CN108573209A - 一种基于人脸的单模型多输出的年龄性别识别方法及系统 - Google Patents
一种基于人脸的单模型多输出的年龄性别识别方法及系统 Download PDFInfo
- Publication number
- CN108573209A CN108573209A CN201810169398.XA CN201810169398A CN108573209A CN 108573209 A CN108573209 A CN 108573209A CN 201810169398 A CN201810169398 A CN 201810169398A CN 108573209 A CN108573209 A CN 108573209A
- Authority
- CN
- China
- Prior art keywords
- age
- layer
- sex
- layers
- prediction
- 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
-
- 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
- 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
- G06V40/178—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)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人脸的单模型多输出的年龄性别识别方法及系统,将年龄性别的模型级联在一起,通过一个网络模型提取年龄和性别的特征数据,年龄和性别的特征数据合并成一个特征数据用于年龄预测,然后利用不同的输出层生成一个模型将年龄性别的识别结果并行输出,本方法很好的提高了年龄性别的识别速度和准确性。
Description
技术领域
本发明涉及人脸识别技术领域,具体涉及一种基于人脸的单模型多输出的年龄性别识别方法及系统。
背景技术
在智能安防,新零售智能导购,身份认证,娱乐和医疗看护等应用中,人脸的性别年龄识别常常作为辅助侦查和销售的辅助工具。而目前的年龄性别识别模型多是采用多模型做的分类预测,这样导致模型难以部署,每次运行都需要从数据库里多次调用图像,内存占用率高,效率低下,而且人脸抓拍之后的识别速度变慢,目前年龄预测多是采用分类方法做的,这就直接导致了年龄有很大的识别误差。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于人脸的单模型多输出的年龄性别识别方法及系统,将年龄性别的模型级联在一起和不同的输出层生成一个模型将年龄性别的识别结果并行输出,本方法很好的提高了年龄性别的识别速度和准确性。
本发明解决上述技术问题的技术方案如下:
一方面,本发明提供一种基于人脸的单模型多输出的年龄性别识别方法,包括以下步骤,
步骤1,获取检测到的RGB人脸图像采用3通道读取,并进行归一化处理;
步骤2,将处理后的人脸图像输入到由多层卷积层构成的CNN特征提取网络,采用随机初始权重分别提取识别对象的年龄特征数据和性别特征数据;
步骤3,分别对所述年龄特征数据和性别特征数据进行扁平化处理,得到一维特征数据;针对年龄预测,将所述年龄特征数据和性别特征数据级联,然后输入到由三层分别包含不同数量神经元的全连接层构成的年龄预测网络中,采用线性回归激活函数,进行年龄预测;针对性别预测,将性别特征数据输入到由三层分别包含不同数量神经元的全连接层构成的性别预测网络中,采用二分类softmax激活函数,进行性别预测。
所述CNN特征提取网络,包括依次连接的两层分别包括32个卷积核滤波器的卷积层、两层分别包括64个卷积核滤波器的卷积层以及两层分别包括128个卷积核滤波器的卷积层。
所述每层卷积层后均依次设有ELU激活层和局部响应归一化层。
所述位于第二卷积层、第四卷积层和第六卷积层后的ELU激活层和局部响应归一化层后还分别设有最大池化层和dropout层。
所述用于年龄预测的三层全连接层,其中第一层全连接层和第二层全连接层后均依次设有ELU激活层、局部响应归一化层和dropout层;所述用于性别预测的三层全连接层,其中第一层全连接层和第二层全连接层后均依次设有ELU激活层、局部响应归一化层和dropout层。
所述用于年龄预测的第三层全连接层包括一个神经元,其输出激活函数采用linear线性回归激活函数,进行年龄的连续预测;所述用于性别预测的第三层全连接层包括两个神经元,其输出激活函数采用softmax函数,得到相加等于1的两个男女性别预测概率。
另一方面,本发明提供一种基于人脸的单模型多输出的年龄性别识别系统,包括:
图像预处理模块,用于获取检测到的RGB人脸图像采用3通道读取,并进行归一化处理;
特征提取模块,用于将处理后的人脸图像输入到由多层卷积层构成的CNN特征提取网络,采用随机初始权重分别提取识别对象的年龄特征数据和性别特征数据;
预测模块,用于分别对所述年龄特征数据和性别特征数据进行扁平化处理,得到一维特征数据;针对年龄预测,将所述年龄特征数据和性别特征数据级联,然后输入到由三层分别包含不同数量神经元的全连接层构成的年龄预测网络中,采用线性回归激活函数,进行年龄预测;针对性别预测,将性别特征数据输入到由三层分别包含不同数量神经元的全连接层构成的性别预测网络中,采用二分类softmax激活函数,进行性别预测。
