CN108171209B - 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 - Google Patents
一种基于卷积神经网络进行度量学习的人脸年龄估计方法 Download PDFInfo
- Publication number
- CN108171209B CN108171209B CN201810048365.XA CN201810048365A CN108171209B CN 108171209 B CN108171209 B CN 108171209B CN 201810048365 A CN201810048365 A CN 201810048365A CN 108171209 B CN108171209 B CN 108171209B
- Authority
- CN
- China
- Prior art keywords
- network
- training
- age
- loss
- face
- 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
Images
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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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
- 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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络进行度量学习的人脸年龄估计方法,其整体步骤为:构建数据集;将数据集划分为训练集、验证集;在网络输入层对mini‑batch进行成对构建,然后送入两个孪生网络中进行训练;对VGG‑16网络进行构建;网络训练;使用softmax loss和revised contrastive loss共同作为监督信号对网络进行调整;网络测评;最终估计的年龄为softmax层得到的最大概率对应类别。本发明将深度学习与度量学习相结合,通过引入度量学习,使得特征空间的区分度更高,进而年龄估计算法的鲁棒性更强;利用深度学习将特征提取任务和目标函数优化任务结合,将整个任务实现端到端的训练,应用在公开数据集上时可以取得较好的性能。
Description
技术领域
本发明涉及一种估计方法,尤其涉及一种基于卷积神经网络进行度量学习的人脸年龄估计方法。
背景技术
年龄信息作为人类的一种重要生物特征,在人机交互领域中有着众多应用需求,并且对人脸识别系统的性能有着重要影响。基于人脸图像的年龄估计是指应用计算机技术对人脸图像随年龄变化的规律进行建模,从而使机器能够根据面部图像推测出人的大概年龄或所属的年龄范围。利用深度学习技术,端到端地实现特征提取和目标函数优化是目前进行人脸年龄估计的重要方法。但是目前的方法大多忽略了年龄的有序性以及年龄之间存在的关联,使得特征难以包含这些对于估计年龄非常有用的信息。
除了大部分基于深度学习特征提取的方法以外,有少数工作在对年龄的特殊性质上进行了研究。比如,有人通过将训练学习的网络结构分为两部分进行年龄估计:第一部分是特征提取网络,通过前半部分网络得到一个特征,实现特征共享的效果;第二部分网络则是一个多二分类器,通过对得到的特征处理,分别得到多个二分类结果,进行损失函数的计算。其中,网络的每个二分类输出对应于一个大小关系,0为小于关系,1为大于等于关系。通过多个二分类输出,进而得到多个大小关系,通过累加即可得到估计的年龄。该技术通过ranking(序列)的思想,利用了年龄的有序性,但是并没有将所有年龄同时考虑,而是分别训练了一个二分类的分类器,且没有更加量化地去约束年龄之间的有序性。
还有学者首先通过子空间学习技术得到人脸的特征,然后利用自身的年龄标签和邻近样本的年龄标签得到该样本的年龄分布,从而进行线性回归求解。该技术的问题在于特征提取和优化函数是分开进行的,那么就存在特征的提取并不能更好地为优化函数服务。此外,该技术年龄分布虽然不是通过假设方差的方式得到的,单邻近样本的年龄标签依然存在不确定性,因此其年龄分布依然不够理想。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于卷积神经网络进行度量学习的人脸年龄估计方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于卷积神经网络进行度量学习的人脸年龄估计方法,其整体步骤如下:
步骤一、数据提取阶段:利用现有的人脸检测引擎对人脸RGB图像进行人脸检测和关键点定位,对人脸图像进行对齐,移除平面内旋转变化并归一化人脸大小,最终裁切出人脸区域将人脸图像保存为256×256像素大小;
步骤二、年龄数据集划分:将年龄数据集按照80%作为训练集、20%作为验证集进行随机划分,保证同一个人的数据仅出现在一个集合中;
