CN109101938B - 一种基于卷积神经网络的多标签年龄估计方法 - Google Patents
一种基于卷积神经网络的多标签年龄估计方法 Download PDFInfo
- Publication number
- CN109101938B CN109101938B CN201810964623.9A CN201810964623A CN109101938B CN 109101938 B CN109101938 B CN 109101938B CN 201810964623 A CN201810964623 A CN 201810964623A CN 109101938 B CN109101938 B CN 109101938B
- Authority
- CN
- China
- Prior art keywords
- age
- label
- neural network
- convolutional neural
- output
- 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
-
- 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
- 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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (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的多标签年龄估计方法,包括:获取输入样本数据集;对每个输入样本进行人脸检测、对齐,并根据人脸位置进行归一化;对输入样本的年龄标签进行多标签处理,使得每个样本映射到相同数量的标签;将所有归一化图像作为卷积神经网络的输入,多标签集作为输出,对卷积神经网络进行训练,得到年龄估计模型;根据二分类输出与多标签处理原则,结合年龄的有序特性,完成人脸估计年龄的计算。本发明利用了年龄特征之间的微变性和有序性,运用多标签学习的思想构建卷积神经网络模型,解决了现有年龄估计方法中存在的年龄估计准确率不高、鲁棒性差等问题。
Description
技术领域
本发明属于图像处理和深度学习技术领域,更具体地,涉及一种基于卷积神经网络的多标签年龄估计方法。
背景技术
目前,人脸年龄估计在侦查监控、信息管理、智能人机交互、社交娱乐等领域得到了非常广泛的应用。然而,人脸年龄估计技术在真实应用场景中估计不够准确,容易受到表情、姿势、以及光照条件的影响。
在人脸年龄估计方法种,绝大部分都是采用传统的年龄估计算法。传统的年龄估计方法主要分为特征提取和年龄估计两个阶段。在特征提取阶段,大都是显式的特征提取,得到的是基于手工设计的年龄特征,而由于手工设计特征的局限性,提取的年龄特征并不一定是最优的。即使将卷积神经网络应用在年龄估计上,但大多仍应用在特征提取阶段。在年龄估计阶段,无论是年龄分类还是年龄回归模式,大部分方法是将年龄标签作为相互独立的类别,忽略了年龄面貌变化是一个非常缓慢且有序的过程,相近年龄之间的人脸特征差别非常之小,即人脸年龄特征具有微变性和有序性。因此,现有的人脸年龄估计方法年龄估计准确率不高,且鲁棒性不好,难以实用,有较大的改善空间。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于卷积神经网络的多标签年龄估计方法,其目的在于,通过结合年龄特征之间的微变性和有序性,构建一个多输出的卷积神经网络模型,解决现有人脸年龄估计方法年龄估计不准确,以及鲁棒性差的问题。
为实现上述目的,本发明提供了一种基于卷积神经网络的多标签年龄估计方法,包括以下步骤:
(1)获取输入样本数据集;
(2)对每个输入样本进行人脸检测、对齐,并根据人脸大小及位置将输入图像进行变形、切割为指定大小的归一化图像。
(3)将每个输入样本标注的年龄标签进行多标签处理,使得每个样本映射到相同数量的标签,以得到多标签训练样本集;
(4)将步骤(2)中得到的所有归一化图像作为多输出卷积神经网络的输入,将步骤(3)中得到的所有样本的多标签集作为输出,对卷积神经网络进行训练,得到卷积神经网络年龄估计模型;
(5)运用步骤(4)所得到的模型的一系列二分类输出,以及步骤(3)中的多标签处理原则,结合年龄的有序特性,完成人脸估计年龄的计算。
优选地,步骤(1)中所述的输入样本数据集是从互联网上直接下载的人脸年龄图像、以及人为拍摄的人脸图像,其中包括不同种族的人脸图像、不同光照效果的图像、不同姿势的人脸图像、以及不同性别的人脸图像。
优选地,步骤(2)具体包括以下子步骤:
(2-1)利用原始人脸图像,采用人脸检测方法对人脸人脸图像进行检测,以获取图像中人脸双眼的位置;
(2-2)利用步骤(2-1)得到的双眼位置,将人脸图像进行旋转、缩放、以及分割,以得到归一化后的人脸图像。
优选地,步骤(3)具体包括以下子步骤:
(3-1)获取原始人脸图像的真实年龄标签,采用相同的多标签处理原则,得到对应的多标签集合,记为Yi;计算公式如下:
Yi={yi-n,...,yi,...,yi+n}
其中,yi表示原始人脸图像的真实年龄标签,n表示多标签范围值;
(3-2)利用步骤(3-1)得到的图像样本对应的多标签集合,根据年龄范围,按年龄顺序进行0-1映射,以得到输入样本的期望输出数据。
优选地,步骤(4)具体包括以下子步骤:
(4-1)利用步骤(3)得到的多标签集合,为每个标签构建一个二分类模型;
