CN107688786A - 一种基于级联卷积神经网络的人脸检测方法 - Google Patents

一种基于级联卷积神经网络的人脸检测方法 Download PDF

Info

Publication number
CN107688786A
CN107688786A CN201710764628.2A CN201710764628A CN107688786A CN 107688786 A CN107688786 A CN 107688786A CN 201710764628 A CN201710764628 A CN 201710764628A CN 107688786 A CN107688786 A CN 107688786A
Authority
CN
China
Prior art keywords
face
neutral net
network
level
frame
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
CN201710764628.2A
Other languages
English (en)
Inventor
郑方园
李千目
杨洁
郭子晴
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201710764628.2A priority Critical patent/CN107688786A/zh
Publication of CN107688786A publication Critical patent/CN107688786A/zh
Pending legal-status Critical Current

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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06N3/0463—Neocognitrons
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

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

Abstract

本发明公开了一种基于级联卷积神经网络的人脸检测方法，该方法的实现包括训练和测试两个部分，首先进行图像预处理，对测试图像进行尺度变换，输入第一层级网络。其次在第一层级，采用全卷积网络生成人脸候选框。然后在第二层级，采用非极大值抑制的方法进一步过滤所得的人脸候选框。最后，在第三层网络，对人脸框进行筛选与进一步回归，对人脸进行最后一次过滤。本发明采用紧凑型神经网络，通过级联网络方法，增强图像数据特征，降低图像噪声，在精度和速度取得了良好的效果。

