CN108985133A - 一种人脸图像的年龄预测方法及装置 - Google Patents
一种人脸图像的年龄预测方法及装置 Download PDFInfo
- Publication number
- CN108985133A CN108985133A CN201710403649.1A CN201710403649A CN108985133A CN 108985133 A CN108985133 A CN 108985133A CN 201710403649 A CN201710403649 A CN 201710403649A CN 108985133 A CN108985133 A CN 108985133A
- Authority
- CN
- China
- Prior art keywords
- age
- facial image
- age group
- training
- detected
- 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.)
- Granted
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
- G06V40/176—Dynamic expression
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸图像的年龄预测方法及装置。该年龄预测方法包括:根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组;根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系;根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络;采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率;根据所述目标匹配概率,预测所述待检测人脸图像的年龄。该年龄预测方法,不破坏相近年龄之间的相关性,对待检测人脸图像的年龄预测结果更加准确,适用性更好。
Description
技术领域
本发明涉及人脸图像识别技术领域,尤其涉及一种人脸图像的年龄预测方法及装置。
背景技术
通常,人的老化过程受多种因素影响,例如:基因、外部环境、起居饮食等,这些因素导致每个人的老化速率不同,同时,人的老化过程又是一个较为缓慢的过程,由此,同一人或不同人在相近年龄的特征较为相似,使得同一人或不同人相近年龄的人脸图像的人脸特征较为相似。
现有技术中,在人脸图像的年龄预测技术中,通常将年龄作为一个单独的类别,在训练用于预测人脸图像的年龄的网络模型时,将已知年龄的训练人脸图像与年龄之间建立一对一的映射关系,即一个年龄只与该年龄的训练人脸图像进行对应,这样无法保持相近年龄之间的相关性,使得在训练用于预测人脸图像的年龄的网络模型时,相近年龄之间的相关性受到破坏,导致采用训练好的用于预测人脸图像的年龄的网络模型,对未知年龄的人脸图像的年龄进行预测时,预测出的结果准确度较低。
综上可知,现有的人脸图像的年龄预测方法,预测的准确度较低,适用性较差。
发明内容
本发明提供了一种人脸图像的年龄预测方法及装置,以解决现有的人脸图像的年龄预测方法,预测的准确度较低,适用性较差的问题。
第一方面,本发明提供了一种人脸图像的年龄预测方法,该年龄预测方法包括:根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组;根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系;根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络;采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率;根据所述目标匹配概率,预测所述待检测人脸图像的年龄。
进一步,根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组的过程,具体包括:将预设年龄集合Y={l0,l1,…,lk}中包含的年龄l0,l1,…,lk划分为k+n个年龄组,其中,l0<l1<…<lk,k和n均为正整数;将k+n个年龄组按照0,1,…,k+n-1进行编号,编号为i,i+1,…,i+n-1的年龄组中均包含年龄li,其中,i=0,1,…,k。
进一步,根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系之后,根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络之前,该年龄预测方法还包括:将所有训练人脸图像按照1,2,…,N进行编号,根据年龄组的编号、训练人脸图像的编号以及所述匹配关系,在每帧训练人脸图像上标注k+n个标签,每个标签对应k+n个年龄组中一个年龄组,N表示训练人脸图像的数量;每个标签中记录有或其中,t表示年龄组的编号,t=0,1,2,…,k+n-1;h表示训练人脸图像的编号,h=1,2,…,N;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为相匹配;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为不匹配。
进一步,根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络的过程,具体包括:将所有训练人脸图像输入至预设年龄组分类网络,该预设年龄组分类网络包含k+n个分类器,每个分类器对应k+n个年龄组中一个年龄组,用于预测输入的训练人脸图像与该年龄组的匹配概率;读取所有标签中记录的匹配关系,根据所述匹配关系以及每个分类器输出的匹配概率,采用下述预设第一关系式对所有分类器进行训练,直至训练损失收敛,生成收敛年龄组分类网络;其中,J表示训练损失,为指示函数,当成立时,该指示函数的值为1,当不成立时,该指示函数的值为0,b表示预设年龄组分类网络包含的k+n个分类器中任意一个分类器的节点,该分类器包括两个节点,b=0表示该分类器的第一个节点,b=1表示该分类器的第二个节点,为与编号为t的年龄组对应的分类器输出的匹配概率,表示编号为h的训练人脸图像与编号为t的年龄组匹配(b=1)/不匹配(b=0)的概率,xh表示编号为h的训练人脸图像的人脸特征,αt、W、W均为网络参数。
