈妈与孩子的最终相似度，完成基于图像的亲子间人脸相似性度量计算。
2.根据权利要求1所述的基于图像的亲子间人脸相似性度量计算方法，其特征在于，特征向量其中，fA为人脸A的CNN特征向量，fB为人脸B的CNN特征向量，g(x)为以x为自变量的一个均值为0、方差为1的高斯函数。
3.根据权利要求1所述的基于图像的亲子间人脸相似性度量计算方法，其特征在于，步骤7)中待处理对图片中人脸A与人脸B的相似度S(x)，其中，
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
其中，x为训练后的二类SVM分类器输出的决策值。
4.根据权利要求1所述的基于图像的亲子间人脸相似性度量计算方法，其特征在于，步骤2)还包括：将裁剪得到的人脸图片大小调整为224*224。
5.根据权利要求1所述的基于图像的亲子间人脸相似性度量计算方法，其特征在于，1)通过DPM方法对收集得到的图片进行人脸检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710736188.XA CN107563319A (zh) | 2017-08-24 | 2017-08-24 | 一种基于图像的亲子间人脸相似性度量计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710736188.XA CN107563319A (zh) | 2017-08-24 | 2017-08-24 | 一种基于图像的亲子间人脸相似性度量计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107563319A true CN107563319A (zh) | 2018-01-09 |
Family
ID=60976933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710736188.XA Pending CN107563319A (zh) | 2017-08-24 | 2017-08-24 | 一种基于图像的亲子间人脸相似性度量计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107563319A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875016A (zh) * | 2018-06-20 | 2018-11-23 | 上海百林通信网络科技服务股份有限公司 | 一种基于人脸识别应用的样本共享技术和评价方法 |
| CN109308731A (zh) * | 2018-08-24 | 2019-02-05 | 浙江大学 | 级联卷积lstm的语音驱动唇形同步人脸视频合成算法 |
| CN110287765A (zh) * | 2019-05-06 | 2019-09-27 | 平安科技（深圳）有限公司 | 基于人脸识别的宝宝长相预测方法、装置及存储介质 |
| 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 |
| CN111222548A (zh) * | 2019-12-30 | 2020-06-02 | Oppo广东移动通信有限公司 | 相似图像检测方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043820A (zh) * | 2009-10-26 | 2011-05-04 | 鸿富锦精密工业（深圳）有限公司 | 人脉关系分析系统及方法 |
| CN102467564A (zh) * | 2010-11-12 | 2012-05-23 | 中国科学院烟台海岸带研究所 | 一种基于改进支持向量机相关反馈的遥感图像检索方法 |
| US20150106372A1 (en) * | 2011-12-09 | 2015-04-16 | Primax Electronics Ltd. | Photo management system |
| 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 |
| CN105488463A (zh) * | 2015-11-25 | 2016-04-13 | 康佳集团股份有限公司 | 基于人脸生物特征的直系亲属关系识别方法及系统 |
-
2017
- 2017-08-24 CN CN201710736188.XA patent/CN107563319A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102043820A (zh) * | 2009-10-26 | 2011-05-04 | 鸿富锦精密工业（深圳）有限公司 | 人脉关系分析系统及方法 |
| CN102467564A (zh) * | 2010-11-12 | 2012-05-23 | 中国科学院烟台海岸带研究所 | 一种基于改进支持向量机相关反馈的遥感图像检索方法 |
| US20150106372A1 (en) * | 2011-12-09 | 2015-04-16 | Primax Electronics Ltd. | Photo management system |
| 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 |
| CN105488463A (zh) * | 2015-11-25 | 2016-04-13 | 康佳集团股份有限公司 | 基于人脸生物特征的直系亲属关系识别方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| FLORIAN SCHROFF ETC: "FaceNet: A Unified Embedding for Face Recognition and Clustering", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
| LEILI ETC: "Kinship Verification from Faces Via Similarity Metric Based Convolutional Neural Network", 《ICIAR 2016: IMAGE ANALYSIS AND RECOGNITION》 * |
| NEERAJ KUMAR 等: "Attribute and Simile Classifiers for Face Verification", 《IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
| OMKAR M.PARKHI 等: "Deep Face Recognition", 《BRITISH MACHINE VISION CONFERENCE》 * |
| SHANSHAN GUO ETC.: "Face Recognition Based on Convolutional Neural Network and Support Vector Machine", 《PROCEEDINGS OF THE IEEE》 * |
| 朱莉 等: "基于SVM和sigmoid函数的字符识别自适应学习算法", 《电子技术应用》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875016A (zh) * | 2018-06-20 | 2018-11-23 | 上海百林通信网络科技服务股份有限公司 | 一种基于人脸识别应用的样本共享技术和评价方法 |
| CN109308731A (zh) * | 2018-08-24 | 2019-02-05 | 浙江大学 | 级联卷积lstm的语音驱动唇形同步人脸视频合成算法 |
| 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 |
| CN110287765A (zh) * | 2019-05-06 | 2019-09-27 | 平安科技（深圳）有限公司 | 基于人脸识别的宝宝长相预测方法、装置及存储介质 |
| CN111222548A (zh) * | 2019-12-30 | 2020-06-02 | Oppo广东移动通信有限公司 | 相似图像检测方法、装置、设备及存储介质 |
| WO2021136027A1 (zh) * | 2019-12-30 | 2021-07-08 | Oppo广东移动通信有限公司 | 相似图像检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109815826B (zh) | 人脸属性模型的生成方法及装置 | |
| CN108304788B (zh) | 基于深度神经网络的人脸识别方法 | |
| Cong et al. | An iterative co-saliency framework for RGBD images | |
| KR102174595B1 (ko) | 비제약형 매체에 있어서 얼굴을 식별하는 시스템 및 방법 | |
| CN107633513B (zh) | 基于深度学习的3d图像质量的度量方法 | |
| CN107563319A (zh) | 一种基于图像的亲子间人脸相似性度量计算方法 | |
| CN106096535B (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
| Luo et al. | Group sparsity and geometry constrained dictionary learning for action recognition from depth maps | |
| CN106778796B (zh) | 基于混合式协同训练的人体动作识别方法及系统 | |
| CN104143079B (zh) | 人脸属性识别的方法和系统 | |
| Sandbach et al. | Markov random field structures for facial action unit intensity estimation | |
| Zhang et al. | Content-adaptive sketch portrait generation by decompositional representation learning | |
| CN108108699A (zh) | 融合深度神经网络模型和二进制哈希的人体动作识别方法 | |
| CN110674748A (zh) | 图像数据处理方法、装置、计算机设备以及可读存储介质 | |
| Manna et al. | Face recognition from video using deep learning | |
| CN110781897A (zh) | 一种基于深度学习的语义边缘检测方法 | |
| CN113705290A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| Chen et al. | Engineering deep representations for modeling aesthetic perception | |
| Chen et al. | A pornographic images recognition model based on deep one-class classification with visual attention mechanism | |
| Jang et al. | Analysis of deep features for image aesthetic assessment | |
| Cimmino et al. | M2FRED: Mobile masked face REcognition through periocular dynamics analysis | |
| CN109583406B (zh) | 基于特征关注机制的人脸表情识别方法 | |
| CN110675312A (zh) | 图像数据处理方法、装置、计算机设备以及存储介质 | |
| CN114841887A (zh) | 一种基于多层次差异学习的图像恢复质量评价方法 | |
| Morshed et al. | Customer’s spontaneous facial expression recognition |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
| RJ01 | Rejection of invention patent application after publication |