(4-2)将步骤(2)得到的归一化图像集作为卷积神经网络的输入,将步骤(3)中得到的多标签训练样本集的期望输出数据作为卷积神经网络的输出;
(4-3)利用卷积神经网络模型的真实输出与期望输出的交叉损失函数作为网络训练的目标函数,对卷积神经网络进行训练,以得到年龄估计训练模型。
优选地,步骤(4-3)中设计的目标函数公式为:
其中,E表整个训练数据的总损失,N表示训练样本总数,M表示年龄标签个数,表示二分类器t的真实输出,表示二分类器的期望输出,1{·}是一个布尔运算,当里面的条件为真时值为1,否则为0,λt表示二分类器t的权重,表示代价敏感因子,分别为二分类器t的正负样本的错分代价,W表示卷积神经网络的权值参数,表示输出层softmax函数输出。
优选地,步骤(5)具体包括以下子步骤:
(5-1)利用步骤(4)中所得到的模型的一系列二分类输出,计算连续2n+1个二分类器的输出和为最大的标签范围集合,得到输入图像样本最可能的局部年龄范围,记为Bm;
(5-2)在步骤(5-1)中得到的局部年龄范围内,计算得到输入样本属于每个年龄标签的概率;
(5-3)运用步骤(5-2)中所得到的概率值,按年龄升序进行排序,利用排序之后相邻年龄之间概率的相对大小关系计算得到最终的估计值。
优选地,步骤(5-2)中得到的年龄概率的计算公式为:
优选地,步骤(5-3)中得到的年龄估计值的计算公式为:
其中y′i表示年龄估计值,s∈Bm,smin=min(Bm),smax=max(Bm)分别表示Bm中的最小年龄值和最大年龄值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明由于采用了多标签学习的方法,充分利用了每个个体相邻年龄特征之间的微变性和模糊性,从而使得一个人脸样本对应以真实年龄为中心的多个年龄标签,增强了相邻年龄之间的相关性,同时缓解了人脸训练样本年龄分布不均衡问题;相比现有方法,本发明可获得更精确的年龄估计结果。
(2)本发明是基于训练好的卷积神经网络模型进行年龄估计的,因此相比现有方法,本发明的运行时间更短。
(3)本发明是基于互联网获取以及人工拍摄的人脸样本数据集进行训练的,因而训练样本具有多样化,训练的卷积神经网络模型具有很好的鲁棒性;相比现有方法,本发明具有更好的鲁棒性,具有更强的实用性。
附图说明
图1是本发明基于卷积神经网络的多标签年龄估计方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的整体思路在于,提出了一种基于卷积神经网络的多标签年龄估计方法,该方法总体可分为三部分:一、人脸年龄数据集的收集与预处理,包括收集网络训练样本集,对人脸样本进行人脸检测、对齐、裁剪等预处理,以及为输入样本建立对应的多标签输出集合;二、多标签卷积神经网络训练,包括设计一个多输出的卷积神经网络,为每个标签构建一个二分类器,并以真实输出与期望输出的交叉损失作为训练的目标函数,对卷积神经网络进行训练;三、计算年龄估计值,包括从二分类器输出中计算最可能的局部年龄范围,再在局部年龄范围内利用年龄特征的有序性进行年龄估计。
如图1所示,本发明基于卷积神经网络的多标签年龄估计方法包括以下步骤:
(1)获取输入样本数据集;
具体而言,本步骤中获取的输入样本数据集包括从互联网上直接下载的人脸年龄图像、以及人为拍摄的人脸图像,其中包括不同种族的人脸图像、不同光照效果的图像、不同姿势的人脸图像、以及不同性别的人脸图像。
(2)对每个输入样本进行人脸检测、对齐,并根据人脸大小及位置将输入图像进行变形、切割为指定大小的归一化图像;
本步骤具体包括以下子步骤:
(2-1)利用原始人脸图像,采用人脸检测方法对人脸人脸图像进行检测,以获取图像中人脸双眼的位置;
具体而言,本步骤中的人脸检测,即检测出图像中存在的人脸,并把它的位置准确地框出来。
(2-2)利用步骤(2-1)得到的双眼位置,将人脸图像进行旋转、缩放、以及分割,以得到归一化后的人脸图像。
具体而言,本步骤在于将两个不同的人脸形状进行归一化的过程,将一个形状尽可能地贴近另一个形状
(3)将每个输入样本标注的年龄标签进行多标签处理,使得每个样本映射到相同数量的标签,以得到多标签训练样本集;
本步骤具体包括以下子步骤:
(3-1)获取原始人脸图像的真实年龄标签,采用相同的多标签处理原则,得到对应的多标签集合,记为Yi;计算公式如下:
Yi={yi-n,...,yi,...,yi+n}
其中,yi表示原始人脸图像的真实年龄标签,n表示多标签范围值;
具体而言,本步骤的多标签化处理是指,将人脸样本原本的单年龄标签向前、向后扩展n个年龄值,得到一个有连续2n+1个年龄的多标签集合。
(3-2)利用步骤(3-1)得到的图像样本对应的多标签集合,根据年龄范围,按年龄顺序进行0-1映射,以得到输入样本的期望输出数据。
具体而言,本步骤的0-1映射是指,根据年龄标签范围确定输出个数,如果多标签集合中包含该年龄值,即映射为1,如若多标签集合中不包含该年龄,则映射为0。
(4)将步骤(2)中得到的所有归一化图像作为多输出卷积神经网络的输入,将步骤(3)中得到的所有样本的多标签集作为输出,对卷积神经网络进行训练,得到卷积神经网络年龄估计模型;
本步骤具体包括以下子步骤:
(4-1)利用步骤(3)得到的多标签集合,为每个标签构建一个二分类模型;
具体而言,本步骤是指在卷积神经网络的输出层为多标签集合中的每一个年龄标签设计一个二分类器。
(4-2)将步骤(2)得到的归一化图像集作为卷积神经网络的输入,将步骤(3-2)中得到的0-1期望输出数据作为卷积神经网络的输出;