进一步,根据所述目标匹配概率,预测所述待检测人脸图像的年龄的过程,具体包括:确定出与所述待检测人脸图像的目标匹配概率最大的目标年龄组,获取该目标年龄组包含的目标年龄;采用下述预设第二关系式,预测所述待检测人脸图像与每个目标年龄相匹配的参考概率;
其中,P(la|xd,W,W)表示所述待检测人脸图像与目标年龄la相匹配的参考概率,表示所述待检测人脸图像与编号为t的年龄组相匹配的概率,表示所述待检测人脸图像与编号为t的年龄组不匹配的概率,xd表示所述待检测人脸图像的人脸特征,Z表示使得的归一化因子,表示目标年龄la所属的年龄组的索引集合,表示的补集,αt,W,W均表示网络参数;根据所述参考概率,采用下述预设第三关系式,预测所述待检测人脸图像的年龄;其中,y′表示所述待检测人脸图像的年龄,m表示所述目标年龄组的编号,Sm表示所述目标年龄组包含的目标年龄的集合。
第二方面,本发明还提供了一种人脸图像的年龄预测装置,该年龄预测装置包括:年龄组生成模块,用于根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组;匹配模块,用于根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系;神经网络训练模块,用于根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络;匹配概率预测模块,用于采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率;年龄预测模块,用于根据所述目标匹配概率,预测所述待检测人脸图像的年龄。
进一步,所述年龄组生成模块具体用于:将预设年龄集合Y={l0,l1,…,lk}中包含的年龄l0,l1,…,lk划分为k+n个年龄组,其中,l0<l1<…<lk,k和n均为正整数;将k+n个年龄组按照0,1,…,k+n-1进行编号,编号为i,i+1,…,i+n-1的年龄组中均包含年龄li,其中,i=0,1,…,k。
进一步,该年龄预测装置还包括:标签标注模块,用于执行下述操作:将所有训练人脸图像按照1,2,…,N进行编号,根据年龄组的编号、训练人脸图像的编号以及所述匹配关系,在每帧训练人脸图像上标注k+n个标签,每个标签对应k+n个年龄组中一个年龄组,N表示训练人脸图像的数量;每个标签中记录有或其中,t表示年龄组的编号,t=0,1,2,…,k+n-1;h表示训练人脸图像的编号,h=1,2,…,N;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为相匹配;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为不匹配。
进一步,所述神经网络训练模块具体用于:将所有训练人脸图像输入至预设年龄组分类网络,该预设年龄组分类网络包含k+n个分类器,每个分类器对应k+n个年龄组中一个年龄组,用于预测输入的训练人脸图像与该年龄组的匹配概率;读取所有标签中记录的匹配关系,根据所述匹配关系以及每个分类器输出的匹配概率,采用下述预设第一关系式对所有分类器进行训练,直至训练损失收敛,生成收敛年龄组分类网络;
其中,J表示训练损失,为指示函数,当成立时,该指示函数的值为1,当不成立时,该指示函数的值为0,b表示预设年龄组分类网络包含的k+n个分类器中任意一个分类器的节点,该分类器包括两个节点,b=0表示该分类器的第一个节点,b=1表示该分类器的第二个节点,为与编号为t的年龄组对应的分类器输出的匹配概率,表示编号为h的训练人脸图像与编号为t的年龄组匹配(b=1)/不匹配(b=0)的概率,xh表示编号为h的训练人脸图像的人脸特征,αt、W、W均为网络参数。
进一步,所述年龄预测模块具体用于:确定出与所述待检测人脸图像的目标匹配概率最大的目标年龄组,获取该目标年龄组包含的目标年龄;采用下述预设第二关系式,预测所述待检测人脸图像与每个目标年龄相匹配的参考概率;
其中,P(la|xd,W,W)表示所述待检测人脸图像与目标年龄la相匹配的参考概率,表示所述待检测人脸图像与编号为t的年龄组相匹配的概率,表示所述待检测人脸图像与编号为t的年龄组不匹配的概率,xd表示所述待检测人脸图像的人脸特征,Z表示使得的归一化因子,表示目标年龄la所属的年龄组的索引集合,表示的补集,αt,W,W均表示网络参数;根据所述参考概率,采用下述预设第三关系式,预测所述待检测人脸图像的年龄;其中,y′表示所述待检测人脸图像的年龄,m表示所述目标年龄组的编号,Sm表示所述目标年龄组包含的目标年龄的集合。
本发明实施例提供的技术方案可以包括以下有益效果:本发明提供了一种人脸图像的年龄预测方法及装置。该年龄预测方法中,将预设年龄集合中包含的所有年龄根据预设相近年龄分组规则划分为多个年龄组,其中,每个年龄均被划分至多个年龄组,每个年龄组中包含多个相近的年龄,并且在预设年龄组分类网络中设置多个分类器,每个分类器对应多个年龄组中的一个年龄组,从而建立了分类器与多个相近年龄的对应关系,在人脸图像的年龄预测过程中,充分考虑了相近年龄之间的相关性,使得训练生成的收敛年龄组分类网络对待检测人脸图像的年龄预测结果更加准确,适用性更好。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人脸图像的年龄预测方法的流程示意图;
图2为本发明实施例提供的一种根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组的示例图;
图3为本发明实施例提供的一种人脸图像的年龄预测装置的结构框图。
具体实施方式
下面结合附图,详细介绍本发明的具体实施例。
参见图1,图1示出的是本发明实施例提供的一种人脸图像的年龄预测方法的流程示意图。结合图1可知,该年龄预测方法包括:
步骤101、根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组。
其中,预设年龄集合可以根据实际需要进行设定,例如,在一些可选的实施例中,将预设年龄集合记为Y={l0,l1,…,lk},其中l0,l1,…,lk为预设年龄集合Y={l0,l1,…,lk}中包含的年龄,l0<l1<…<lk,k为正整数。