步骤三、训练数据构建:为了方便训练,在输入层对mini-batch成对进行构建;每一对样本保证前一个样本的label大于等于后一个样本的label;然后将它们分别送入到两个孪生网络中进行训练,孪生网络的参数共享;
步骤四、年龄估计网络的结构:选用由13个卷积层和3个全连接层组成的VGG-16网络作为卷积神经网络;每一个卷积层后都紧跟有ReLU层;为了增加网络高层特征的感受野,在第2个、第4个、第7个、第10个和第13个卷积层后连接一个MaxPooling层;在倒数第二个全连接层后连接一个revised contrastive loss层,用于计算revised contrastive loss;最后一层全连接层后连接一个softmax loss层,用于计算softmax loss;最后的loss是softmax loss加上revised contrastive loss得到;
步骤五、年龄估计网络训练:在进行年龄数据集训练之前,利用大规模数据对深度学习网络模型进行预训练,使得网络模型具有识别能力;然后利用划分得到的训练集对网络模型进行训练;
步骤六、网络调整:在年龄估计网络训练过程中,使用softmax loss和revisedcontrastive loss共同作为监督信号对网络进行调整,使得最终得到的特征空间区分度更高,能够更容易进行分类;因此,将最终的损失函数loss表示为公式一;然后通过该损失函数对网络模型进行步骤五中的网络训练;
其中,N是批处理的样本个数;p是softmax层得到的输出;i是N对样本中前一个样本,j是N对样本中后一个样本;yi、yj均是真实年龄的类别;是第i个样本为第yi类的概率;是第j个样本为第yj类的概率;f(·)表示卷积神经网络的输出;α是用于调整不同类别之间间隔的超参数,通常设置为1;λ是用于平衡softmax loss和revised contrastiveloss的超参数,可通过常规实验得到;
步骤七、网络测评:在深度学习网络模型训练完成后,选用年龄估计问题中常用的评测协议MAE作为验证集的测试标准,对网络模型进行测评,选出性能最好的模型;MAE的计算公式如下:
步骤八、最终softmax层会得到N类中每一类的一个概率值,概率值最大的类别即是最终估计的年龄。
进一步地,步骤五中对深度学习网络模型进行预训练的具体方法为:首先,利用ImageNet数据集进行预训练,使得预训练后的深度学习网络模型具有分类能力;然后,再利用IMDB-WIKI数据集进行进一步预训练,使得整个网络具有年龄估计能力。
本发明将深度学习与度量学习相结合,通过revised contrastive loss引入度量学习,使得特征空间的区分度更高,进而年龄估计算法的鲁棒性更强;利用深度学习将特征提取任务和目标函数优化任务结合,将整个任务实现端到端的训练,应用在公开数据集上时可以取得较好的性能。
本发明通过提出revised contrastive loss并利用年龄之间存在的数据差距,量化地约束不同类别的年龄特征空间,使得神经网络更加可分不同类别的特征空间,且在一定程度上可以通过特征的距离判断类别之间的差距,从而使最终得到的年龄更加准确。
附图说明
图1为孪生网络的结构以及处理流程图
图2为网络模型训练及测评的过程示意图。
图3为利用训练后的网络模型进行年龄预测的过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
一种基于卷积神经网络进行度量学习的人脸年龄估计方法,其整体步骤为:
步骤一、数据提取阶段:利用现有的人脸检测引擎对人脸RGB图像进行人脸检测和5点(2个眼角、鼻尖、2个嘴角)定位,根据5点位置对人脸图像进行对齐,移除平面内旋转变化并归一化人脸大小,最终裁切出人脸区域将人脸图像保存为256×256像素大小。本步骤包括但不限于基于5点进行人脸对齐。
步骤二、年龄数据集划分:为了保证模型的泛化能力,避免在训练集上过拟合,需要对数据集进行划分。将年龄数据集按照80%作为训练集、20%作为验证集进行随机划分,保证同一个人的数据仅出现在一个集合中。
步骤三、训练数据构建:为了方便训练,在输入层对mini-batch(每一次迭代需要的样本组)成对进行构建。每一对样本保证前一个样本的label(标签)大于等于后一个样本的label;然后将它们分别送入到两个孪生网络中进行训练,孪生网络的参数共享。图1为孪生网络的结构图以及处理流程图。其中,卷积神经网络部分选用VGG-16网络,本方法包括但不限于VGG-16网络结构,还可以是其他神经网络结构。
步骤四、年龄估计网络的结构:VGG-16网络由13个卷积层和3个全连接层组成。每一个卷积层后都紧跟有ReLU层(ReLU是一种常用的激活函数)。为了增加网络高层特征的感受野,在第2个、第4个、第7个、第10个和第13个卷积层后连接一个MaxPooling层(MaxPooling是一种常用的最大值池化函数)。在倒数第二个全连接层后连接一个revisedcontrastive loss层(revised contrastive loss为改进的对比损失函数),计算revisedcontrastive loss;最后一层全连接层后连接一个softmax loss层相连,用于计算softmaxloss;最后的loss是softmax loss加上revised contrastive loss得到,如图1所示。