本发明的有益效果是:
简单特征(性别)的分支的特征数据合并到复杂特征(年龄)分支,用来提高复杂分支的准确度。
每两层卷积层之后都有dropout层,有效降低模型过拟合;不同于传统年龄识别采用的分类方法,这里采用的输出层为回归层,即将CNN全连接层的特征feed输出层-linear层;不同于传统模型的多分类多回归问题采用多模型多输出的方式,这里用的是单模型得到年龄性别等多个并行输出。
构建网络思维与传统的增加层数不一样。传统的增加层数导致网络庞大而且效果不稳定;本网络通过增加简单网络分支并且利用额外的特征,能用最小的代价获得较好的预测准确度。
附图说明
图1为本发明实施例提供的一种基于人脸的单模型多输出的年龄性别识别方法流程图;
图2为CNN特征提取网络结构图;
图3为本方法整体网络结构图;
图4为本发明实施例提供的一种基于人脸的单模型多输出的年龄性别识别系统结构图。
具体实施方式
以下结合实例对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明实施例提供的一种基于人脸的单模型多输出的年龄性别识别方法流程图,如图1所示,包括以下步骤,
步骤1,获取检测到的RGB人脸图像采用3通道读取,并进行归一化处理;图像处理直接采用3通道彩色图像进行处理,图片都统一缩放到128*128,然后再进行裁剪,为80*80(训练过程随机裁剪,验证测试只是对图像进行rescale),也就是说网络的输入时80*80的3通道彩色图像。
步骤2,将处理后的人脸图像输入到由多层卷积层构成的CNN特征提取网络,采用随机初始权重分别提取识别对象的年龄特征数据和性别特征数据;
所述CNN特征提取网络,其网络结构如图2所示,包括依次连接的两层分别包括32个卷积核滤波器的卷积层、两层分别包括64个卷积核滤波器的卷积层以及两层分别包括128个卷积核滤波器的卷积层。滤波器大小为3*3,卷积步长采用默认的1*1,padding选择same,kernal_initialize选择kernel_initializer--He正态分布初始化方法即he_normal。
所述每层卷积层后均依次设有ELU激活层和局部响应归一化层BatchNormalization。
所述位于第二卷积层、第四卷积层和第六卷积层后的ELU激活层和局部响应归一化层后还分别设有最大池化层和dropout层。池化采用最大重叠池化,池化的size选择2*2,strides选择2,dropout层采用的丢失率为0.25。
CNN特征提取网络的第一层卷积层的输入为(80,80,3)的RGB图片,经过第一层卷积层处理后经过激活层、批规范化,输出32*80*80的单通道图片,然后经过第二层卷积层处理后经过激活层、批规范化、最大池化和dropout操作,输出32*40*40的单通道图片,然后依次通过第三至第六层卷积层,以及相应的ELU激活层、局部响应归一化层BatchNormalization、最大池化层和dropout层的处理最终得到128*10*10的单通道数据。其中在各卷积层进行卷积时,针对年龄预测和性别预测分别采用不同的权重进行卷积,所述的不同的权重为在进行网络训练时针对年龄预测和性别预测随机生成的权重值。
步骤3,将经过CNN特征提取网络得到的大小为128*10*10的年龄特征数据和同样大小为128*10*10的性别特征数据,进行扁平化处理,分别得到年龄特征和性别特征对应的大小为12800*1的一维特征数据;
针对年龄预测,将所述年龄特征数据和性别特征数据级联,然后输入到由三层分别包含不同数量神经元的全连接层构成的年龄预测网络中,采用线性回归激活函数,进行年龄预测;
针对性别预测,将性别特征数据输入到由三层分别包含不同数量神经元的全连接层构成的性别预测网络中,采用二分类softmax激活函数,进行性别预测。
所述用于年龄预测的三层全连接层,第一层全连接层包括256个神经元,第二层全连接层包括64个神经元,第一层全连接层和第二层全连接层后均依次设有ELU激活层、局部响应归一化层BatchNormalization和dropout层,dropout层的丢失率采用0.5;
所述用于性别预测的三层全连接层,第一层全连接层包括256个神经元,第二层全连接层包括64个神经元,其中第一层全连接层和第二层全连接层后均依次设有ELU激活层、局部响应归一化层BatchNormalization和dropout层,dropout层的丢失率采用0.5。
所述用于年龄预测的第三层全连接层包括一个神经元,其输出激活函数采用linear线性回归激活函数,进行年龄的连续预测;
所述用于性别预测的第三层全连接层包括两个神经元,其输出激活函数采用softmax函数,得到相加等于1的两个男女性别预测概率。
本方法所使用的整体网络结构图如图3所示。
另一方面,本发明提供一种基于人脸的单模型多输出的年龄性别识别系统,如图4所示,包括:
图像预处理模块,用于获取检测到的人脸图像进行3通道RGB彩色图像处理,并进行归一化处理;
特征提取模块,用于将处理后的人脸图像输入到由多层卷积层构成的CNN特征提取网络,采用随机初始权重分别提取识别对象的年龄特征数据和性别特征数据;
预测模块,用于将所述年龄特征数据和性别特征数据级联,进行扁平化处理,得到一维特征数据,然后输入到由三层分别包含不同数量神经元的全连接层构成的年龄预测网络中,采用线性回归激活函数,进行年龄预测;用于将性别特征数据进行扁平化处理,得到一维特征数据,然后输入到由三层分别包含不同数量神经元的全连接层构成的性别预测网络中,采用二分类softmax激活函数,进行性别预测。