具体实施时,根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组的过程,可以按照下述实施方式实现:将预设年龄集合Y={l0,l1,…,lk}中包含的年龄l0,l1,…,lk划分为k+n个年龄组,其中,l0<l1<…<lk,k和n均为正整数;将k+n个年龄组按照0,1,…,k+n-1进行编号,编号为i,i+1,…,i+n-1的年龄组中均包含年龄li,其中,i=0,1,…,k。按照该实施方式,将预设年龄集合包含的年龄划分为多个年龄组之后,预设年龄集合中包含的每一个年龄均被划分至n个年龄组中,不仅保证每一个年龄组均包含多个相近的年龄,从而保证了后续同一个分类器与多个相近的年龄相对应,还保证了同一个年龄被划分至多个编号相近的年龄组中,从而保证了后续与多个相近年龄分别对应的多个分类器与同一个年龄相对应,进而保证了在后续训练用于预测人脸图像的年龄的预设年龄组分类网络时,相近年龄之间的相关性不会受到破坏,使得训练后生成的收敛年龄组分类网络对人脸图像的年龄预测的准确度更高。
下面参考图2,图2示出的是本发明实施例提供的一种根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组的示例图。结合图2以一个具体实例介绍如何根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组:假设预设年龄集合Y={0,1,…,100},n=3(n也可以根据需要取其它任意正整数),则k=100,k+n=103,可以将预设年龄集合划分为103个年龄组,划分后的103个年龄组参见图2,其中,G0~G102表示这103个年龄组的编号。
步骤102、根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系。
按照预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组之后,例如按照预设相近年龄分组规则将预设年龄集合Y={l0,l1,…,lk}中包含的年龄l0,l1,…,lk划分为k+n个年龄组之后,每一个年龄组中包含的年龄即可确定。
训练人脸图像为已知年龄的人脸图像。通常训练人脸图像预先存储于用于实施人脸图像的年龄预测方法的装置中,在具体实施时,直接从用于实施人脸图像的年龄预测方法的装置中调取即可。或者,在一些可选的实施例中,训练人脸图像没有预先存储于用于实施人脸图像的年龄预测方法的装置中,具体实施时,用于实施人脸图像的年龄预测方法的装置可以通过接收用户输入的方式获取训练人脸图像。
获取到训练人脸图像后,根据训练人脸图像的年龄,可以确定出所述训练人脸图像与划分的多个年龄组中每一个年龄组的匹配关系,例如确定出所述训练人脸图像与k+n个年龄组中每一个年龄组的匹配关系,具体过程包括:将每一帧训练人脸图像的年龄与划分的多个年龄组中每一个年龄组包含的年龄进行匹配,确定该年龄组中是否包含该帧训练人脸图像的年龄,如果是,则确定该帧训练人脸图像与该年龄组的匹配关系为相匹配;或,如果否,则确定该帧训练人脸图像与该年龄组的匹配关系为不匹配。
确定出所有训练人脸图像中每一帧训练人脸图像与多个年龄组中每一个年龄组的匹配关系之后,该年龄预测方法还包括:将所有训练人脸图像按照1,2,…,N进行编号,根据年龄组的编号、训练人脸图像的编号以及所述匹配关系,在每帧训练人脸图像上标注k+n个标签,每个标签对应k+n个年龄组中一个年龄组,N表示训练人脸图像的数量;每个标签中记录有或其中,t表示年龄组的编号,t=0,1,2,…,k+n-1;h表示训练人脸图像的编号,h=1,2,…,N;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为相匹配;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为不匹配。
步骤103、根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络。
其中,预设年龄组分类网络包括输入层、隐含层和输出层三部分。输入层用于输入人脸图像(训练人脸图像或待检测人脸图像),隐含层由VGG(Visual Geometry Group)神经网络构成,输出层由多个分类器(例如k+n个分类器)构成,输出层中包含的分类器的数量与划分的年龄组的数量相同,一个分类器对应一个年龄组。需要说明的是,隐含层不限于由VGG神经网络构成,也可以由其它神经网络构成,此处不再一一列举。
具体实施时,根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络的过程,具体包括:将所有训练人脸图像输入至预设年龄组分类网络,该预设年龄组分类网络包含k+n个分类器,每个分类器对应k+n个年龄组中一个年龄组,用于预测输入的训练人脸图像与该年龄组的匹配概率,训练人脸图像与该年龄组的匹配概率包含该年龄组中包含该训练人脸图像的年龄的概率和该年龄组中不包含该训练人脸图像的年龄的概率;读取所有标签中记录的匹配关系,根据所述匹配关系以及每个分类器输出的匹配概率,采用下述预设第一关系式,即关系式(1),对所有分类器进行训练,直至训练损失收敛,生成收敛年龄组分类网络;
关系式(1)中,J表示训练损失,为指示函数,当成立时,该指示函数的值为1,当不成立时,该指示函数的值为0,b表示预设年龄组分类网络包含的k+n个分类器中任意一个分类器的节点,该分类器包括两个节点,b=0表示该分类器的第一个节点,b=1表示该分类器的第二个节点,为与编号为t的年龄组对应的分类器输出的匹配概率,表示编号为h的训练人脸图像与编号为t的年龄组匹配(b=1)/不匹配(b=0)的概率,xh表示编号为h的训练人脸图像的人脸特征,αt、W、W均为网络参数。
步骤104、采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率。
生成收敛年龄组分类网络后,将待检测人脸图像输入至收敛年龄组分类网络中,采用收敛年龄组分类网络对待检测人脸图像进行处理,之后读取收敛年龄组分类网络的输出结果,即可获得待检测人脸图像与每一个年龄组的目标匹配概率,本文中,将待检测人脸图像与每一个年龄组的匹配概率定义为目标匹配概率,待检测人脸图像与每一个年龄组的匹配概率指的是该年龄组中包含待检测人脸图像的年龄的概率,采用收敛年龄组分类网络中与该年龄组对应的分类器预测获得。