步骤五、年龄估计网络训练:在进行年龄数据集训练之前,利用大规模数据对深度学习网络模型进行预训练,使得网络模型具有一定的识别能力。首先,利用ImageNet数据集(深度学习中常用公开数据集)进行预训练,使得预训练后的深度学习网络模型具有不错的分类能力;然后,再利用IMDB-WIKI数据集(目前最大的公开年龄数据集)进行进一步预训练,使得整个网络具有一定的年龄估计能力。最后,利用划分得到的训练集对模型进行训练,使得年龄估计模型更好地适配具体的场景。
步骤六、网络调整:在年龄估计网络训练过程中,使用softmax loss和revisedcontrastive loss共同作为监督信号对网络进行调整,使得最终得到的特征空间区分度更高,能够更加容易进行分类。因此,将最终的损失函数loss表示为公式一;然后通过该损失函数对网络模型进行步骤五中的网络训练:
其中,N是批处理的样本个数;p是softmax层得到的输出;i是N对样本中前一个样本,j是N对样本中后一个样本;yi、yj均是真实年龄的类别;是第i个样本为第yi类的概率;是第j个样本为第yj类的概率;f(·)表示卷积神经网络的输出;α是用于调整不同类别之间间隔的超参数,通常设置为1;λ是用于平衡softmax loss和revised contrastiveloss的超参数,通过实验比较性能发现,λ设置为0.01能够达到最好的性能。
步骤七、网络测评:在深度学习网络模型训练完成后,选用年龄估计问题中常用的评测协议MAE(mean absolute error,平均绝对值误差)作为验证集的测试标准,对网络模型进行测评,选出性能最好的模型;MAE的计算公式如下:
步骤八、最终softmax层会得到N类中每一类的一个概率值,概率值最大的类别即是最终估计的年龄。比如要对0~99岁进行年龄估计,那么就是100类,softmax层会产生这100个概率,对应每一类;然后哪一类的概率值最大,最终估计的年龄就是哪一类。利用训练后的网络模型进行年龄预测的整体过程如图3所示。
本发明的目的是填补现有技术中没有量化地考虑年龄之间的数值的差异,缺乏显示地约束信息或是需要人为地添加约束信息等缺陷。基于上述目的,提出一种基于卷积神经网络进行度量学习的人脸年龄估计方法,该法通过引入新的监督信号revisedcontrastive loss,有效地利用了不同年龄之间的差距的性质,同时结合传统的分类损失softmax loss,使得卷积网络得到的特征空间在年龄预测问题上更加可分,可以有效提升年龄预测的准确性。
本发明的关键点以及优势在于:
1)和传统基于softmax loss进行年龄识别的训练过程不同,输入不再是单张人脸图片,而是成对的图像作为卷积神经网络的输入,进而可以高效地计算成对样本间的revised contrastive loss;
2)为了量化地表达年龄之间存在的数值差异,设计了revised contrastive loss作为网络训练的监督信号之一,该loss能够有效地利用年龄之间数值上的差异对特征空间进行有效的区分,该监督信号能够让整个网络学习到的特征更有区分度,使得最终年龄估计的结果更加鲁棒;
3)revised contrastive loss在设置区分度标准的时候,并不是统一设置为固定值,而是根据训练样本中每对人脸样本年龄的差异性设置不同的值。该操作可以使得整个特征空间的划分更加精准,年龄识别的精度更高;
4)利用revised contrastive loss和softmax loss共同作为监督信号对整个网络进行训练;Revised contrastive loss能够在特征空间上使得不同年龄段的样本区分性更强,同时softmax loss则使得年龄分类的精准度更高,两种损失共同作用,可以有效地提升年龄识别网络的预测精度。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (2)
1.一种基于卷积神经网络进行度量学习的人脸年龄估计方法,其特征在于:所述方法的整体步骤如下:
步骤一、数据提取阶段:利用现有的人脸检测引擎对人脸RGB图像进行人脸检测和关键点定位,对人脸图像进行对齐,移除平面内旋转变化并归一化人脸大小,最终裁切出人脸区域将人脸图像保存为256×256像素大小;
步骤二、年龄数据集划分:将年龄数据集按照80%作为训练集、20%作为验证集进行随机划分,保证同一个人的数据仅出现在一个集合中;
步骤三、训练数据构建:为了方便训练,在输入层对mini-batch成对进行构建;每一对样本保证前一个样本的label大于等于后一个样本的label;然后将它们分别送入到两个孪生网络中进行训练,孪生网络的参数共享;