本发明的有益效果是:
简单特征(性别)的分支的特征数据合并到复杂特征(年龄)分支,用来提高复杂分支的准确度。
每两层卷积层之后都有dropout层,有效降低模型过拟合;不同于传统年龄识别采用的分类方法,这里采用的输出层为回归层,即将CNN全连接层的特征feed输出层-linear层;不同于传统模型的多分类多回归问题采用多模型多输出的方式,这里用的是单模型得到年龄性别等多个并行输出。
构建网络思维与传统的增加层数不一样。传统的增加层数导致网络庞大而且效果不稳定;本网络通过增加简单网络分支并且利用额外的特征,能用最小的代价获得较好的预测准确度。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人脸的单模型多输出的年龄性别识别方法,其特征在于,包括以下步骤,
步骤1,获取检测到的RGB人脸图像采用3通道读取,并进行归一化处理;
步骤2,将处理后的人脸图像输入到由多层卷积层构成的CNN特征提取网络,采用随机初始权重分别提取识别对象的年龄特征数据和性别特征数据;
步骤3,分别对所述年龄特征数据和性别特征数据进行扁平化处理,得到一维特征数据;针对年龄预测,将所述年龄特征数据和性别特征数据级联,然后输入到由三层分别包含不同数量神经元的全连接层构成的年龄预测网络中,采用线性回归激活函数,进行年龄预测;针对性别预测,将性别特征数据输入到由三层分别包含不同数量神经元的全连接层构成的性别预测网络中,采用二分类softmax激活函数,进行性别预测。
2.根据权利要求1所述一种基于人脸的单模型多输出的年龄性别识别方法,其特征在于,所述CNN特征提取网络包括依次连接的两层分别包括32个卷积核滤波器的卷积层、两层分别包括64个卷积核滤波器的卷积层以及两层分别包括128个卷积核滤波器的卷积层。
3.根据权利要求2所述一种基于人脸的单模型多输出的年龄性别识别方法,其特征在于,所述每层卷积层后均依次设有ELU激活层和局部响应归一化层。
4.根据权利要求3所述一种基于人脸的单模型多输出的年龄性别识别方法,其特征在于,所述位于第二卷积层、第四卷积层和第六卷积层后的ELU激活层和局部响应归一化层后还分别设有最大池化层和dropout层。
5.根据权利要求1所述一种基于人脸的单模型多输出的年龄性别识别方法,其特征在于,所述用于年龄预测的三层全连接层,其中第一层全连接层和第二层全连接层后均依次设有ELU激活层、局部响应归一化层和dropout层;所述用于性别预测的三层全连接层,其中第一层全连接层和第二层全连接层后均依次设有ELU激活层、局部响应归一化层和dropout层。
6.根据权利要求1或5所述一种基于人脸的单模型多输出的年龄性别识别方法,其特征在于,所述用于年龄预测的第三层全连接层包括一个神经元,其输出激活函数采用linear线性回归激活函数,进行年龄的连续预测;所述用于性别预测的第三层全连接层包括两个神经元,其输出激活函数采用softmax函数,得到相加等于1的两个男女性别预测概率。
7.一种基于人脸的单模型多输出的年龄性别识别系统,其特征在于,包括:
图像预处理模块,用于获取检测到的RGB人脸图像采用3通道读取,并进行归一化处理;
特征提取模块,用于将处理后的人脸图像输入到由多层卷积层构成的CNN特征提取网络,采用随机初始权重分别提取识别对象的年龄特征数据和性别特征数据;
预测模块,用于分别对所述年龄特征数据和性别特征数据进行扁平化处理,得到一维特征数据;针对年龄预测,将所述年龄特征数据和性别特征数据级联,然后输入到由三层分别包含不同数量神经元的全连接层构成的年龄预测网络中,采用线性回归激活函数,进行年龄预测;针对性别预测,将性别特征数据输入到由三层分别包含不同数量神经元的全连接层构成的性别预测网络中,采用二分类softmax激活函数,进行性别预测。
8.根据权利要求7所述一种基于人脸的单模型多输出的年龄性别识别系统,其特征在于,所述CNN特征提取网络包括依次连接的两层分别包括32个卷积核滤波器的卷积层、两层分别包括64个卷积核滤波器的卷积层以及两层分别包括128个卷积核滤波器的卷积层。
9.根据权利要求8所述一种基于人脸的单模型多输出的年龄性别识别系统,其特征在于,所述每层卷积层后均依次设有ELU激活层和局部响应归一化层。
10.根据权利要求9所述一种基于人脸的单模型多输出的年龄性别识别方法,其特征在于,所述位于第二卷积层、第四卷积层和第六卷积层后的ELU激活层和局部响应归一化层后还分别设有最大池化层和dropout层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169398.XA CN108573209A (zh) | 2018-02-28 | 2018-02-28 | 一种基于人脸的单模型多输出的年龄性别识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810169398.XA CN108573209A (zh) | 2018-02-28 | 2018-02-28 | 一种基于人脸的单模型多输出的年龄性别识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573209A true CN108573209A (zh) | 2018-09-25 |
Family
ID=63576675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810169398.XA Pending CN108573209A (zh) | 2018-02-28 | 2018-02-28 | 一种基于人脸的单模型多输出的年龄性别识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573209A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493135A (zh) * | 2018-11-02 | 2019-03-19 | 广东阅云科技有限公司 | 一种基于人脸识别的门店客户数据处理方法和系统 |
CN109543546A (zh) * | 2018-10-26 | 2019-03-29 | 复旦大学 | 基于深度序分布回归的步态年龄估计方法 |
CN110084174A (zh) * | 2019-04-23 | 2019-08-02 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
CN110462632A (zh) * | 2019-06-27 | 2019-11-15 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
CN111048209A (zh) * | 2019-12-28 | 2020-04-21 | 安徽硕威智能科技有限公司 | 基于活体人脸识别的健康评估方法、装置及其存储介质 |
CN111696100A (zh) * | 2020-06-17 | 2020-09-22 | 上海鹰瞳医疗科技有限公司 | 基于眼底影像确定吸烟程度的方法及设备 |
CN111881737A (zh) * | 2020-06-18 | 2020-11-03 | 深圳数联天下智能科技有限公司 | 年龄预测模型的训练方法及装置、年龄预测方法及装置 |
CN112329693A (zh) * | 2020-11-17 | 2021-02-05 | 汇纳科技股份有限公司 | 性别年龄识别模型的训练方法、识别方法、介质及设备 |
CN112906525A (zh) * | 2021-02-05 | 2021-06-04 | 广州市百果园信息技术有限公司 | 年龄识别方法、装置及电子设备 |
CN113033263A (zh) * | 2019-12-24 | 2021-06-25 | 深圳云天励飞技术有限公司 | 一种人脸图像年龄特征识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140114998A1 (en) * | 2010-11-29 | 2014-04-24 | Viralheat, Inc. | Determining demographics based on user interaction |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN105426872A (zh) * | 2015-12-17 | 2016-03-23 | 电子科技大学 | 一种基于相关高斯过程回归的面部年龄估计方法 |
CN106778584A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
CN107742107A (zh) * | 2017-10-20 | 2018-02-27 | 北京达佳互联信息技术有限公司 | 人脸图像分类方法、装置及服务器 |
-
2018
- 2018-02-28 CN CN201810169398.XA patent/CN108573209A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140114998A1 (en) * | 2010-11-29 | 2014-04-24 | Viralheat, Inc. | Determining demographics based on user interaction |
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN105426872A (zh) * | 2015-12-17 | 2016-03-23 | 电子科技大学 | 一种基于相关高斯过程回归的面部年龄估计方法 |
CN106778584A (zh) * | 2016-12-08 | 2017-05-31 | 南京邮电大学 | 一种基于深层特征与浅层特征融合的人脸年龄估计方法 |
CN107742107A (zh) * | 2017-10-20 | 2018-02-27 | 北京达佳互联信息技术有限公司 | 人脸图像分类方法、装置及服务器 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543546A (zh) * | 2018-10-26 | 2019-03-29 | 复旦大学 | 基于深度序分布回归的步态年龄估计方法 |
CN109493135A (zh) * | 2018-11-02 | 2019-03-19 | 广东阅云科技有限公司 | 一种基于人脸识别的门店客户数据处理方法和系统 |