步骤105、根据所述目标匹配概率,预测所述待检测人脸图像的年龄。
预测出待检测人脸图像与划分的多个年龄组中每一个年龄组的目标匹配概率之后,可以根据所述目标匹配概率,预测所述待检测人脸图像的年龄。具体实施时,根据所述目标匹配概率,预测所述待检测人脸图像的年龄的过程,具体包括:
确定出与所述待检测人脸图像的目标匹配概率最大的目标年龄组,获取该目标年龄组包含的目标年龄;其中,目标年龄组为划分的多个年龄组中的一个年龄组,该年龄组中包含待检测人脸图像的年龄的概率最大,本文中,将该年龄组定义为目标年龄组,将该年龄组中包含的年龄定义为目标年龄。
采用下述预设第二关系式,即关系式(2),预测所述待检测人脸图像与每个目标年龄相匹配的参考概率,本文中,将待检测人脸图像与每个目标年龄相匹配的概率定义为参考概率,待检测人脸图像与每个目标年龄相匹配的概率指的是待检测人脸图像的年龄与该目标年龄相同的概率:
关系式(2)中,P(la|xd,W,W)表示所述待检测人脸图像与目标年龄la相匹配的参考概率,表示所述待检测人脸图像与编号为t的年龄组相匹配的概率,即编号为t的年龄组中包含待检测人脸图像的年龄的概率,表示所述待检测人脸图像与编号为t的年龄组不匹配的概率,即编号为t的年龄组中不包含待检测人脸图像的年龄的概率,xd表示所述待检测人脸图像的人脸特征,Z表示使得的归一化因子,表示目标年龄la所属的年龄组的索引集合,表示的补集,αt,W,W均表示网络参数。
根据所述参考概率,采用下述预设第三关系式,即关系式(3),预测所述待检测人脸图像的年龄:
关系式(3)中,y′表示所述待检测人脸图像的年龄,m表示所述目标年龄组的编号,Sm表示所述目标年龄组包含的目标年龄的集合。
进一步,在一些可选的实施例中,获取到训练人脸图像之后,执行步骤102之前,该年龄预测方法还包括:对训练人脸图像进行预处理。对训练人脸图像进行预处理之后,后续可以生成更加精确的收敛年龄组分类网络。具体实施时,可以按照下述实施方式对训练人脸图像进行预处理:对训练人脸图像进行人脸检测,检测每一帧训练人脸图像是否包含人脸,如果该帧训练人脸图像中包含人脸,则将该帧训练人脸图像存储留用,用于后续的年龄预测过程;或,如果该帧训练人脸图像中不包含人脸,则将该帧训练人脸图像删除;删除掉不包含人脸的训练人脸图像后,将存储留用的所有训练人脸图像中每一帧训练人脸图像进行关键点检测,确定出该帧训练人脸图像的两个关键点,其中,一个关键点位于该帧训练人脸图像的两个眼睛之间的中心位置,另一个关键点位于该帧训练人脸图像的上嘴唇与鼻子下方的中心位置;确定出存储留用的所有训练人脸图像中每一帧训练人脸图像的两个关键点后,根据该帧训练人脸图像的两个关键点,将该帧训练人脸图像与预设标准人脸图像中的关键点进行对齐,之后根据预设标准人脸图像的尺寸对该帧训练人脸图像进行裁剪,生成标准的训练人脸图像。将存储留用的所有训练人脸图像进行裁剪,生成标准的训练人脸图像后,采用所有标准的训练人脸图像执行步骤102以及步骤102之后的所有步骤。
进一步,在采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率之前,该年龄预测方法还包括:对待检测人脸图像进行预处理。具体实施时,可以按照下述实施方式对待检测人脸图像进行预处理:对待检测人脸图像进行关键点检测,确定出待检测人脸图像的两个关键点,其中,一个关键点位于待检测人脸图像的两个眼睛之间的中心位置,另一个关键点位于待检测人脸图像的上嘴唇与鼻子下方的中心位置;确定出待检测人脸图像的两个关键点后,根据待检测人脸图像的两个关键点,将待检测人脸图像与预设标准人脸图像中的关键点进行对齐,之后根据预设标准人脸图像的尺寸对待检测人脸图像进行裁剪,生成标准的待检测人脸图像。之后,采用标准的待检测人脸图像执行步骤104以及步骤104之后的所有步骤。对待检测人脸图像进行预处理之后,对待检测人脸图像的年龄预测结果更加准确。
本发明实施例提供的人脸图像的年龄预测方法,将预设年龄集合中包含的所有年龄根据预设相近年龄分组规则划分为多个年龄组,其中,每个年龄均被划分至多个年龄组,每个年龄组中包含多个相近的年龄,并且在预设年龄组分类网络中设置多个分类器,每个分类器对应多个年龄组中的一个年龄组,从而建立了分类器与多个相近年龄的对应关系,在人脸图像的年龄预测过程中,充分考虑了相近年龄之间的相关性,使得训练生成的收敛年龄组分类网络对待检测人脸图像的年龄预测结果更加准确,适用性更好。
与上述人脸图像的年龄预测方法相对应,本发明还提供了一种人脸图像的年龄预测装置。
参见图3,图3示出的是本发明实施例提供的一种人脸图像的年龄预测装置的结构框图。结合图3可知,该年龄预测装置包括:年龄组生成模块301,用于根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组;匹配模块302,用于根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系;神经网络训练模块303,用于根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络;匹配概率预测模块304,用于采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率;年龄预测模块305,用于根据所述目标匹配概率,预测所述待检测人脸图像的年龄。
进一步,所述年龄组生成模块301具体用于:将预设年龄集合Y={l0,l1,…,lk}中包含的年龄l0,l1,…,lk划分为k+n个年龄组,其中,l0<l1<…<lk,k和n均为正整数;将k+n个年龄组按照0,1,…,k+n-1进行编号,编号为i,i+1,…,i+n-1的年龄组中均包含年龄li,其中,i=0,1,…,k。
进一步,该年龄预测装置还包括:标签标注模块306,用于执行下述操作:将所有训练人脸图像按照1,2,…,N进行编号,根据年龄组的编号、训练人脸图像的编号以及所述匹配关系,在每帧训练人脸图像上标注k+n个标签,每个标签对应k+n个年龄组中一个年龄组,N表示训练人脸图像的数量;每个标签中记录有或其中,t表示年龄组的编号,t=0,1,2,…,k+n-1;h表示训练人脸图像的编号,h=1,2,…,N;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为相匹配;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为不匹配。
