CN107742116A - 一种婴儿情绪变化检测和识别的方法 - Google Patents
一种婴儿情绪变化检测和识别的方法 Download PDFInfo
- Publication number
- CN107742116A CN107742116A CN201711115282.XA CN201711115282A CN107742116A CN 107742116 A CN107742116 A CN 107742116A CN 201711115282 A CN201711115282 A CN 201711115282A CN 107742116 A CN107742116 A CN 107742116A
- Authority
- CN
- China
- Prior art keywords
- picture
- characteristic
- size
- parameter file
- classification
- 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
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
- G06V40/174—Facial expression recognition
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种婴儿情绪变化检测和识别的方法,该方法的主要实现过程为:采集婴儿情绪的各种角度、光照、环境、姿态的图片数据;对采集的图片数据进行预处理,形成情绪分类人脸图片集;对所述情绪分类人脸图片集进行训练,建立特征权重参数文件库;获取新采集的图片的特征参数文件;与特征权重参数文件库比对,确定新采集的图片的对应的婴儿情绪类别,形成特征权重参数文件库自主学习。本发明通过视觉设备采集图片,利用深度学习方法,采用特征提取网络对图片数据分析,可高效完成婴儿正常、不开心、哭、吃手、侧睡、正常睡、笑、开心、撅嘴、睁开眼睛等情绪变化的检测和识别。
Description
技术领域
本发明涉及情绪检测技术领域,尤其涉及一种婴儿情绪变化检测和识别的方法。
背景技术
现有的婴儿情绪检测技术使用传统视觉技术和环境数据,检测结果准确度不够,且容易受环境因素的影响,很多都没考虑准确率,只是提出概念,且缺乏夜间工作的能力。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种婴儿情绪变化检测和识别的方法,采用深度学习技术进行检测和识别,避免周围湿度和温度的变化而影响检测和识别结果,提高准确率。
为解决上述技术问题,本发明所采用的技术方案是:一种婴儿情绪变化检测和识别的方法,包括以下步骤:
1)采集婴儿情绪的各种角度、光照、环境、姿态的图片数据;
2)对采集的图片数据进行预处理,将图片数据中的婴儿情绪转化为情绪数值,根据情绪数值边界值划分图片数据的情绪类别,形成情绪分类人脸图片集;
3)利用深度学习方法,采用特征提取网络对所述情绪分类人脸图片集的每张图片进行特征提取和训练,然后将每张图片最终提取到的一维特征关联到图片对应的类别,将所述类别写入到特征权重参数文件库;
4)对新采集的图片,利用深度学习方法,采用所述特征提取网络进行特征提取,获得特征参数文件;
5)将所述特征参数文件与特征权重参数文件库比对,取特征参数文件与所述特征权重参数文件库中最相似的类别,若所述最相似类别的相似度小于或等于比对阀值,重复步骤4);若相似度大于比对阀值,确定新采集的图片对应的婴儿情绪类别,同时重复步骤2)和步骤3),形成特征权重参数文件库自主学习决策。
所述情绪类别包括:正常、不开心、哭、吃手、侧睡、正常睡、笑、开心、撅嘴、睁开眼睛。
所述图片预处理采用人脸检测标记法,具体实现过程包括:对所述采集的图片数据进行人脸检测,当检测到人脸,标记人脸在图片中的位置,得到图片中人脸区域的第一个像素的横坐标和纵坐标、整个人脸区域在图片中的宽度和高度,然后将人脸部分的图片截取;当特征权重参数文件未建立,提示人工对所述人脸图片划分类别;当特征权重参数文件已经建立,取得所述新采集的图片对应的婴儿情绪类别,将人脸图片与已知序号关联。从而人脸图片数据转化为情绪数值,根据情绪数值边界值,形成情绪分类人脸图片集。
所述情绪数值边界值初始值为0.6。
所述比对阀值为0.6。
所述特征提取网络包括4个卷积层、4个池化层、2个全连接操作层、1个激活函数。
所述特征提取网络的具体提取过程包括:
1)对人脸图片集中的每张图片按设置的卷积核5x5使用卷积操作,输出一个尺寸为124x124的特征层;