Description

一种基于级联卷积神经网络的人脸检测方法
技术领域
本发明涉及人脸检测领域，具体是一种基于级联卷积神经网络的人脸检测方法。
背景技术
卷积神经网络作为当今流行的计算机视觉处理方式，能够自动选取最优的特征提取算子，已经在目标检测领域大放异彩，人脸检测作为目标检测的一个分支同样也得到了相应的提升。本文提出了一种基于级联卷积神经网络的人脸检测方法，它采用紧凑型神经网络，通过级联网络方法，同传统卷积神经网络相比，在精度和速度取得了良好的效果。
人脸检测方法的第一步通常需要对图像进分割提名候选窗口，采用滑动窗口的方式为人脸检测方法中的一般选择，本文抛弃基于滑动窗口的人脸检测方法，采用全卷积神经网络进行候选框的生成，以此提高候选框的生成速度同时大幅降低人脸候选框的数量。
通常只将候选窗口类别分为两类：人脸区域与非脸区域，而对存在部分人脸的区域考量较少，在实际操作中，生成数据时能够轻易生成只包含背景的大量的样本和存在部分人脸的数据，而包含全部人脸的正样本数据则较为稀缺，无法充分利用存在部分人脸的数据。
发明内容
本发明的目的是提供一种基于级联卷积神经网络的人脸检测方法。
实现本发明目的的技术解决方案为：一种基于级联卷积神经网络的人脸检测方法，步骤如下：
(一)图像预处理，输入测试图像，对测试图像进行不同的尺度
变换，然后送入第一层级神经网络；
(二)第一层级神经网络采用全卷积神经网络生成人脸候选框；
(三)第二层级神经网络采用全卷积神经网络减少第一层级神经网络中所生成人脸候选框的数量，采用非极大值抑制的方法对剩余的人脸候选框进行进一步强化；
(四)第三层级神经网络根据预设的人脸完整性标准、人脸大小阈值和人脸位置阈值对强化后的人脸候选框进行筛选，通过深度回归方法对人脸进行最后一次过滤。
本发明与现有技术相比，其显著优点为：采用紧凑型神经网络，通过级联网络方法，增强图像数据特征，降低图像噪声，在精度和速度取得了良好的效果。
附图说明
图1是本发明方法的流程图。
图2是本发明级联卷积神经网络每个层级结果示意图。
图3是本发明级联卷积神经网络第一层级网络结构图。
图4是本发明级联卷积神经网络第二层级网络结构图。
图5是本发明级联卷积神经网络第三层级网络结构图。
图6是本发明级联卷积神经网络第二层级有无全连接层ROC比较结果图。
图7是本发明FDDB测评结果示意图。
图8是本发明的仿真结果图。
具体实施方式
本发明将卷积神经网络的层级分为三层，第一层网络负责生成人脸候选框，第二层网络负责对人脸框的进一步强化，第三层网络对人脸框进行筛选与人脸框的进一步回归。
本发明一种基于级联卷积神经网络的人脸检测方法，包括下列步骤：
第一步，经过图像预处理后，输入一张12*12的三通道图像，通过全卷积神经网络算法快速生成人脸候选框，为第二层级的输入提供判别数据。本层级神经网络最终将输入的区域分为3类——人脸区域、部分人脸区域、非人脸区域，同时预测人脸区域和部分人脸区域的人脸框的相对位置。为了同时利用部分人脸与全脸所生成的概率，本文提出以下方法来合并的部分人脸与全脸的概率图：
p'(i,j)＝λ·pf(i,j)+μ·pp(i,j)
其表示p′(i，j)点(i,j)合并后的数值，pf(i，j)为(i,j)处的全脸概率，pp(i，j)为点(i,j)处的部分脸的概率，其中λ＝0.3，μ＝0.7。本层级神经网络的最终将输入的区域分为3类——人脸区域、部分人脸区域、非人脸区域，同时预测人脸区域和部分人脸区域的人脸框的相对位置，用于人脸框的提精。
第二步，第二层层级的网络是一个多任务的二分类网络，与第一层级的目标不同，其目的在于减少第一层中所生成的人脸候选框的数量，出于速度考虑，第二层级仍采用与第一层级网络类似的网络结构，同样为全卷积的结构，有效加速了网络的前向运算速度。与第一层级类似，本层的网络结构输出对人脸框的相对偏移进行预测。在前向运算计算完毕后，本层级仍采用非极大值抑制的方法进一步过滤所得的人脸候选框。
第三步，第三层层级用于对人脸进行最后一次过滤，出于精度考虑，与前两个层级不同，在本层级的网络结构中采用了全连接层，与第二层级网络类似，第三层级的网络是一个多任务的二分类网络结构，输出为人脸框的类别和人脸的位置。本层级的网络结构输入为48*48的3通道图像，更大的输入保留了更多的信息，同时提高了网络的精度。在本层级的网络结构中，网络结构相较前两层级结构相对复杂，耗时相对较长。
第四步，实验分析与仿真结果：在第一层级网络中，本文将全脸样本、非脸样本和部分人脸样本分别作为用作人脸的分类训练，同时将全脸和部分人脸的人脸框作为人脸框回归训练数据。在第二层级网络中，只将全连样本与非脸样本作为人脸分类的训练数据，将全脸样本与部分人脸数据作为人脸框的回归训练数据，第三层级的网络训练方式与第二层级类似。第一层级的训练数据由随机截取产生，第二层级的训练数据由第一层级的网络产生，第三层级的训练数据由第一第二层级产生。
本发明将损失函数分为两部分，分别针对人脸分类和人脸框的回归。人脸分类采用对数损失，公式如下：
其中N为样本数量，M为类别数量，yij为一个二进制的变量表示样本i，pij表示样本i属于类j的可能性。
人脸框的损失函数采用均方误差，其公式如下
其中N为样本数量,为检测所得的人脸框，yi为正确的人脸位置。
进一步的，给出人脸框损失函数的均方误差对收集自WIDER FAC包含32,203 图片和393,703张有标签的人脸，其中人脸数据包含多尺度、多姿态的人脸样本数据进行训练并且绘制曲线图。
进一步的，利用FDDB测评集方法验证卷积神经网络的正确性。
本发明的训练数据收集自WIDER FACE,它包含32,203图片和393,703张有标签的人脸，其中人脸数据包含多尺度、多姿态的人脸。运用FDDB测评集评价方法精确性。FDDB是时下最流行、最权威的人脸检测评测集之一，它主要应用于无约束条件下人脸的检测方法的评测。它包含2485张图片和5171张有标签的人脸，数据收集于Yahoo新闻，FDDB的标签为椭圆形人脸。
本发明充分利用了所生成的数据，前两个级联结构舍弃了卷积全连接层，而舍弃全连接层的前向运算速度能够提高50％的前向运算速度。
下面结合附图对本发明作进一步描述。
(1)参考附图1，本发明具体流程可划分为以下四部分，首先进行图像预处理，对测试图像进行尺度变换，输入第一层级网络。其次在第一层级，采用全卷积网络生成人脸候选框。然后在第二层级，采用非极大值抑制的方法进一步过滤所得的人脸候选框。最后，在第三层网络，对人脸框进行筛选与进一步回归，对人脸进行最后一次过滤。
(2)参考附图2，第一层网络负责生成人脸候选框：采用全卷积网络(全卷积网络)生成人脸候选框。第一层级神经网络最终将输入的区域分为3类——人脸区域、部分人脸区域、非人脸区域，同时预测人脸区域和部分人脸区域的人脸框的相对位置，用于人脸框的提精。其中每张图分别代表：(a)原图；(b)在初始尺度下部分人脸置信热度图；(c)在初始尺度下根据全脸生成的概率热度图； (d)λ＝0.9,μ＝0.1合并后的热度图。
(3)参考附图3，本层级神经网络最终将输入的区域分为3类——人脸区域、部分人脸区域、非人脸区域，同时预测人脸区域和部分人脸区域的人脸框的相对位置，用于人脸框的提精。设经过图像预处理后，输入一张12*12的三通道图像，经过通过全卷积神经网络快速生成人脸候选框，为接下来的两个层级提供判别数据。
(4)参考附图4，第二层层级的网络是一个多任务的二分类网络，与第一层级的目标不同，其目的在于减少第一层中所生成的人脸候选框的数量，出于速度考虑，第二层级仍采用与第一层级网络类似的网络结构，同样为全卷积的结构，有效加速了网络的前向运算速度。
(5)参考附图5，与第二层级网络类似，第三层级的网络是一个多任务的二分类网络结构，输出为人脸框的类别和人脸的位置。本层级的网络结构输入为 48*48的3通道图像，更大的输入保留了更多的信息，同时提高了网络的精度。在本层级的网络结构中，网络结构相较前两层级结构相对复杂，耗时相对较长。
(6)参考附图6，第二层网络负责对人脸框的进一步强化：采用全卷积网络减少第一层中所生成的人脸候选框的数量。为验证网络层结构舍弃全连接层依然能够获得较好的精度表现，本文在第一层级相同的条件下，本文比较了第二层级有全连接层与无全连接层的网络结构在FDDB上的ROC曲线，结果如图5所示。图中表明随着假正数增长，两种网络的结构的真正类趋近相同，在假正数较小的条件下，有全连接层结构的网络能够较早的获得比较高的召回率，但只提高了不到1％的召回率，而无全连层结构的网络在假正数不断增大的情况下，超参数量却减少了一半，这表明本文在前两个层级使用全卷积网络的正确性。
(7)参考附图7，第三层网络对人脸框进行筛选与人脸框的进一步回归：对人脸进行最后一次过滤。从图,中不难发现本发明所提出的方法的表现超过现有的大多数学术方法和商业方法，方法精度达到94.3％。为验证网络层结构舍弃全连接层依然能够获得较好的精度表现，本发明在第一层级相同的条件下，本发明比较了第二层级有全连接层与无全连接层的网络结构在FDDB上的ROC曲线，图中表明随着假正数增长，两种网络的结构的真正类趋近相同，在假正数较小的条件下，有全连接层结构的网络能够较早的获得比较高的召回率，但只提高了不到1％的召回率，而无全连层结构的网络在假正数不断增大的情况下，超参数量却减少了一半，这表明本发明在前两个层级使用全卷积网络的正确性。
(8)参考附图8，该部分图为仿真结果，通过仿真，不难发现本发明所提出的方法的表现达到商业方法的水平，方法精度达到97.5％。为验证网络层结构舍弃全连接层依然能够获得较好的精度表现。在该图中，人脸区域、部分人脸区域、非人脸区域，系统可以自动分辨，并提取人脸区域，对图像做预处理，获得 12*12的三通道图像，第二层网络对人脸部分进行强化，第三层网络对人脸框进行筛选与人脸框的进一步回归，获得最后的人脸图像，保存。