进一步,所述神经网络训练模块303具体用于:将所有训练人脸图像输入至预设年龄组分类网络,该预设年龄组分类网络包含k+n个分类器,每个分类器对应k+n个年龄组中一个年龄组,用于预测输入的训练人脸图像与该年龄组的匹配概率;读取所有标签中记录的匹配关系,根据所述匹配关系以及每个分类器输出的匹配概率,采用下述预设第一关系式对所有分类器进行训练,直至训练损失收敛,生成收敛年龄组分类网络;
其中,J表示训练损失,为指示函数,当成立时,该指示函数的值为1,当不成立时,该指示函数的值为0,b表示预设年龄组分类网络包含的k+n个分类器中任意一个分类器的节点,该分类器包括两个节点,b=0表示该分类器的第一个节点,b=1表示该分类器的第二个节点,为与编号为t的年龄组对应的分类器输出的匹配概率,表示编号为h的训练人脸图像与编号为t的年龄组匹配(b=1)/不匹配(b=0)的概率,xh表示编号为h的训练人脸图像的人脸特征,αt、W、W均为网络参数。
进一步,所述年龄预测模块305具体用于:确定出与所述待检测人脸图像的目标匹配概率最大的目标年龄组,获取该目标年龄组包含的目标年龄;采用下述预设第二关系式,预测所述待检测人脸图像与每个目标年龄相匹配的参考概率;
其中,P(la|xd,W,W)表示所述待检测人脸图像与目标年龄la相匹配的参考概率,表示所述待检测人脸图像与编号为t的年龄组相匹配的概率,表示所述待检测人脸图像与编号为t的年龄组不匹配的概率,xd表示所述待检测人脸图像的人脸特征,Z表示使得的归一化因子,表示目标年龄la所属的年龄组的索引集合,表示的补集,αt,W,W均表示网络参数;根据所述参考概率,采用下述预设第三关系式,预测所述待检测人脸图像的年龄;其中,y′表示所述待检测人脸图像的年龄,m表示所述目标年龄组的编号,Sm表示所述目标年龄组包含的目标年龄的集合。
进一步,该年龄预测装置还包括:第一预处理模块307,用于对训练人脸图像进行预处理。具体实施时,该预处理模块307具体用于:对训练人脸图像进行人脸检测,检测每一帧训练人脸图像是否包含人脸,如果该帧训练人脸图像中包含人脸,则将该帧训练人脸图像存储留用,用于后续的年龄预测过程;或,如果该帧训练人脸图像中不包含人脸,则将该帧训练人脸图像删除;删除掉不包含人脸的训练人脸图像后,将存储留用的所有训练人脸图像中每一帧训练人脸图像进行关键点检测,确定出该帧训练人脸图像的两个关键点,其中,一个关键点位于该帧训练人脸图像的两个眼睛之间的中心位置,另一个关键点位于该帧训练人脸图像的上嘴唇与鼻子下方的中心位置;确定出存储留用的所有训练人脸图像中每一帧训练人脸图像的两个关键点后,根据该帧训练人脸图像的两个关键点,将该帧训练人脸图像与预设标准人脸图像中的关键点进行对齐,之后根据预设标准人脸图像的尺寸对该帧训练人脸图像进行裁剪,生成标准的训练人脸图像。
进一步,该年龄预测装置还包括:第二预处理模块308,用于对待检测人脸图像进行预处理。具体实施时,第二预处理模块308具体用于:对待检测人脸图像进行关键点检测,确定出待检测人脸图像的两个关键点,其中,一个关键点位于待检测人脸图像的两个眼睛之间的中心位置,另一个关键点位于待检测人脸图像的上嘴唇与鼻子下方的中心位置;确定出待检测人脸图像的两个关键点后,根据待检测人脸图像的两个关键点,将待检测人脸图像与预设标准人脸图像中的关键点进行对齐,之后根据预设标准人脸图像的尺寸对待检测人脸图像进行裁剪,生成标准的待检测人脸图像。
采用本发明实施例提供的人脸图像的年龄预测装置,能够实施上述人脸图像的年龄预测方法中的各个步骤,并达到相应的有益效果。采用本发明实施例提供的人脸图像的年龄预测装置对待检测人脸图像进行年龄预测后,预测得到的年龄更加准确。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的人脸图像的年龄预测方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文:read-only memory,简称:ROM)或随机存储记忆体(英文:random access memory,简称:RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于人脸图像的年龄预测装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (10)
1.一种人脸图像的年龄预测方法,其特征在于,包括:
根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组;
根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系;
根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络;
采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率;
根据所述目标匹配概率,预测所述待检测人脸图像的年龄。
2.如权利要求1所述的年龄预测方法,其特征在于,根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组的过程,具体包括:
将预设年龄集合Y={l0,l1,…,lk}中包含的年龄l0,l1,…,lk划分为k+n个年龄组,其中,l0<l1<…<lk,k和n均为正整数;
将k+n个年龄组按照0,1,…,k+n-1进行编号,编号为i,i+1,…,i+n-1的年龄组中均包含年龄li,其中,i=0,1,…,k。
3.如权利要求2所述的年龄预测方法,其特征在于,根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系之后,根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络之前,该年龄预测方法还包括:
将所有训练人脸图像按照1,2,…,N进行编号,根据年龄组的编号、训练人脸图像的编号以及所述匹配关系,在每帧训练人脸图像上标注k+n个标签,每个标签对应k+n个年龄组中一个年龄组,N表示训练人脸图像的数量;