2)对124x124的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸62x62的特征提取层;
3)对62x62的特征提取层,设置卷积核5x5,使用卷积操作,输出一个尺寸58x58的特征层;
4)对58x58的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸29x29的特征提取层;
5)对29x29的特征层,按设置卷积核5x5使用卷积操作,输出一个尺寸25x25的特征层;
6)对25x25的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸13x13的特征层;
7)对13x13的特征层,按设置卷积核5x5使用卷积操作,输出一个尺寸9x9的特征层;
8)对9x9的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸5x5的特征层;
9)对5x5的特征层,按照全连接技术进行将特征层的多维数据压缩成大小为500的一维特征;
10)对大小为500的一维特征,使用ReLU激活函数,使得向量之间的数据之间相互依赖,输出500的一维特征;
11)对ReLU函数输出的一维特征,按照全连接技术进行将一维特征的多维数据压缩成大小为10的一维特征。
与现有技术相比,本发明所具有的有益效果为:本发明采用深度学习技术对婴儿情绪进行检测和识别,可以有效避免周围湿度和温度的变化而影响检测和识别结果,提高了检测和识别准确率。
附图说明
图1为本发明情绪识别过程图;
图2为本发明图片数据中转化为情绪数值的流程图;
图3为本发明特征提取网络的架构图。
具体实施方式
本发明提供一种婴儿情绪变化检测和识别的方法,过程包括:
采集婴儿情绪的各种角度、光照、环境、姿态的图片数据;
对采集的图片数据进行预处理,将图片数据中的婴儿情绪转化为情绪数值,根据情绪数值边界值划分图片数据的情绪类别(新采集的图片根据步骤5判定图片数据的情绪类别),形成情绪分类人脸图片集;
利用深度学习方法,采用特征提取网络对所述情绪分类人脸图片集进行训练,建立特征权重参数文件库;
对新采集的图片同样利用深度学习方法,采用所述特征提取网络进行特征提取,获得特征参数文件;
将新采集的图片数据特征参数文件与特征权重参数文件库比对,取所述特征权重参数文件库中最相似的类别,设置比对阀值,小于等于比对阀值后,重复步骤4;大于比对阀值后,确定新采集的图片的对应的婴儿情绪类别,同时新采集的图片数据重复步骤2和步骤3,形成特征权重参数文件库自主学习决策。
检测婴儿的情绪有:婴儿正常、婴儿不开心、婴儿哭、婴儿吃手、婴儿侧睡、婴儿正常睡、婴儿笑、婴儿开心、婴儿撅嘴、婴儿睁开眼睛。
具体实施方式为:
数据采集的实现过程:随机收集上述几类情绪的各种角度、光照、不同婴儿、环境、姿态的图像数据,光照图片数据包括白天的不同明暗亮度和晚上的夜视光照下的数据,每个类别需要10张以上。
数据预处理的实现过程:1)采用现有人脸检测标记法,对所叙采集的图像数据进行人脸检测,当检测到人脸,标记人脸在图片中的位置,得到图片中人脸区域的第一个像素的x和y、整个人脸区域在图片中的宽度和高度,然后将人脸部分的图片截取;2)归类,当特征权重参数文件未建立,提示人工对人脸图片划分类别;当特征权重参数文件已经建立,取得新采集的图片对应的婴儿情绪类别,将人脸图片与该类别关联。
训练的实现过程:基于机器学习技术,按照图3所示的特征提取网络对预处理后的人脸图片集进行特征提取和训练,将每张图片最终提取到的一维特征关联到图片对应的类别,最终写入到特征权重参数文件。
深度学习的网络模型由大量的简单神经元组成,每层神经元接受更低层的神经元的输入,通过输入和输出的非线性关系,将低层特征组合成更高层的抽象表示,并得到数据的特征。
所述特征提取网络包括了4个卷积层、4个池化层、2个全连接、1个激活函数,所述提取过程:1)对采集的图片按设置卷积核5x5使用现有卷积操作,输出一个尺寸124x124的特征层;2)对124x124的特征提取层,设置池化核大小为2使用现有的最大池化技术进行池化操作,输出一个尺寸62x62的特征提取层;3)对62x62的特征层,设置卷积核5x5使用现有卷积操作,输出一个尺寸58x58的特征层;4)对58x58的特征层,设置池化核大小为2使用现有的最大池化技术进行池化操作,输出一个尺寸29x29的特征提取层;5)对29x29的特征层,按设置卷积核5x5使用现有卷积操作,输出一个尺寸25x25的特征层;6)对25x25的特征层,设置池化核大小为2使用现有的最大池化技术进行池化操作,输出一个尺寸13x13的特征层;7)对13x13的特征层,按设置卷积核5x5使用现有卷积操作,输出一个尺寸9x9的特征层;8)对9x9的特征提取层,设置池化核大小为2使用现有的最大池化技术进行池化操作,输出一个尺寸5x5的特征提取层;9)对5x5的特征层,按照现有的全连接技术进行将特征层的多维数据压缩成大小为500的一维特征;10)对大小为500的一维特征,使用现有的ReLU激活函数,使得向量之间的数据之间相互依赖,提高准确率,输出500的一维特征;11)对ReLU函数输出的一维特征层,按照现有的全连接技术将特征层的多维数据压缩成大小为10的一维特征;