Claims (4)

1.一种基于级联卷积神经网络的人脸检测方法，其特征在于步骤如下：
(一)图像预处理，输入测试图像，对测试图像进行不同的尺度变换，然后送入第一层级神经网络；
(二)第一层级神经网络采用全卷积神经网络生成人脸候选框；
(三)第二层级神经网络采用全卷积神经网络减少第一层级神经网络中所生成人脸候选框的数量，采用非极大值抑制的方法对剩余的人脸候选框进行进一步强化；
(四)第三层级神经网络根据预设的人脸完整性标准、人脸大小阈值和人脸位置阈值对强化后的人脸候选框进行筛选，通过深度回归方法对人脸进行最后一次过滤。
2.根据权利要求1所述的基于级联卷积神经网络的人脸检测方法，其特征在于：所述步骤(一)中输入的测试图像为三通道图像。
3.根据权利要求1所述的基于级联卷积神经网络的人脸检测方法，其特征在于：所述步骤(二)中，第一层级神经网络采用以下方法合并部分人脸与全脸的概率图：
p'(i,j)＝λ·pf(i,j)+μ·pp(i,j)
其表示p′(i，j)点(i,j)合并后的数值，pf(i，j)为(i,j)处的全脸概率，pp(i，j)为点(i,j)处的部分脸的概率，本层级神经网络最终将输入的区域分为3类——人脸区域、部分人脸区域、非人脸区域，同时预测人脸区域和部分人脸区域的人脸框的相对位置。
4.根据权利要求1所述的基于级联卷积神经网络的人脸检测方法，其特征在于：第三层级神经网络采用全连接层，输出为人脸框的类别和人脸的位置。
CN201710764628.2A 2017-08-30 2017-08-30 一种基于级联卷积神经网络的人脸检测方法 Pending CN107688786A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710764628.2A CN107688786A (zh) 2017-08-30 2017-08-30 一种基于级联卷积神经网络的人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710764628.2A CN107688786A (zh) 2017-08-30 2017-08-30 一种基于级联卷积神经网络的人脸检测方法