每个标签中记录有或其中,t表示年龄组的编号,t=0,1,2,…,k+n-1;h表示训练人脸图像的编号,h=1,2,…,N;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为相匹配;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为不匹配。
4.如权利要求3所述的年龄预测方法,其特征在于,根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络的过程,具体包括:
将所有训练人脸图像输入至预设年龄组分类网络,该预设年龄组分类网络包含k+n个分类器,每个分类器对应k+n个年龄组中一个年龄组,用于预测输入的训练人脸图像与该年龄组的匹配概率;
读取所有标签中记录的匹配关系,根据所述匹配关系以及每个分类器输出的匹配概率,采用下述预设第一关系式对所有分类器进行训练,直至训练损失收敛,生成收敛年龄组分类网络;
其中,J表示训练损失,为指示函数,当成立时,该指示函数的值为1,当不成立时,该指示函数的值为0,b表示预设年龄组分类网络包含的k+n个分类器中任意一个分类器的节点,该分类器包括两个节点,b=0表示该分类器的第一个节点,b=1表示该分类器的第二个节点,为与编号为t的年龄组对应的分类器输出的匹配概率,表示编号为h的训练人脸图像与编号为t的年龄组匹配(b=1)/不匹配(b=0)的概率,xh表示编号为h的训练人脸图像的人脸特征,αt、W、W均为网络参数。
5.如权利要求4所述的年龄预测方法,其特征在于,根据所述目标匹配概率,预测所述待检测人脸图像的年龄的过程,具体包括:
确定出与所述待检测人脸图像的目标匹配概率最大的目标年龄组,获取该目标年龄组包含的目标年龄;
采用下述预设第二关系式,预测所述待检测人脸图像与每个目标年龄相匹配的参考概率;
其中,P(la|xd,W,W)表示所述待检测人脸图像与目标年龄la相匹配的参考概率,表示所述待检测人脸图像与编号为t的年龄组相匹配的概率,表示所述待检测人脸图像与编号为t的年龄组不匹配的概率,xd表示所述待检测人脸图像的人脸特征,Z表示使得的归一化因子,表示目标年龄la所属的年龄组的索引集合,表示的补集,αt,W,W均表示网络参数;
根据所述参考概率,采用下述预设第三关系式,预测所述待检测人脸图像的年龄;
其中,y′表示所述待检测人脸图像的年龄,m表示所述目标年龄组的编号,Sm表示所述目标年龄组包含的目标年龄的集合。
6.一种人脸图像的年龄预测装置,其特征在于,包括:
年龄组生成模块,用于根据预设相近年龄分组规则将预设年龄集合包含的年龄划分为多个年龄组;
匹配模块,用于根据训练人脸图像的年龄,确定所述训练人脸图像与所述多个年龄组中每一个年龄组的匹配关系;
神经网络训练模块,用于根据所述匹配关系,采用所述训练人脸图像对预设年龄组分类网络进行训练,生成收敛年龄组分类网络;
匹配概率预测模块,用于采用所述收敛年龄组分类网络预测待检测人脸图像与每一个年龄组的目标匹配概率;
年龄预测模块,用于根据所述目标匹配概率,预测所述待检测人脸图像的年龄。
7.如权利要求6所述的年龄预测装置,其特征在于,所述年龄组生成模块具体用于:
将预设年龄集合Y={l0,l1,…,lk}中包含的年龄l0,l1,…,lk划分为k+n个年龄组,其中,l0<l1<…<lk,k和n均为正整数;
将k+n个年龄组按照0,1,…,k+n-1进行编号,编号为i,i+1,…,i+n-1的年龄组中均包含年龄li,其中,i=0,1,…,k。
8.如权利要求7所述的年龄预测装置,其特征在于,该年龄预测装置还包括:标签标注模块,用于执行下述操作:
将所有训练人脸图像按照1,2,…,N进行编号,根据年龄组的编号、训练人脸图像的编号以及所述匹配关系,在每帧训练人脸图像上标注k+n个标签,每个标签对应k+n个年龄组中一个年龄组,N表示训练人脸图像的数量;
每个标签中记录有或其中,t表示年龄组的编号,t=0,1,2,…,k+n-1;h表示训练人脸图像的编号,h=1,2,…,N;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为相匹配;表示编号为h的训练人脸图像与编号为t的年龄组的匹配关系为不匹配。
9.如权利要求8所述的年龄预测装置,其特征在于,所述神经网络训练模块具体用于:
将所有训练人脸图像输入至预设年龄组分类网络,该预设年龄组分类网络包含k+n个分类器,每个分类器对应k+n个年龄组中一个年龄组,用于预测输入的训练人脸图像与该年龄组的匹配概率;
读取所有标签中记录的匹配关系,根据所述匹配关系以及每个分类器输出的匹配概率,采用下述预设第一关系式对所有分类器进行训练,直至训练损失收敛,生成收敛年龄组分类网络;
其中,J表示训练损失,为指示函数,当成立时,该指示函数的值为1,当不成立时,该指示函数的值为0,b表示预设年龄组分类网络包含的k+n个分类器中任意一个分类器的节点,该分类器包括两个节点,b=0表示该分类器的第一个节点,b=1表示该分类器的第二个节点,为与编号为t的年龄组对应的分类器输出的匹配概率,表示编号为h的训练人脸图像与编号为t的年龄组匹配(b=1)/不匹配(b=0)的概率,xh表示编号为h的训练人脸图像的人脸特征,αt、W、W均为网络参数。
10.如权利要求9所述的年龄预测装置,其特征在于,所述年龄预测模块具体用于:
确定出与所述待检测人脸图像的目标匹配概率最大的目标年龄组,获取该目标年龄组包含的目标年龄;
采用下述预设第二关系式,预测所述待检测人脸图像与每个目标年龄相匹配的参考概率;
其中,P(la|xd,W,W)表示所述待检测人脸图像与目标年龄la相匹配的参考概率,表示所述待检测人脸图像与编号为t的年龄组相匹配的概率,表示所述待检测人脸图像与编号为t的年龄组不匹配的概率,xd表示所述待检测人脸图像的人脸特征,Z表示使得的归一化因子,表示目标年龄la所属的年龄组的索引集合,表示的补集,αt,W,W均表示网络参数;
根据所述参考概率,采用下述预设第三关系式,预测所述待检测人脸图像的年龄;
其中,y′表示所述待检测人脸图像的年龄,m表示所述目标年龄组的编号,Sm表示所述目标年龄组包含的目标年龄的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710403649.1A CN108985133B (zh) | 2017-06-01 | 2017-06-01 | 一种人脸图像的年龄预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710403649.1A CN108985133B (zh) | 2017-06-01 | 2017-06-01 | 一种人脸图像的年龄预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985133A true CN108985133A (zh) | 2018-12-11 |