步骤四、年龄估计网络的结构:选用由13个卷积层和3个全连接层组成的VGG-16网络作为卷积神经网络;每一个卷积层后都紧跟有ReLU层;为了增加网络高层特征的感受野,在第2个、第4个、第7个、第10个和第13个卷积层后连接一个MaxPooling层;在倒数第二个全连接层后连接一个revised contrastive loss层,用于计算revised contrastive loss;最后一层全连接层后连接一个softmax loss层,用于计算softmax loss;最后的loss是softmaxloss加上revised contrastive loss得到;
步骤五、年龄估计网络训练:在进行年龄数据集训练之前,利用大规模数据对深度学习网络模型进行预训练,使得网络模型具有识别能力;然后利用划分得到的训练集对网络模型进行训练;
步骤六、网络调整:在年龄估计网络训练过程中,使用softmax loss和revisedcontrastive loss共同作为监督信号对网络进行调整,使得最终得到的特征空间区分度更高,能够更容易进行分类;因此,将最终的损失函数loss表示为公式一;然后通过该损失函数对网络模型进行步骤五中的网络训练;
其中,N是批处理的样本个数;p是softmax层得到的输出;i是N对样本中前一个样本,j是N对样本中后一个样本;yi、yj均是真实年龄的类别;是第i个样本为第yi类的概率;是第j个样本为第yj类的概率;f(·)表示卷积神经网络的输出;α是用于调整不同类别之间间隔的超参数,设置为1;λ是用于平衡softmax loss和revised contrastive loss的超参数,可通过常规实验得到;
步骤七、网络测评:在深度学习网络模型训练完成后,选用年龄估计问题中常用的评测协议MAE作为验证集的测试标准,对网络模型进行测评,选出性能最好的模型;MAE的计算公式如下:
步骤八、最终softmax层会得到N类中每一类的一个概率值,概率值最大的类别即是最终估计的年龄。
2.根据权利要求1所述的基于卷积神经网络进行度量学习的人脸年龄估计方法,其特征在于:所述步骤五中对深度学习网络模型进行预训练的具体方法为:首先,利用ImageNet数据集进行预训练,使得预训练后的深度学习网络模型具有分类能力;然后,再利用IMDB-WIKI数据集进行进一步预训练,使得整个网络具有年龄估计能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048365.XA CN108171209B (zh) | 2018-01-18 | 2018-01-18 | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048365.XA CN108171209B (zh) | 2018-01-18 | 2018-01-18 | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171209A CN108171209A (zh) | 2018-06-15 |
CN108171209B true CN108171209B (zh) | 2021-07-16 |
Family
ID=62514861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810048365.XA Active CN108171209B (zh) | 2018-01-18 | 2018-01-18 | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171209B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961236B (zh) * | 2018-06-29 | 2021-02-26 | 国信优易数据股份有限公司 | 电路板缺陷检测方法及装置 |
CN108985222B (zh) * | 2018-07-12 | 2024-02-20 | 天津艾思科尔科技有限公司 | 一种用于接打电话识别的深度学习网络模型及系统 |
CN108875704B (zh) * | 2018-07-17 | 2021-04-02 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
CN110795975B (zh) * | 2018-08-03 | 2023-07-21 | 浙江宇视科技有限公司 | 人脸误检优化方法及装置 |
CN109344855B (zh) * | 2018-08-10 | 2021-09-24 | 华南理工大学 | 一种基于排序引导回归的深度模型的人脸美丽评价方法 |
CN109543546B (zh) * | 2018-10-26 | 2022-12-20 | 复旦大学 | 基于深度序分布回归的步态年龄估计方法 |
CN109753875A (zh) * | 2018-11-28 | 2019-05-14 | 北京的卢深视科技有限公司 | 基于人脸属性感知损失的人脸识别方法、装置与电子设备 |
CN109598226B (zh) * | 2018-11-29 | 2022-09-13 | 安徽工业大学 | 基于Kinect彩色及深度信息在线考试作弊判断方法 |