识别同样基于深度学习技术,其实现过程:1)加载上述训练的模型参数(即权重文件参数文件)初始化特征提取网络的参数;2)对新采集的图片按照图3所示特征提取网络进行特征提取,最终得到一个特征参数文件(即特征提取最终得到的大小为10的一维特征);3)对所述特征参数文件和所述权重参数文件中的库中每个特征逐一计算两组特征中的点之间的相似度,取相似度最大且相似度大于阈值0.6,输出库中某个一维特征层的序号,即为情绪类别。
自主学习决策的实现过程:1)一种婴儿情绪变化检测和识别的方法中步骤5已判定情绪类别的新采集图片,将图片数据中的婴儿情绪转化为情绪数值;2)当情绪数值大于情绪数值边界值的初始值0.6时,确定存入情绪分类人脸图片集,否则放弃该图片;3)重复一种婴儿情绪变化检测和识别的方法步骤3,丰富特征权重参数文件库,形成特征权重参数文件库自主学习决策。
Claims (7)
1.一种婴儿情绪变化检测和识别的方法,其特征在于,包括以下步骤:
1)采集婴儿情绪的各种角度、光照、环境、姿态的图片数据;
2)对采集的图片数据进行预处理,将图片数据中的婴儿情绪转化为情绪数值,根据情绪数值边界值划分图片数据的情绪类别,形成情绪分类人脸图片集;
3)利用深度学习方法,采用特征提取网络对所述情绪分类人脸图片集的每张图片进行特征提取和训练,然后将每张图片最终提取到的一维特征关联到图片对应的类别,将所述类别写入到特征权重参数文件库;
4)对新采集的图片,利用深度学习方法,采用所述特征提取网络进行特征提取,获得特征参数文件;
5)将所述特征参数文件与特征权重参数文件库比对,取特征参数文件与所述特征权重参数文件库中最相似的类别,若所述最相似类别的相似度小于或等于比对阀值,重复步骤4);若相似度大于比对阀值,确定新采集的图片对应的婴儿情绪类别,同时重复步骤2)和步骤3),形成特征权重参数文件库自主学习决策。
2.根据权利要求1所述的婴儿情绪变化检测和识别的方法,其特征在于,所述情绪类别包括:正常、不开心、哭、吃手、侧睡、正常睡、笑、开心、撅嘴、睁开眼睛。
3.根据权利要求1所述的婴儿情绪变化检测和识别的方法,其特征在于,所述图片预处理采用人脸检测标记法,具体实现过程包括:对所述采集的图片数据进行人脸检测,当检测到人脸,标记人脸在图片中的位置,得到图片中人脸区域的第一个像素的横坐标和纵坐标、整个人脸区域在图片中的宽度和高度,然后将人脸部分的图片截取;当特征权重参数文件未建立,提示人工对所述人脸图片划分类别;当特征权重参数文件已经建立,取得所述新采集的图片对应的婴儿情绪类别,将人脸图片与已知序号关联,从而人脸图片数据转化为情绪数值,根据情绪数值边界值,形成情绪分类人脸图片集。
4.根据权利要求3所述的婴儿情绪变化检测和识别的方法,其特征在于,所述情绪数值边界值初始值为0.6。
5.根据权利要求1所述的婴儿情绪变化检测和识别的方法,其特征在于,所述比对阀值为0.6。
6.根据权利要求1所述的婴儿情绪变化检测和识别的方法,其特征在于,所述特征提取网络包括4个卷积层、4个池化层、2个全连接操作层、1个激活函数。
7.根据权利要求1所述的婴儿情绪变化检测和识别的方法,其特征在于,所述特征提取网络的具体提取过程包括:
1)对人脸图片集中的每张图片按设置的卷积核5x5使用卷积操作,输出一个尺寸为124x124的特征层;
2)对124x124的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸62x62的特征提取层;
3)对62x62的特征提取层,设置卷积核5x5,使用卷积操作,输出一个尺寸58x58的特征层;
4)对58x58的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸29x29的特征提取层;
5)对29x29的特征层,按设置卷积核5x5使用卷积操作,输出一个尺寸25x25的特征层;
6)对25x25的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸13x13的特征层;
7)对13x13的特征层,按设置卷积核5x5使用卷积操作,输出一个尺寸9x9的特征层;
8)对9x9的特征层,设置池化核大小为2,使用最大池化技术进行池化操作,输出一个尺寸5x5的特征层;