CN108985133B CN108985133B (zh) | 2022-04-12 |
Family
ID=64501549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710403649.1A Active CN108985133B (zh) | 2017-06-01 | 2017-06-01 | 一种人脸图像的年龄预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985133B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008926A (zh) * | 2019-04-15 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
CN111814553A (zh) * | 2020-06-08 | 2020-10-23 | 浙江大华技术股份有限公司 | 人脸检测方法、模型的训练方法及其相关装置 |
CN112651372A (zh) * | 2020-12-31 | 2021-04-13 | 北京眼神智能科技有限公司 | 基于人脸图像的年龄判断方法及装置、电子设备、存储介质 |
EP4064113A4 (en) * | 2019-11-22 | 2023-05-10 | Arcsoft Corporation Limited | USER INFORMATION DETECTION METHOD AND SYSTEM, AND ELECTRONIC DEVICE |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101999900A (zh) * | 2009-08-28 | 2011-04-06 | 南京壹进制信息技术有限公司 | 一种应用于人脸识别的活体检测方法及系统 |
CN102306281A (zh) * | 2011-07-13 | 2012-01-04 | 东南大学 | 一种多模态人类年龄自动估计方法 |
CN103544486A (zh) * | 2013-10-31 | 2014-01-29 | 东南大学 | 基于自适应标记分布的人类年龄估计方法 |
CN103902964A (zh) * | 2012-12-31 | 2014-07-02 | 深圳先进技术研究院 | 一种人脸识别方法 |
WO2014178105A1 (ja) * | 2013-04-30 | 2014-11-06 | Necソリューションイノベータ株式会社 | 属性推定装置 |
CN104361415A (zh) * | 2014-11-27 | 2015-02-18 | 新浪网技术(中国)有限公司 | 一种展示信息的选取方法及装置 |
CN104700843A (zh) * | 2015-02-05 | 2015-06-10 | 海信集团有限公司 | 一种年龄识别的方法及装置 |
US20160070987A1 (en) * | 2014-09-05 | 2016-03-10 | Omron Corporation | Identification apparatus and method for controlling identification apparatus |
EP3067829A1 (en) * | 2015-03-13 | 2016-09-14 | Kabushiki Kaisha Toshiba | Person authentication method |
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 |
-
2017
- 2017-06-01 CN CN201710403649.1A patent/CN108985133B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101999900A (zh) * | 2009-08-28 | 2011-04-06 | 南京壹进制信息技术有限公司 | 一种应用于人脸识别的活体检测方法及系统 |
CN102306281A (zh) * | 2011-07-13 | 2012-01-04 | 东南大学 | 一种多模态人类年龄自动估计方法 |
CN103902964A (zh) * | 2012-12-31 | 2014-07-02 | 深圳先进技术研究院 | 一种人脸识别方法 |
WO2014178105A1 (ja) * | 2013-04-30 | 2014-11-06 | Necソリューションイノベータ株式会社 | 属性推定装置 |
CN103544486A (zh) * | 2013-10-31 | 2014-01-29 | 东南大学 | 基于自适应标记分布的人类年龄估计方法 |
US20160070987A1 (en) * | 2014-09-05 | 2016-03-10 | Omron Corporation | Identification apparatus and method for controlling identification apparatus |
CN104361415A (zh) * | 2014-11-27 | 2015-02-18 | 新浪网技术(中国)有限公司 | 一种展示信息的选取方法及装置 |
CN104700843A (zh) * | 2015-02-05 | 2015-06-10 | 海信集团有限公司 | 一种年龄识别的方法及装置 |
EP3067829A1 (en) * | 2015-03-13 | 2016-09-14 | Kabushiki Kaisha Toshiba | Person authentication method |
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 |