(4-3)利用卷积神经网络模型的真实输出与期望输出的交叉损失函数作为网络训练的目标函数,对卷积神经网络进行训练,以得到年龄估计训练模型。
具体而言,本步骤的目标函数采用以下公式:
其中,E表整个训练数据的总损失,N表示训练样本总数,M表示年龄标签个数,表示二分类器t的真实输出,表示二分类器的期望输出,1{·}是一个布尔运算,当里面的条件为真时值为1,否则为0,λt表示二分类器t的权重,表示代价敏感因子,分别为二分类器t的正负样本的错分代价,W表示卷积神经网络的权值参数,表示输出层softmax函数输出。
(5)运用步骤(4)所得到的模型的一系列二分类输出,以及步骤(3)中的多标签处理原则,结合年龄的有序特性,完成人脸估计年龄的计算。
本步骤具体包括以下子步骤:
(5-1)利用步骤(4)中所得到的模型的一系列二分类输出,计算连续2n+1个二分类器的输出和为最大的标签范围集合,得到输入图像样本最可能的局部年龄范围,记为Bm;
(5-2)在步骤(5-1)中得到的局部年龄范围内,计算得到输入样本属于每个年龄标签的概率;
具体而言,标签的概率函数是通过交叉损失函数逐步进行变换而来的。
本步骤中的年龄概率的计算公式为:
(5-3)运用步骤(5-2)中所得到的概率值,按年龄升序进行排序,利用排序之后相邻年龄之间概率的相对大小关系计算得到最终的估计值。
具体而言,将概率按照年龄升序排列,每个年龄概率与下一个年龄概率进行大小比较。局部范围内的最低值为年龄估计初始值,若当前年龄的概率小于下一个年龄的概率,年龄估计值则加1,否则加0,最后进行统计得到估计年龄。
本步骤中的年龄估计值的计算公式为:
其中y′i表示年龄估计值,s∈Bm,smin=min(Bm),smax=max(Bm)分别表示Bm中的最小年龄值和最大年龄值。
验证实验:
为了量化本发明的年龄估计准确率,我们通过本发明提供的基于卷积神经网络的多标签年龄估计方法与现有的年龄估算方法(包括AGES、LARR、CA-SVR、OHRank、CPNN、CS-LBFL和Ranking-CNN)进行对比实验,并对实验结果进行了统计分析,选取了现有公开的人脸年龄数据集Morph进行测试,选择年龄估计的平均绝对误差(MeanAbsolute Error,简称MAE)作为衡量指标。各方法的MAE值如表1所示:
表1不同方法进行年龄估计的MAE值统计表
方法 | MAE值 |
AGES | 6.77 |
LARR | 5.07 |
CA-SVR | 4.67 |
OHRank | 4.48 |
CPNN | 4.76 |
CS-LBFL | 4.36 |
Ranking-CNN | 4.13 |
本发明 | 4.08 |
由表1可知,本发明提出的方法进行年龄估计的平均绝对误差小于现有的AGES、LARR、CA-SVR、OHRank、CPNN、CS-LBFL和Ranking-CNN进行年龄估计的平均绝对误差,说明本发明提供的年龄估计模型,针对无条件限制下的人脸图像,其年龄估计的准确率优于现有方法。
尽管卷积神经网络在训练阶段需要耗费一定的时间,但是网络模型一旦构建完成后,利用训练好的网络模型进行估计,从待测人脸图像输入到得到年龄估计结果非常快,与传统方法相比,运行时间大大缩短。
本发明通过改进现有的人脸年龄估计方法,在训练数据集上训练卷积神经网络;训练完成之后,该网络模型可以接受任意人脸图像作为输入,输出对应的年龄估计值。基于卷积神经网络的多标签年龄估计有以下几个优点:
一、该方法的年龄估计准确率高于现有方法。
二、鲁棒性好,可以输入任意种族、性别、姿势以及光照环境的人脸图像,在实际应用场景中具有更大的实用性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于卷积神经网络的多标签年龄估计方法,其特征在于,包括以下步骤:
(1)获取输入样本数据集;
(2)对每个输入样本进行人脸检测、对齐,并根据人脸大小及位置将输入图像进行变形、切割为指定大小的归一化图像;
(3)将每个输入样本标注的年龄标签进行多标签处理,使得每个样本映射到相同数量的标签,以得到多标签训练样本集;
(4)将步骤(2)中得到的所有归一化图像作为多输出卷积神经网络的输入,将步骤(3)中得到的所有样本的多标签集作为输出,对卷积神经网络进行训练,得到卷积神经网络年龄估计模型;
(5)将得到的模型的一系列二分类输出,以及步骤(3)中的多标签处理原则,结合年龄的有序特性,完成人脸估计年龄的计算;
其中,步骤(5)具体包括以下子步骤:
(5-1)利用步骤(4)中所得到的模型的一系列二分类输出,计算连续2n+1个二分类器的输出和为最大的标签范围集合,得到输入图像样本最可能的局部年龄范围,记为Bm;
(5-2)在步骤(5-1)中得到的局部年龄范围内,计算得到输入样本属于每个年龄标签的概率;
(5-3)运用步骤(5-2)中所得到的概率值,按年龄升序进行排序,利用排序之后相邻年龄之间概率的相对大小关系计算得到最终的估计值。
2.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法,其特征在于,步骤(1)中所述的输入样本数据集是从互联网上直接下载的人脸年龄图像、以及人为拍摄的人脸图像,其中包括不同种族的人脸图像、不同光照效果的图像、不同姿势的人脸图像、以及不同性别的人脸图像。
3.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法,其特征在于,步骤(2)具体包括以下子步骤:
(2-1)利用原始人脸图像,采用人脸检测方法对人脸人脸图像进行检测,以获取图像中人脸双眼的位置;