Publications (1)

Publication Number Publication Date
CN107688786A true CN107688786A (zh) 2018-02-13

Family

ID=61155741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710764628.2A Pending CN107688786A (zh) 2017-08-30 2017-08-30 一种基于级联卷积神经网络的人脸检测方法

Country Status (1)

Country Link
CN (1) CN107688786A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108537208A (zh) * 2018-04-24 2018-09-14 厦门美图之家科技有限公司 一种多尺度的人脸检测方法及计算设备
WO2018188453A1 (zh) * 2017-04-11 2018-10-18 腾讯科技（深圳）有限公司 人脸区域的确定方法、存储介质、计算机设备
CN108875624A (zh) * 2018-06-13 2018-11-23 华南理工大学 基于多尺度的级联稠密连接神经网络的人脸检测方法
CN109118456A (zh) * 2018-09-26 2019-01-01 北京字节跳动网络技术有限公司 图像处理方法和装置
CN109145854A (zh) * 2018-08-31 2019-01-04 东南大学 一种基于级联卷积神经网络结构的人脸检测方法
CN109684992A (zh) * 2018-12-21 2019-04-26 联创汽车电子有限公司 行为检测系统及其检测方法
CN109829371A (zh) * 2018-12-26 2019-05-31 深圳云天励飞技术有限公司 一种人脸检测方法及装置
CN109886073A (zh) * 2018-12-26 2019-06-14 深圳云天励飞技术有限公司 一种图像检测方法及装置
CN109993086A (zh) * 2019-03-21 2019-07-09 北京华捷艾米科技有限公司 人脸检测方法、装置、系统及终端设备
CN110866484A (zh) * 2019-11-11 2020-03-06 珠海全志科技股份有限公司 驾驶员人脸检测方法、计算机装置及计算机可读存储介质
CN111209903A (zh) * 2020-04-21 2020-05-29 亮风台（上海）信息科技有限公司 一种人脸检测的方法与设备
WO2020177217A1 (zh) * 2019-03-04 2020-09-10 东南大学 基于变尺度多特征融合卷积网络的路侧图像行人分割方法
CN111753598A (zh) * 2019-03-29 2020-10-09 中国联合网络通信集团有限公司 人脸检测方法及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8194938B2 (en) * 2009-06-02 2012-06-05 George Mason Intellectual Properties, Inc. Face authentication using recognition-by-parts, boosting, and transduction
CN102799877A (zh) * 2012-09-11 2012-11-28 上海中原电子技术工程有限公司 人脸图像筛选方法及系统
CN106203387A (zh) * 2016-07-21 2016-12-07 乐视控股（北京）有限公司 人脸验证方法及系统
CN106650575A (zh) * 2016-09-19 2017-05-10 北京小米移动软件有限公司 人脸检测方法及装置
CN106874868A (zh) * 2017-02-14 2017-06-20 北京飞搜科技有限公司 一种基于三级卷积神经网络的人脸检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8194938B2 (en) * 2009-06-02 2012-06-05 George Mason Intellectual Properties, Inc. Face authentication using recognition-by-parts, boosting, and transduction
CN102799877A (zh) * 2012-09-11 2012-11-28 上海中原电子技术工程有限公司 人脸图像筛选方法及系统
CN106203387A (zh) * 2016-07-21 2016-12-07 乐视控股（北京）有限公司 人脸验证方法及系统
CN106650575A (zh) * 2016-09-19 2017-05-10 北京小米移动软件有限公司 人脸检测方法及装置
CN106874868A (zh) * 2017-02-14 2017-06-20 北京飞搜科技有限公司 一种基于三级卷积神经网络的人脸检测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HAOXIANG LI ET AL: "A Convolutional Neural Network Cascade for Face Detection", 《2015 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION（CVPR）》 *
KAIPENG ZHANG ET AL: "Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks", 《IEEE SIGNAL PROCESSING LETTERS》 *
XIAOHUI SHEN ET AL.: "Detecting and Aligning Faces by Image Retrieval", 《2013 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
艾英山 等: "基于加权特征脸法的人脸识别", 《微计算机信息》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018188453A1 (zh) * 2017-04-11 2018-10-18 腾讯科技（深圳）有限公司 人脸区域的确定方法、存储介质、计算机设备
CN108537208A (zh) * 2018-04-24 2018-09-14 厦门美图之家科技有限公司 一种多尺度的人脸检测方法及计算设备
CN108875624A (zh) * 2018-06-13 2018-11-23 华南理工大学 基于多尺度的级联稠密连接神经网络的人脸检测方法
CN109145854A (zh) * 2018-08-31 2019-01-04 东南大学 一种基于级联卷积神经网络结构的人脸检测方法
CN109118456B (zh) * 2018-09-26 2021-07-23 北京字节跳动网络技术有限公司 图像处理方法和装置
CN109118456A (zh) * 2018-09-26 2019-01-01 北京字节跳动网络技术有限公司 图像处理方法和装置
CN109684992A (zh) * 2018-12-21 2019-04-26 联创汽车电子有限公司 行为检测系统及其检测方法
CN109829371A (zh) * 2018-12-26 2019-05-31 深圳云天励飞技术有限公司 一种人脸检测方法及装置
CN109886073A (zh) * 2018-12-26 2019-06-14 深圳云天励飞技术有限公司 一种图像检测方法及装置
CN109829371B (zh) * 2018-12-26 2022-04-26 深圳云天励飞技术有限公司 一种人脸检测方法及装置
US11783594B2 (en) 2019-03-04 2023-10-10 Southeast University Method of segmenting pedestrians in roadside image by using convolutional network fusing features at different scales
WO2020177217A1 (zh) * 2019-03-04 2020-09-10 东南大学 基于变尺度多特征融合卷积网络的路侧图像行人分割方法
CN109993086A (zh) * 2019-03-21 2019-07-09 北京华捷艾米科技有限公司 人脸检测方法、装置、系统及终端设备
CN109993086B (zh) * 2019-03-21 2021-07-27 北京华捷艾米科技有限公司 人脸检测方法、装置、系统及终端设备
CN111753598A (zh) * 2019-03-29 2020-10-09 中国联合网络通信集团有限公司 人脸检测方法及设备
CN110866484B (zh) * 2019-11-11 2022-09-09 珠海全志科技股份有限公司 驾驶员人脸检测方法、计算机装置及计算机可读存储介质
CN110866484A (zh) * 2019-11-11 2020-03-06 珠海全志科技股份有限公司 驾驶员人脸检测方法、计算机装置及计算机可读存储介质
CN111209903A (zh) * 2020-04-21 2020-05-29 亮风台（上海）信息科技有限公司 一种人脸检测的方法与设备