9)对5x5的特征层,按照全连接技术进行将特征层的多维数据压缩成大小为500的一维特征;
10)对大小为500的一维特征,使用ReLU激活函数,使得向量之间的数据之间相互依赖,输出500的一维特征;
11)对ReLU函数输出的一维特征,按照全连接技术进行将一维特征的多维数据压缩成大小为10的一维特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711115282.XA CN107742116A (zh) | 2017-11-13 | 2017-11-13 | 一种婴儿情绪变化检测和识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711115282.XA CN107742116A (zh) | 2017-11-13 | 2017-11-13 | 一种婴儿情绪变化检测和识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107742116A true CN107742116A (zh) | 2018-02-27 |
Family
ID=61234531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711115282.XA Pending CN107742116A (zh) | 2017-11-13 | 2017-11-13 | 一种婴儿情绪变化检测和识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107742116A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710820A (zh) * | 2018-03-30 | 2018-10-26 | 百度在线网络技术(北京)有限公司 | 基于人脸识别的婴儿状态识别方法、装置和服务器 |
CN109583419A (zh) * | 2018-12-13 | 2019-04-05 | 深圳市淘米科技有限公司 | 一种基于深度卷积网络的情绪预测系统 |
CN109815817A (zh) * | 2018-12-24 | 2019-05-28 | 北京新能源汽车股份有限公司 | 一种驾驶员的情绪识别方法及音乐推送方法 |
CN110222623A (zh) * | 2019-05-31 | 2019-09-10 | 深圳市恩钛控股有限公司 | 微表情研判方法和系统 |
CN112287851A (zh) * | 2020-11-02 | 2021-01-29 | 浙江工商大学 | 基于嵌入式视觉的婴儿情绪识别方法 |
CN113076905A (zh) * | 2021-04-16 | 2021-07-06 | 华南理工大学 | 一种基于上下文交互关系的情绪识别方法 |
CN114710555A (zh) * | 2022-06-06 | 2022-07-05 | 深圳市景创科技电子股份有限公司 | 一种婴儿监护方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354228A (zh) * | 2015-09-30 | 2016-02-24 | 小米科技有限责任公司 | 相似图搜索方法及装置 |
CN105678232A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的人脸图片特征提取与对比方法 |
CN106777349A (zh) * | 2017-01-16 | 2017-05-31 | 广东工业大学 | 基于深度学习的人脸检索系统及方法 |
-
2017
- 2017-11-13 CN CN201711115282.XA patent/CN107742116A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354228A (zh) * | 2015-09-30 | 2016-02-24 | 小米科技有限责任公司 | 相似图搜索方法及装置 |
CN105678232A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于深度学习的人脸图片特征提取与对比方法 |
CN106777349A (zh) * | 2017-01-16 | 2017-05-31 | 广东工业大学 | 基于深度学习的人脸检索系统及方法 |
Non-Patent Citations (4)
Title |
---|