(2-2)利用步骤(2-1)得到的双眼位置,将人脸图像进行旋转、缩放、以及分割,以得到归一化后的人脸图像。
4.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法,其特征在于,步骤(3)具体包括以下子步骤:
(3-1)获取原始人脸图像的真实年龄标签,采用相同的多标签处理原则,得到对应的多标签集合,记为Yi;计算公式如下:
Yi={yi-n,...,yi,...,yi+n}
其中,yi表示原始人脸图像的真实年龄标签,n表示多标签范围值;
(3-2)利用步骤(3-1)得到的图像样本对应的多标签集合,根据年龄范围,按年龄顺序进行0-1映射,以得到输入样本的期望输出数据。
5.根据权利要求1所述的基于卷积神经网络的多标签年龄估计方法,其特征在于,步骤(4)具体包括以下子步骤:
(4-1)利用步骤(3)得到的多标签集合,为每个标签构建一个二分类模型;
(4-2)将步骤(2)得到的归一化图像集作为卷积神经网络的输入,将步骤(3)中得到的多标签训练样本集的期望输出数据作为卷积神经网络的输出;
(4-3)利用卷积神经网络模型的真实输出与期望输出的交叉损失函数作为网络训练的目标函数,对卷积神经网络进行训练,以得到年龄估计训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964623.9A CN109101938B (zh) | 2018-08-23 | 2018-08-23 | 一种基于卷积神经网络的多标签年龄估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964623.9A CN109101938B (zh) | 2018-08-23 | 2018-08-23 | 一种基于卷积神经网络的多标签年龄估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109101938A CN109101938A (zh) | 2018-12-28 |
CN109101938B true CN109101938B (zh) | 2021-01-15 |
Family
ID=64850827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964623.9A Active CN109101938B (zh) | 2018-08-23 | 2018-08-23 | 一种基于卷积神经网络的多标签年龄估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109101938B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110378280A (zh) * | 2019-07-17 | 2019-10-25 | 南京信息工程大学 | 基于特征约束的有序卷积神经网络人脸年龄估计方法 |
CN110674397B (zh) * | 2019-08-30 | 2022-05-27 | 北京百度网讯科技有限公司 | 年龄点预测模型的训练方法及装置、设备与可读介质 |
CN110705379A (zh) * | 2019-09-12 | 2020-01-17 | 广州大学 | 一种基于多标签学习的卷积神经网络的表情识别方法 |
CN111513702A (zh) * | 2020-04-30 | 2020-08-11 | 何中煜 | 心电数据的检测方法及存储介质 |
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 |
CN111613299A (zh) * | 2020-06-15 | 2020-09-01 | 山东搜搜中医信息科技有限公司 | 中医数据的多标签分析技术 |
CN111680664B (zh) * | 2020-06-22 | 2022-12-23 | 南方电网科学研究院有限责任公司 | 一种人脸图像年龄识别方法、装置和设备 |
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 |
CN113298004B (zh) * | 2021-06-03 | 2022-04-29 | 南京佑驾科技有限公司 | 一种基于人脸特征学习的轻量级多头年龄估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975916A (zh) * | 2016-04-28 | 2016-09-28 | 西安电子科技大学 | 基于多输出卷积神经网络和有序回归的年龄估计方法 |
CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
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 |
CN107045622A (zh) * | 2016-12-30 | 2017-08-15 | 浙江大学 | 基于自适应年龄分布学习的人脸年龄估计方法 |
CN107203740A (zh) * | 2017-04-24 | 2017-09-26 | 华侨大学 | 一种基于深度学习的人脸年龄估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9400925B2 (en) * | 2013-11-15 | 2016-07-26 | Facebook, Inc. | Pose-aligned networks for deep attribute modeling |
