CN108256482B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108256482B CN108256482B CN201810048361.1A CN201810048361A CN108256482B CN 108256482 B CN108256482 B CN 108256482B CN 201810048361 A CN201810048361 A CN 201810048361A CN 108256482 B CN108256482 B CN 108256482B
- Authority
- CN
- China
- Prior art keywords
- age
- network
- training
- loss
- network model
- 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
-
- 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
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了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,其整体步骤为:提取数据,形成年龄数据集;将年龄数据集划分为训练集、验证集;采用深度神经网络的最后一个全连接层后紧跟一个softmax层;进行年龄估计网络训练;使用softmax loss和mean‑variance loss共同作为监督信号对网络进行调整;对训练后的网络模型进行测评,选出性能最好的模型;根据所得模型进行年龄预测。本发明通过引入新的监督信号mean‑variance loss,有效地利用了年龄之间相互关联的性质,并且避免了人工引入方差等操作,实现了除预处理外不需要任何人工干预的技术。
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分布学习的人脸年龄估计方法。
背景技术
通过人脸进行年龄估计的技术目前主要分为两类,一种是利用传统机器学习方法进行特征提取,然后针对提取的特征设计优化目标函数进行优化,从而得到待估计的年龄。目前的传统机器学习的方法,更多地是探索不同的特征对于年龄估计的影响,从而实现更好的特征提取;另一种方法则是利用深度学习技术,端到端地实现特征提取和目标函数优化的整个任务。深度学习方面是利用不同的网络结构进行训练,其本质依然是通过不同网络结构得到不同的特征,利用端到端的优势进行优化。
除了大部分基于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。通过利用年龄的有序性,提出基于ranking(序列)的思想,将回归问题转化为分类问题进行求解,但是该方法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。还有利用年龄分布的性质,通过假设一个方差生成一个分布,对分布进行优化,该法需要假设一个方差才能进行后续的工作,造成了人为干预,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分布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分布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关键点定位;然后裁切出人脸区域将人脸图像保存为256×256像素大小,使多张人脸图像组成年龄数据集;
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、年龄估计网络结构:采用含13个卷积层和3个全连接层的VGG-16网络结构作为年龄估计网络模型;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,最后一个全连接层后紧跟一个softmax层,softmax的输出分别送入softmax loss层和mean-variance loss层中,用于分别计算softmax loss和mean-variance loss;
步骤四、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;然后利用划分得到的训练集对网络模型进行训练;
步骤五、网络调整:在网络训练过程中,使用softmax loss和mean-variance loss共同作为监督信号对网络进行调整,保证最终生成的概率分布的均值尽可能接近真实值,同时有着更小的方差;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四中的预训练;
其中,N是批处理的样本个数;K是待估计的年龄类别;j、k分别表示第j类、第k类,都用于枚举第1~K类;p是softmax层得到的输出;pi,j是第i个样本为第j类的概率;yi是真实年龄;是第i个样本为第yi类的概率;λ1、λ2是用于平衡softmax loss和mean-variance loss的超参数,通过常规实验得到;
步骤六、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:
步骤七、最后,单个样本的估计年龄通过得到的概率p由公式三计算得到;
其中,r(·)是四舍五入函数;pj是该样本第j类的概率。
进一步地,步骤四中对深度学习网络模型进行预训练的具体方法为:先利用ImageNet数据集对网络模型进行预训练,使得预训练后的深度学习网络模型具有分类能力;再利用IMDB-WIKI数据集对网络模型进行进一步预训练,使得整个网络具有年龄估计能力。
本发明通过提出mean-variance loss利用softmax得到的分布计算得到均值和方差,将年龄分布用均值和方差替代,优化时只需要使得方差尽可能小即可,同时对其进行约束,避免了人为引入方差,使得整个工作能够做到尽可能少的人工干预,从而进一步利用深度学习端到端学习的优势,进行更为精准的年龄估计。
附图说明
图1为VGG-16深度学习网络框架的处理流程示意图。
图2为网络模型训练的过程示意图。
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分布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五点定位,五点分别定位于两个眼角、鼻尖、两个嘴角处;然后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: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。年龄数据集中包括不同年龄类别的人脸图像。
步骤三、年龄估计网络结构:年龄估计网络模型采用VGG-16网络结构,VGG-16网络结构是一种深度神经网络框架,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)。最后一个全连接层后紧跟一个softmax层(softmax表示损失函数),softmax的输出分别送入softmax loss层和mean-variance loss(均值-方差损失函数)层中,用于分别计算softmax loss和mean-variance loss,如图1所示。