产文涛: "基于卷积神经网络的人脸表情和性别识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
卢官明 等: "一种用于人脸表情识别的卷积神经网络", 《南京邮电大学学报(自然科学版)》 * |
牛新亚: "基于深度学习的人脸表情识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
路文平: "人脸检测和识别技术及其在婴幼儿视频监控中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710820A (zh) * | 2018-03-30 | 2018-10-26 | 百度在线网络技术(北京)有限公司 | 基于人脸识别的婴儿状态识别方法、装置和服务器 |
CN109583419A (zh) * | 2018-12-13 | 2019-04-05 | 深圳市淘米科技有限公司 | 一种基于深度卷积网络的情绪预测系统 |
CN109815817A (zh) * | 2018-12-24 | 2019-05-28 | 北京新能源汽车股份有限公司 | 一种驾驶员的情绪识别方法及音乐推送方法 |
CN110222623A (zh) * | 2019-05-31 | 2019-09-10 | 深圳市恩钛控股有限公司 | 微表情研判方法和系统 |
CN112287851A (zh) * | 2020-11-02 | 2021-01-29 | 浙江工商大学 | 基于嵌入式视觉的婴儿情绪识别方法 |
CN113076905A (zh) * | 2021-04-16 | 2021-07-06 | 华南理工大学 | 一种基于上下文交互关系的情绪识别方法 |
CN114710555A (zh) * | 2022-06-06 | 2022-07-05 | 深圳市景创科技电子股份有限公司 | 一种婴儿监护方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742116A (zh) | 一种婴儿情绪变化检测和识别的方法 | |
CN106127173B (zh) | 一种基于深度学习的人体属性识别方法 | |
Wang et al. | Grid-based pavement crack analysis using deep learning | |
CN105718868B (zh) | 一种针对多姿态人脸的人脸检测系统及方法 | |
CN106845527A (zh) | 一种菜品识别方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN112784763B (zh) | 基于局部与整体特征自适应融合的表情识别方法及系统 | |
CN104123545B (zh) | 一种实时表情特征提取及表情识别方法 | |
CN105608432B (zh) | 一种基于瞬时肌电图像的手势识别方法 | |
CN109063728A (zh) | 一种火灾图像深度学习模式识别方法 | |
CN109166094A (zh) | 一种基于深度学习的绝缘子故障定位识别方法 | |
CN106372622A (zh) | 一种人脸表情分类方法及装置 | |
CN108062170A (zh) | 基于卷积神经网络和智能终端的多类别人体姿态识别方法 | |
CN108960207A (zh) | 一种图像识别的方法、系统及相关组件 | |
CN106096535A (zh) | 一种基于双线性联合cnn的人脸验证方法 | |
CN106845450A (zh) | 基于近红外成像与深度学习的黑暗环境人脸识别方法 | |
CN104143079A (zh) | 人脸属性识别的方法和系统 | |
CN104834941A (zh) | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 | |
CN106897673A (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
CN107590478A (zh) | 一种基于深度学习的年龄估计方法 | |
CN101667245A (zh) | 基于支持向量新颖检测分类器级联的人脸检测方法 | |
CN109063719A (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN107622261A (zh) | 基于深度学习的人脸年龄估计方法及装置 |
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: 20180227 |