CN111310532A (zh) * | 2018-12-12 | 2020-06-19 | 北京嘀嘀无限科技发展有限公司 | 一种年龄识别方法、装置、电子设备和存储介质 |
CN109886183B (zh) * | 2019-02-19 | 2021-01-12 | 清华大学 | 基于桥式神经网络的人脸年龄估计方法及装置 |
CN109993236B (zh) * | 2019-04-10 | 2020-11-27 | 大连民族大学 | 基于one-shot Siamese卷积神经网络的少样本满文匹配方法 |
CN110135313A (zh) * | 2019-05-07 | 2019-08-16 | 西安募格网络科技有限公司 | 一种基于卷积神经网络的年龄判断方法 |
CN110287795A (zh) * | 2019-05-24 | 2019-09-27 | 北京爱诺斯科技有限公司 | 一种基于图像分析的眼部年龄检测方法 |
CN110610230A (zh) * | 2019-07-31 | 2019-12-24 | 国家计算机网络与信息安全管理中心 | 一种台标检测方法、装置及可读存储介质 |
CN110717401A (zh) * | 2019-09-12 | 2020-01-21 | Oppo广东移动通信有限公司 | 年龄估计方法及装置、设备、存储介质 |
CN111325736B (zh) * | 2020-02-27 | 2024-02-27 | 成都航空职业技术学院 | 一种基于人眼差分图像的视线角度估计方法 |
CN111368690B (zh) * | 2020-02-28 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 基于深度学习的海浪影响下视频图像船只检测方法及系统 |
CN111563413B (zh) * | 2020-04-03 | 2023-06-20 | 华南理工大学 | 一种基于混合双模型的年龄预测方法 |
CN112183224A (zh) * | 2020-09-07 | 2021-01-05 | 北京达佳互联信息技术有限公司 | 用于图像识别的模型训练方法、图像识别方法和装置 |
CN112200102B (zh) * | 2020-10-15 | 2023-02-14 | 华中科技大学 | 一种自适应数据增强的二维人体姿态估计方法和系统 |
CN112633104B (zh) * | 2020-12-15 | 2023-04-07 | 西安理工大学 | 孪生级联柔性最大网络的多主体运动想象识别模型及方法 |
CN112950631B (zh) * | 2021-04-13 | 2023-06-30 | 西安交通大学口腔医院 | 基于显著图约束和x光头颅定位侧位图像的年龄估计方法 |
CN114387457A (zh) * | 2021-12-27 | 2022-04-22 | 腾晖科技建筑智能(深圳)有限公司 | 一种基于调参的人脸类内类间距优化方法 |
CN115063862B (zh) * | 2022-06-24 | 2024-04-23 | 电子科技大学 | 一种基于特征对比损失的年龄估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
CN106503623A (zh) * | 2016-09-27 | 2017-03-15 | 中国科学院自动化研究所 | 基于卷积神经网络的人脸图像年龄估算方法 |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10579860B2 (en) * | 2016-06-06 | 2020-03-03 | Samsung Electronics Co., Ltd. | Learning model for salient facial region detection |
-
2018
- 2018-01-18 CN CN201810048365.XA patent/CN108171209B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
CN106503623A (zh) * | 2016-09-27 | 2017-03-15 | 中国科学院自动化研究所 | 基于卷积神经网络的人脸图像年龄估算方法 |
CN107545245A (zh) * | 2017-08-14 | 2018-01-05 | 中国科学院半导体研究所 | 一种年龄估计方法及设备 |
Non-Patent Citations (5)
Title |
---|
Center contrastive loss regularized CNN for tracking;Ningning Li等;《 2017 IEEE International Conference on Multimedia & Expo Workshops》;20170907;第543-548页 * |