CN110084174A (zh) * | 2019-04-23 | 2019-08-02 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、系统及电子设备和存储介质 |
CN110462632A (zh) * | 2019-06-27 | 2019-11-15 | 深圳市汇顶科技股份有限公司 | 人脸识别的方法、装置和电子设备 |
CN113033263A (zh) * | 2019-12-24 | 2021-06-25 | 深圳云天励飞技术有限公司 | 一种人脸图像年龄特征识别方法 |
CN111048209A (zh) * | 2019-12-28 | 2020-04-21 | 安徽硕威智能科技有限公司 | 基于活体人脸识别的健康评估方法、装置及其存储介质 |
CN111696100A (zh) * | 2020-06-17 | 2020-09-22 | 上海鹰瞳医疗科技有限公司 | 基于眼底影像确定吸烟程度的方法及设备 |
CN111881737A (zh) * | 2020-06-18 | 2020-11-03 | 深圳数联天下智能科技有限公司 | 年龄预测模型的训练方法及装置、年龄预测方法及装置 |
CN111881737B (zh) * | 2020-06-18 | 2023-12-08 | 深圳数联天下智能科技有限公司 | 年龄预测模型的训练方法及装置、年龄预测方法及装置 |
CN112329693A (zh) * | 2020-11-17 | 2021-02-05 | 汇纳科技股份有限公司 | 性别年龄识别模型的训练方法、识别方法、介质及设备 |
CN112329693B (zh) * | 2020-11-17 | 2024-01-19 | 汇纳科技股份有限公司 | 性别年龄识别模型的训练方法、识别方法、介质及设备 |
CN112906525A (zh) * | 2021-02-05 | 2021-06-04 | 广州市百果园信息技术有限公司 | 年龄识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573209A (zh) | 一种基于人脸的单模型多输出的年龄性别识别方法及系统 | |
CN108256544B (zh) | 图片分类方法和装置、机器人 | |
Das et al. | Sign language recognition using deep learning on custom processed static gesture images | |
Hertel et al. | Deep convolutional neural networks as generic feature extractors | |
CN110188795A (zh) | 图像分类方法、数据处理方法和装置 | |
CN115082745B (zh) | 基于图像的电缆绞线质量检测方法及其系统 | |
CN109063719B (zh) | 一种联合结构相似性和类信息的图像分类方法 | |
CN108921061A (zh) | 一种表情识别方法、装置和设备 | |
CN110781784A (zh) | 基于双路注意力机制的人脸识别方法、装置及设备 | |
CN107766850A (zh) | 基于结合人脸属性信息的人脸识别方法 | |
CN109711422A (zh) | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN112016450B (zh) | 机器学习模型的训练方法、装置和电子设备 | |
CN112199536A (zh) | 一种基于跨模态的快速多标签图像分类方法和系统 | |
CN107392183B (zh) | 人脸分类识别方法、装置及可读存储介质 | |
CN112784929B (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
CN111832650B (zh) | 基于生成对抗网络局部聚合编码半监督的图像分类方法 | |
CN107679572A (zh) | 一种图像判别方法、存储设备及移动终端 | |
CN112200090A (zh) | 基于交叉分组空谱特征增强网络的高光谱图像分类方法 | |
CN107885886A (zh) | 对信息推荐结果排序的方法、装置及服务器 | |
CN110837808A (zh) | 一种基于改进的胶囊网络模型的高光谱图像分类方法 | |
CN110047506A (zh) | 一种基于卷积神经网络和多核学习svm的关键音频检测方法 | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN110309832A (zh) | 一种基于图像的物体分类方法、系统及电子设备 | |
CN108537235A (zh) | 一种低复杂度尺度金字塔提取图像特征的方法 |
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 |
Application publication date: 20180925 |
|
RJ01 | Rejection of invention patent application after publication |