步骤四、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。
步骤五、网络调整:在年龄估计网络训练过程中,使用softmax loss和mean-variance loss共同作为监督信号对网络进行调整,保证最终生成的概率分布的均值尽可能接近真实值,同时有着更小的方差。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四中的预训练:
其中,N是批处理的样本个数;K是待估计的年龄类别;j、k分别表示第j类、第k类,都用于枚举第1~K类;p是softmax层得到的输出;pi,j是第i个样本为第j类的概率;yi是真实年龄;是第i个样本为第yi类的概率;λ1、λ2是用于平衡softmax loss和mean-variance loss的超参数,通过实验比较性能发现,分别设置为0.2和0.05能够得到最好性能。
步骤六、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:
步骤七、最后,单个样本的估计年龄通过得到的概率p由公式三计算得到;
其中,r(·)是四舍五入函数;pj是该样本第j类的概率。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。
本发明的创新点以及关键点如下:
1)设计了一个利用年龄分布相互关联性质的监督信号mean-variance loss,该loss能够有效地利用年龄分布之间的关系,同时避免了常用的分布学习中需要人为设定的方差;该监督信号能够让整个网络学习到的特征更加鲁棒,避免因为噪声数据、与真实年龄差距较大的数据影响整个网络的学习;
2)利用mean-variance loss和softmax loss共同作为监督信号对整个网络进行训练;Softmax层能够产生一个概率分布,直接供mean-variance loss使用,且softmaxloss能够保证整个概率有着类高斯分布的形态,有利于mean-variance loss进行优化;
3)测试结果使用得到概率的均值作为最后的估计年龄,其有着更加稳定的性能。
综上所述,本发明将深度学习与分布学习相结合,利用分布学习对于存在噪声、类别之间存在相互关联的有效性,让整个方法变得更加鲁棒,填补了现有技术中没有或较少利用年龄之间的关联性质的缺陷。通过引入新的监督信号mean-variance loss,有效地利用了年龄之间相互关联的性质,并且避免了人工引入方差等操作,实现了除预处理外不需要任何人工干预的技术。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训练、测试。
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分布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关键点定位;然后裁切出人脸区域将人脸图像保存为256×256像素大小,使多张人脸图像组成年龄数据集;
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、年龄估计网络结构:采用含13个卷积层和3个全连接层的VGG-16网络结构作为年龄估计网络模型;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,最后一个全连接层后紧跟一个softmax层,softmax的输出分别送入softmax loss层和mean-variance loss层中,用于分别计算softmax loss和mean-variance loss;
步骤四、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;
步骤五、网络调整:在网络训练过程中,使用softmax loss和mean-variance loss共同作为监督信号对网络进行调整,保证最终生成的概率分布的均值尽可能接近真实值,同时有着更小的方差;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四中的预训练;
其中,N是批处理的样本个数;K是待估计的年龄类别;j、k分别表示第j类、第k类,都用于枚举第1~K类;p是softmax层得到的输出;pi,j是第i个样本为第j类的概率;yi是真实年龄;是第i个样本为第yi类的概率;λ1、λ2是用于平衡softmax loss和mean-varianceloss的超参数,通过常规实验得到;
步骤六、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:
步骤七、最后,单个样本的估计年龄通过得到的概率p由公式三计算得到;
其中,r(·)是四舍五入函数;pj是该样本第j类的概率。
2.根据权利要求1所述的基于卷积神经网络进行分布学习的人脸年龄估计方法,其特征在于:所述步骤四中对深度学习网络模型进行预训练的具体方法为:先利用ImageNet数据集对网络模型进行预训练,使得预训练后的深度学习网络模型具有分类能力;再利用IMDB-WIKI数据集对网络模型进行进一步预训练,使得整个网络具有年龄估计能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048361.1A CN108256482B (zh) | 2018-01-18 | 2018-01-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048361.1A CN108256482B (zh) | 2018-01-18 | 2018-01-18 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256482A CN108256482A (zh) | 2018-07-06 |
CN108256482B true CN108256482B (zh) | 2021-06-25 |
Family
ID=62726859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810048361.1A Active CN108256482B (zh) | 2018-01-18 | 2018-01-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256482B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862118A (zh) * | 2023-01-29 | 2023-03-28 | 南京开为网络科技有限公司 | 基于高斯分布假设和mse损失的人脸年龄估计方法及装置 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109117889A (zh) * | 2018-08-23 | 2019-01-01 | 北京小米智能科技有限公司 | 标签预测方法及装置 |
CN109035250B (zh) * | 2018-09-11 | 2021-10-01 | 中国科学技术大学 | 建立年龄预测模型的方法及装置、年龄预测方法及装置 |
CN109523463B (zh) * | 2018-11-20 | 2023-04-07 | 中山大学 | 一种基于条件生成对抗网络的人脸老化方法 |