Similar Documents

Publication Publication Date Title
CN107688786A (zh) 一种基于级联卷积神经网络的人脸检测方法
CN108549841A (zh) 一种基于深度学习的老人跌倒行为的识别方法
WO2017143921A1 (zh) 一种多重抽样模型训练方法及装置
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
CN109886307A (zh) 一种基于卷积神经网络的图像检测方法及系统
CN107609399A (zh) 基于nin神经网络的恶意代码变种检测方法
CN107133955B (zh) 一种多层次结合的协同显著性检测方法
CN108520219A (zh) 一种卷积神经网络特征融合的多尺度快速人脸检测方法
CN112884712B (zh) 一种显示面板缺陷分类的方法及相关装置
US8566069B2 (en) Method for geologically modeling seismic data by trace correlation
CN106980858A (zh) 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN111145145B (zh) 一种基于MobileNets的图像表面缺陷检测方法
CN108229550A (zh) 一种基于多粒度级联森林网络的云图分类方法
CN107358182A (zh) 行人检测方法及终端设备
CN108319855A (zh) 一种基于深度森林的恶意代码分类方法
CN108022146A (zh) 征信数据的特征项处理方法、装置、计算机设备
CN110211127B (zh) 基于双相关性网络的图像分割方法
CN107909027A (zh) 一种具有遮挡处理的快速人体目标检测方法
CN108288270A (zh) 一种基于通道修剪与全卷积深度学习的目标检测方法
CN106651373A (zh) 一种混合欺诈交易检测分类器建立方法及装置
CN108805863A (zh) 深度卷积神经网络结合形态学检测图像变化的方法
CN108629369A (zh) 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法
CN109711401A (zh) 一种基于Faster Rcnn的自然场景图像中的文本检测方法
CN113269121B (zh) 一种基于融合cnn模型的渔船捕捞状态识别方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180213