Identity-Aware Convolutional Neural Network for Facial Expression Recognition;Zibo Meng等;《 2017 12th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2017)》;20170629;第558-565页 * |
Large Age-Gap face verification by feature injection in deep networks;S.Bianco;《Pattern Recognition Letters》;20170415;第90卷;第36-42页 * |
人脸年龄估计的算法研究与实现;董亚楠;《中国优秀硕士学位论文全文数据库信息科技辑》;20170615(第6期);第I138-1327页 * |
基于人脸图像的性别分类与年龄估计;王越;《中国优秀硕士学位论文全文数据库信息科技辑》;20170515(第5期);第I138-1067页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108171209A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108171209B (zh) | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 | |
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 | |
CN108256482B (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
EP3074918B1 (en) | Method and system for face image recognition | |
Ali et al. | Boosted NNE collections for multicultural facial expression recognition | |
CN111126482B (zh) | 一种基于多分类器级联模型的遥感影像自动分类方法 | |
CN109359608B (zh) | 一种基于深度学习模型的人脸识别方法 | |
CN107229914B (zh) | 一种基于深度q学习策略的手写数字识别方法 | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
WO2020190480A1 (en) | Classifying an input data set within a data category using multiple data recognition tools | |
CN115100709B (zh) | 一种特征分离的图像人脸识别与年龄估计方法 | |
CN112232395B (zh) | 一种基于联合训练生成对抗网络的半监督图像分类方法 | |
CN112651940A (zh) | 基于双编码器生成式对抗网络的协同视觉显著性检测方法 | |
CN115410059B (zh) | 基于对比损失的遥感图像部分监督变化检测方法及设备 | |
CN110852292B (zh) | 一种基于跨模态多任务深度度量学习的草图人脸识别方法 | |
CN115131558A (zh) | 一种少样本环境下的语义分割方法 | |
CN105809200B (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
CN114372926A (zh) | 一种基于图像修复与卷积神经网络的中医舌质老嫩识别方法 | |
Venkatraman et al. | Learning compositional structures for deep learning: Why routing-by-agreement is necessary | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN111160161A (zh) | 一种基于噪声剔除的自步学习人脸年龄估计方法 | |
Bhattacharya et al. | Simplified face quality assessment (sfqa) | |
US20240135708A1 (en) | Permutation invariant convolution (pic) for recognizing long-range activities | |
CN114936890A (zh) | 一种基于逆倾向加权方法的反事实公平的推荐方法 | |
Yang et al. | Video system for human attribute analysis using compact convolutional neural network |
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 |