CN111241873A (zh) * | 2018-11-28 | 2020-06-05 | 马上消费金融股份有限公司 | 图像翻拍检测方法及其模型的训练方法、支付方法及装置 |
CN110287761A (zh) * | 2019-03-28 | 2019-09-27 | 电子科技大学 | 一种基于卷积神经网络和隐变量分析的人脸年龄估计方法 |
CN110070487B (zh) * | 2019-04-02 | 2021-05-11 | 清华大学 | 基于深度强化学习的语义重构人脸超分方法及装置 |
CN110110663A (zh) * | 2019-05-07 | 2019-08-09 | 江苏新亿迪智能科技有限公司 | 一种基于人脸属性的年龄识别方法及系统 |
CN112149449A (zh) * | 2019-06-26 | 2020-12-29 | 北京华捷艾米科技有限公司 | 一种基于深度学习的人脸属性识别方法及系统 |
CN110458084B (zh) * | 2019-08-06 | 2022-08-26 | 南京邮电大学 | 一种基于倒置残差网络的人脸年龄估计方法 |
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 |
CN111967382A (zh) * | 2020-08-14 | 2020-11-20 | 北京金山云网络技术有限公司 | 年龄估计方法、年龄估计模型的训练方法及装置 |
CN112712900A (zh) * | 2021-01-08 | 2021-04-27 | 昆山杜克大学 | 基于机器学习的生理年龄预测模型及其建立方法 |
CN112560823B (zh) * | 2021-02-23 | 2021-06-08 | 中国科学院自动化研究所 | 基于分布学习的自适应方差和权重的人脸年龄估计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
CN107169454A (zh) * | 2017-05-16 | 2017-09-15 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2551715A (en) * | 2016-06-27 | 2018-01-03 | Image Capture Ltd | A system and method for determining the age of an individual |
-
2018
- 2018-01-18 CN CN201810048361.1A patent/CN108256482B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
CN107169454A (zh) * | 2017-05-16 | 2017-09-15 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
Non-Patent Citations (2)
Title |
---|
Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model;Zakariya Qawaqneh et al.;《https://arxiv.org/ftp/arxiv/papers/1709/1709.01664.pdf》;20170905;第1-8页 * |
基于卷积神经网络的人脸年龄估计算法;周旺;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170815;第2017年卷(第8期);第I138-250页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115862118A (zh) * | 2023-01-29 | 2023-03-28 | 南京开为网络科技有限公司 | 基于高斯分布假设和mse损失的人脸年龄估计方法及装置 |
CN115862118B (zh) * | 2023-01-29 | 2023-05-23 | 南京开为网络科技有限公司 | 基于高斯分布假设和mae损失的人脸年龄估计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108256482A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
WO2021134871A1 (zh) | 基于局部二值模式和深度学习的合成人脸图像取证方法 | |
CN108399428B (zh) | 一种基于迹比准则的三元组损失函数设计方法 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN113011357B (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
US20220327308A1 (en) | Method for recognizing facial expressions based on adversarial elimination | |
WO2016165082A1 (zh) | 基于深度学习的图像隐写检测方法 | |
CN114038037B (zh) | 基于可分离残差注意力网络的表情标签修正和识别方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN113034483B (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN112750129A (zh) | 一种基于特征增强位置注意力机制的图像语义分割模型 | |
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 | |
CN114463843A (zh) | 一种基于深度学习的多特征融合鱼类异常行为检测方法 | |
CN113807356A (zh) | 一种端到端的低能见度图像语义分割方法 | |
CN114049305A (zh) | 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法 | |
CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
CN114332075A (zh) | 基于轻量化深度学习模型的结构缺陷快速识别与分类方法 | |
CN111310820A (zh) | 基于交叉验证深度cnn特征集成的地基气象云图分类方法 | |
CN114580517A (zh) | 一种图像识别模型的确定方法及装置 | |
CN114170657A (zh) | 融合注意力机制与高阶特征表示的面部情感识别方法 | |
Sarikabuta et al. | Impacts of layer sizes in deep residual-learning convolutional neural network on flower image classification with different class sizes | |
CN113657472A (zh) | 一种基于子空间学习的多源遥感数据融合方法 |
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 |