-
2018
- 2018-08-23 CN CN201810964623.9A patent/CN109101938B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975916A (zh) * | 2016-04-28 | 2016-09-28 | 西安电子科技大学 | 基于多输出卷积神经网络和有序回归的年龄估计方法 |
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 |
CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
CN107045622A (zh) * | 2016-12-30 | 2017-08-15 | 浙江大学 | 基于自适应年龄分布学习的人脸年龄估计方法 |
CN107203740A (zh) * | 2017-04-24 | 2017-09-26 | 华侨大学 | 一种基于深度学习的人脸年龄估计方法 |
Non-Patent Citations (4)
Title |
---|
Deeply learned rich codding for cross-dataset facial age estimaton;Zhanghui Kuang 等;《International conference on computer vision》;20151231;第338-343页 * |
Face Aging Simulation with Deep Convolutional Generative Adversarial Networks;Xinhua Liu 等;《The 10th International Conference on Measuring Technology and MechatronicsAutomation, ICMTMA》;20180416;第220-224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 * |
基于多标签的自动人脸年龄估计研究;罗晓羽;《中国优秀硕士学位论文全文数据库-信息科技辑》;20130715(第7期);第I138-969页第3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN109101938A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN109800648B (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
CN110532900B (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
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 | |
CN103942577B (zh) | 视频监控中基于自建立样本库及混合特征的身份识别方法 | |
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
CN106951825A (zh) | 一种人脸图像质量评估系统以及实现方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
CN104992142A (zh) | 一种基于深度学习和属性学习相结合的行人识别方法 | |
CN111680706A (zh) | 一种基于编码和解码结构的双通道输出轮廓检测方法 | |
CN107169117B (zh) | 一种基于自动编码器和dtw的手绘图人体运动检索方法 | |
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 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN104636755A (zh) | 一种基于深度学习的人脸美丽评价方法 | |
CN112052772A (zh) | 一种人脸遮挡检测算法 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
CN109271546A (zh) | 图像检索特征提取模型建立、数据库建立及检索方法 | |
CN112883931A (zh) | 基于长短期记忆网络的实时真假运动判断方法 | |
Gurrala et al. | A new segmentation method for plant disease diagnosis | |
CN111401343A (zh) | 识别图像中人的属性的方法、识别模型的训练方法和装置 | |
Okokpujie et al. | Predictive modeling of trait-aging invariant face recognition system using machine learning | |
CN114708637A (zh) | 一种基于元学习的人脸动作单元检测方法 |
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 |