Non-Patent Citations (3)
Title |
---|
JONATHAN F. G. BOISVERT: "Predicting task from eye movements: On the importance of spatial distribution, dynamics, and image features", 《NEUROCOMPUTING》 * |
吴学锋: "儿童人脸老化模拟系统的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
胡春龙: "基于人脸图像的头部姿态估计与年龄估计方法研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008926A (zh) * | 2019-04-15 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110008926B (zh) * | 2019-04-15 | 2020-06-26 | 北京字节跳动网络技术有限公司 | 用于识别年龄的方法和装置 |
CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
CN110287942B (zh) * | 2019-07-03 | 2021-09-17 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
EP4064113A4 (en) * | 2019-11-22 | 2023-05-10 | Arcsoft Corporation Limited | USER INFORMATION DETECTION METHOD AND SYSTEM, AND ELECTRONIC DEVICE |
CN111401339A (zh) * | 2020-06-01 | 2020-07-10 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
CN111401339B (zh) * | 2020-06-01 | 2020-09-29 | 北京金山云网络技术有限公司 | 识别人脸图像中的人的年龄的方法、装置及电子设备 |
CN111814553A (zh) * | 2020-06-08 | 2020-10-23 | 浙江大华技术股份有限公司 | 人脸检测方法、模型的训练方法及其相关装置 |
CN112651372A (zh) * | 2020-12-31 | 2021-04-13 | 北京眼神智能科技有限公司 | 基于人脸图像的年龄判断方法及装置、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108985133B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985133A (zh) | 一种人脸图像的年龄预测方法及装置 | |
CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
US12019718B2 (en) | Identity verification method and apparatus, computer device and storage medium | |
CN109416721A (zh) | 隐私保护机器学习 | |
CN109919316A (zh) | 获取网络表示学习向量的方法、装置和设备及存储介质 | |
US10943068B2 (en) | N-ary relation prediction over text spans | |
CN107562775A (zh) | 一种基于区块链的数据处理方法及设备 | |
CN108121800A (zh) | 基于人工智能的信息生成方法和装置 | |
CN107944379A (zh) | 基于深度学习的眼白图像超分辨率重建与图像增强方法 | |
CN109214562A (zh) | 一种基于rnn的电网科研热点预测与推送方法 | |
CN107133951A (zh) | 图像篡改检测方法及装置 | |
US20230237252A1 (en) | Digital posting match recommendation apparatus and methods | |
CN109635878A (zh) | 一种书画保真鉴定方法及装置 | |
CN110390676A (zh) | 显微镜下医学染色图像的细胞检测方法、智能显微镜系统 | |
CN110443105A (zh) | 自体免疫抗体的免疫荧光影像型态识别方法 | |
CN110134768A (zh) | 文本的处理方法、装置、设备及存储介质 | |
Chaubey et al. | Sentiment analysis of image with text caption using deep learning techniques | |
CN110049034A (zh) | 一种基于深度学习的复杂网络实时Sybil攻击检测方法 | |
Zhang et al. | The performance research of the data augmentation method for image classification | |
CN109471927A (zh) | 一种知识库及其建立、问答方法及应用装置 | |
CN107146073A (zh) | 学习提示方法、终端设备及计算机可读存储介质 | |
Nguyen et al. | Meta-learning and personalization layer in federated learning | |
CN111126566A (zh) | 基于gan模型的异常家具布局数据检测方法 | |
Liu et al. | ABSNet: Aesthetics-based saliency network using multi-task convolutional network | |
CN111414609A (zh) | 一种对象验证方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |