CN109117800A - 基于卷积神经网络的人脸性别识别方法及系统 - Google Patents

基于卷积神经网络的人脸性别识别方法及系统 Download PDF

Info

Publication number
CN109117800A
CN109117800A CN201810947000.0A CN201810947000A CN109117800A CN 109117800 A CN109117800 A CN 109117800A CN 201810947000 A CN201810947000 A CN 201810947000A CN 109117800 A CN109117800 A CN 109117800A
Authority
CN
China
Prior art keywords
identified
gender
convolutional neural
neural networks
module
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.)
Withdrawn
Application number
CN201810947000.0A
Other languages
English (en)
Inventor
张跃进
曾庆生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongxiang Bo Qian Mdt Infotech Ltd
Original Assignee
Zhongxiang Bo Qian Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongxiang Bo Qian Mdt Infotech Ltd filed Critical Zhongxiang Bo Qian Mdt Infotech Ltd
Priority to CN201810947000.0A priority Critical patent/CN109117800A/zh
Publication of CN109117800A publication Critical patent/CN109117800A/zh
Withdrawn legal-status Critical Current

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
    • G06V40/168—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
    • 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)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种基于卷积神经网络的人脸性别识别方法及系统，该方法包括：获取包含人脸图像的待识别对象；对所述待识别对象进行归一化处理，去除所述待识别对象冗余数据且使所述待识别对象的方向、大小、光照强度统一；使用训练完成的卷积神经网络模型对所述人脸图像进行性别识别。本申请包括对所述待识别对象进行归一化处理，将待识别对象去除冗余数据后输入卷积神经网络，从而缩小卷积神经网络计算数据量，减少冗余数据，提高性别识别正确性。

Description

基于卷积神经网络的人脸性别识别方法及系统
技术领域
本申请涉及人脸性别识别技术领域，尤其是一种基于卷积神经网络的人脸性别识别方法及系统。
背景技术
随着科技与人工智能的快速发展，人脸识别技术已广泛应用，而对人脸进行性别识别具有很大的实践意义与应用空间，人脸性别识别的应用场合主要包括：
(1)图片及视频性别检索。例如将图片按性别分类，生成个性化服务，为用户提供便利。
(2)公共场所的门禁系统。例如试衣间，卫生间等涉及到性别私密性强的场所，可以性别识别防止侵犯隐私等问题。
(3)刑事侦查。例如公安局利用全国的天网系统识别人群的面部特征与性别，缩小搜索范围。
相关技术中，使用深度学习模型进行人脸性别识别，将图像作为输入，经过大量数据训练模型进行特征提出以输出识别结果，但在实际应用中，由于在识别时获取的数据量庞大，数据中可能存在噪声，影响识别结果，从而降低了人脸性别识别的准确率。
发明内容
为至少在一定程度上克服在深度学习模型进行人脸性别识别时获取的数据量庞大，数据中可能存在噪声，影响识别结果的问题，本申请提供一种基于卷积神经网络的人脸性别识别方法及系统。
第一方面，本申请提供一种基于卷积神经网络的人脸性别识别方法，包括：
获取包含人脸图像的待识别对象；
对所述待识别对象进行归一化处理，去除所述待识别对象冗余数据得到方向、大小和光照强度统一的人脸图像；
使用训练完成的卷积神经网络模型对所述人脸图像进行性别识别。
进一步的，所述对所述待识别对象进行归一化处理，包括：
按预设方向标准调整所述待识别对象的方向，使每个待识别对象的人脸朝向一致；
按预设尺寸标准调整所述待识别对象的大小，使每个待识别对象的大小一致；
按预设光照强度标准调整所述待识别对象的光照强度，使每个待识别对象的光照强度一致。
进一步的，所述方法还包括：
获取所述待识别对象样本数据，所述待识别对象样本数据包括人脸图像和文本信息；
对所述待识别对象样本数据进行性别分类；
为所述待识别对象建立标签，以生成训练数据；
将所述训练数据输入卷积神经网络进行训练，以生成训练完成的卷积神经网络模型。
进一步的，所述对所述待识别对象样本数据进行性别分类，包括：
建立性别存储库；
对所述待识别对象样本数据进行排序；
读取所述人脸样本数据的文本信息；
将所述待识别对象样本数据按照所述文本信息划入性别存储库。
进一步的，所述卷积神经网络模型，包括：
三层卷积层，每层卷积层后连接激活函数；
每个激活函数连接最大池化层；
所述最大池化层连接Flatte层；
所述Flatte连接两个Dense网络；
将Dense网络提取出的特征信息经过分类器进行分类。
进一步的，所述激活函数为ReLU激活函数。
进一步的，所述获取所述待识别对象，包括：采用摄像头获取所述待识别对象或者采用直接调用PC机中的本地图片。
第二方面，本申请提供一种基于卷积神经网络的人脸性别识别系统，包括：
模型建立模块，用于建立卷积神经网络模型；
样本获取模块，用于获取人脸样本作为模型的训练数据；
性别分类模块，用于对待识别对象进行处理；
性别识别模块，用于识别待识别对象性别特征。
所述模型建立模块与所述样本获取模块连接；所述样本获取模块与所述性别分类模块连接；所述性别分类模块与所述性别识别模块连接。
进一步的，所述模型建立模块包括keras模块。
进一步的，所述样本获取模块与数据库连接。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请包括对所述待识别对象进行归一化处理，去除所述待识别对象冗余数据且使所述待识别对象的方向、大小、光照强度统一，将经过归一化处理后的人脸图像数据输入卷积神经网络模型，从而缩小卷积神经网络模型计算数据量，减少冗余数据，提高性别识别正确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种基于卷积神经网络的人脸性别识别方法的流程图。
图2是本申请另一个实施例提供的一种基于卷积神经网络的人脸性别识别方法的流程图。
图3是本申请一个实施例提供的一种基于卷积神经网络的人脸性别识别系统的结构图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
图1是本申请一个实施例提供的一种基于卷积神经网络的人脸性别识别方法的流程图。
如图1所示，本实施例的方法包括：
S11：获取包含人脸图像的待识别对象；
采用摄像头获取的图片或视频或者采用直接调用PC机中的本地图片。
采用摄像头获取视频，包括：调用摄像头模块获得摄像头视频，从摄像头视频中获取帧图像，若识别到摄像头拍到人脸，则让帧图像显示出来，框住人脸部分，并通过训练成功的模型判别性别并标记出来，完成人脸性别识别。
采用直接调用PC机中的本地图片，包括：加载本地图片，如果识别到本地图片中有人脸存在，将图片显示出来，框住人脸部分，并利用训练好的模型判别性别并标记出来，完成人脸性别识别。
S12：对所述待识别对象进行归一化处理，去除所述待识别对象冗余数据得到方向、大小、光照强度统一的人脸图像；
所述待识别对象例如为图片；
按预设方向标准调整所述待识别对象的方向，使每个待识别对象的人脸朝向一致，例如人脸都位于图片的上方，方便处理；
按预设尺寸标准调整所述待识别对象的大小，使每个待识别对象的大小一致，使输入至卷积神经网络模型的图片大小一致，且仅保存关键信息，去除人脸外的其他图片内容，缩小图片；
按预设光照强度标准调整所述待识别对象的光照强度，使每个待识别对象的光照强度一致，避免因光照强度干扰而影响识别准确性。
S13：使用训练完成的卷积神经网络模型对所述人脸图像进行性别识别。
所述方法还包括：
获取所述待识别对象样本数据，所述待识别对象样本数据包括人脸图像和文本信息；所待识别对象样本数据可以从现有数据库例如为Adience数据库下载有关性别的数据库；
对所述待识别对象样本数据进行性别分类，包括；
建立性别存储库，包括男性存储库和女性存储库；
对所述待识别对象样本数据进行排序，例如将样本中人的性别年龄等相关信息按照顺序排列，并为每一张图片建立一个文本信息；
读取所述人脸样本数据的文本信息；
将所述待识别对象样本数据按照所述文本信息划入性别存储库。
为所述待识别对象建立标签，以生成训练数据；
通过建立标签对识别出的图片进行分析，根据分析结果改进卷积神经网络模型，例如建立的标签为(正脸、老年、男性)，如果大部分标记为老年、男性的图片经过卷积神经网络模型识别后输出的结果不正确则对老年、男性的样本数据做进一步训练。
将所述训练数据输入卷积神经网络模型进行训练，以生成训练完成的卷积神经网络模型。
具体的，本实施例用Adience数据库中的fold_frontal_4_data.txt文本文件对应的图片进行步骤S12中的归一化处理后作为训练集(train)，用Adience数据库中的fold_frontal_3_data.txt文本文件对应的图片作为验证集(validation)。
使用TensorFlow定义卷积神经网络模型，TensorFlow是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台(CPU、GPU、TPU)和设备(桌面设备、服务器集群、移动设备、边缘设备等)。
卷积神经网络模型输出层选用Sigmoid分类器，Sigmoid分类器后接对数损失函数(logarithmic loss)，由于对数损失函数(logarithmic loss)不需求导计算，以加快计算速度；对数损失函数(logarithmic loss)计算出的结果输入梯度下降算法，例如为Adam梯度下降算法，Adam是一种高效计算方法，可以提高梯度下降收敛速度。
卷积神经网络模型构件完成后使用fit()函数进行训练。训练过程中将训练集(train)输入卷积神经网络模型并迭代预设次数epochs，例如epochs为50次，预设次数epochs可以通过fit()函数中nb_epoch参数设定。每一次迭代计算过程中使用Adam梯度下降算法优化目标函数，Adam梯度下降算法需设置批处理样本大小batch_size，例如batch_size为69。
迭代预设次数epochs后需对卷积神经网络模型进行评估，将验证集(validation)输入卷积神经网络模型，由于卷积神经网络模型输出层使用Sigmoid激活函数，因此预测值将会在0到1的区间内，通过四舍五入转换为离散二分类，从而得到0表示男性或1表示女性两种性别识别结果。
上述方法，从摄像头视频中获取帧图像，若识别到摄像头拍到人脸，则让帧图像显示出来，框住人脸部分，并通过训练成功的模型判别性别并标记出来，完成人脸性别识别。若用本地图片检测，则加载上节代码中训练好的网络，如果识别到本地图片中是否有人脸存在，然后将图片显示出来，框住人脸部分，并利用训练好的模型判别性别并标记出来，完成人脸性别识别。
本实施例中提供的一种基于卷积神经网络的人脸性别识别方法，包括对所述待识别对象进行归一化处理，去除所述待识别对象冗余数据得到方向、大小、光照强度统一的人脸图像，再将所述人脸图像输入卷积神经网络模型从而缩小卷积神经网络模型计算数据量，减少冗余数据，提高性别识别正确性。
图2是本申请另一个实施例提供的一种基于卷积神经网络的人脸性别识别方法的流程图。
如图2所示，在上一实施例基础上，所述卷积神经网络模型包括：
三层卷积层21，每层卷积层后连接激活函数22；
每个激活函数22连接最大池化层23；
所述最大池化层23连接Flatte层24；
所述Flatte层24连接两个Dense网络25；
将Dense网络25提取出的特征信息经过分类器26进行分类。
Dense网络25能有效解决梯度消失问题；强化特征传播；大幅度减少参数数量，提高计算准确性。
激活函数22为ReLU激活函数，所述ReLU激活函数收敛快，运算量小，从而加快模型的计算速度。
分类器26选用Sigmoid分类器判断性别概率，由于Sigmoid分类器适用于在特征相差比较复杂或是相差不是特别大的情况下，因此在图片性别识别中使用Sigmoid分类器能提高模型识别准确性。
本实施例中，在卷积神经网络模型中选用ReLU激活函数、Dense网络以及Sigmoid分类器，提高模型的计算速度，减少模型计算的冗余数据，从而提高模型识别准确性。
图3是本申请一个实施例提供的一种基于卷积神经网络的人脸性别识别系统的结构图。
如图3所示，本实施例提供的系统包括：
模型建立模块31，用于建立卷积神经网络模型；
样本获取模块32，用于获取人脸样本作为模型的训练数据；
性别分类模块33，用于对待识别对象进行处理；
性别识别模块34，用于识别待识别对象性别特征。
模型建立模块31与样本获取模块32连接；样本获取模块32与性别分类模块33连接；性别分类模块33与性别识别模块34连接。
模型建立模块31包括keras模块。keras是一个开源是的python深度学习库，包括优化器(optimizers)、目标函数(objectives)、激活函数(activations)、参数初始化(Initializations)、层(layer)等开源函数，降低模型开发难度。
样本获取模块32与数据库连接，从数据库直接获取样本数据，方便模型获取训练数据。
模型建立模块31基于keras模块建立卷积神经网络模型，样本获取模块32从数据库获取训练数据并对所述卷积神经网络模型进行训练；性别分类模块33获取待识别对象、对待识别对象进行初步处理，并将初步处理后的待识别对象输入性别识别模块34进行性别识别，性别识别模块34使用训练好的所述卷积神经网络模型识别出待识别对象的性别。
关于上述各模块的具体说明可以分别参见上一实施例中方法，在此不再详述。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是，本发明不局限于上述最佳实施方式，本领域技术人员在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的人脸性别识别方法，其特征在于，包括：
获取包含人脸图像的待识别对象；
对所述待识别对象进行归一化处理，去除所述待识别对象冗余数据得到方向、大小和光照强度统一的人脸图像；
使用训练完成的卷积神经网络模型对所述人脸图像进行性别识别。
2.根据权利要求1所述的方法，其特征在于，所述对所述待识别对象进行归一化处理，包括：
按预设方向标准调整所述待识别对象的方向，使每个待识别对象的人脸朝向一致；
按预设尺寸标准调整所述待识别对象的大小，使每个待识别对象的大小一致；
按预设光照强度标准调整所述待识别对象的光照强度，使每个待识别对象的光照强度一致。
3.根据权利要求1所述的方法，其特征在于，通过以下过程获取所述生成训练完成的卷积神经网络模型：
获取所述待识别对象样本数据，所述待识别对象样本数据包括人脸图像和文本信息；
对所述待识别对象样本数据进行性别分类；
为所述待识别对象建立标签，以生成训练数据；
将所述训练数据输入卷积神经网络进行训练，以生成训练完成的卷积神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述待识别对象样本数据进行性别分类，包括：
建立性别存储库；
对所述待识别对象样本数据进行排序；
读取所述人脸样本数据的文本信息；
将所述待识别对象样本数据按照所述文本信息划入性别存储库。
5.根据权利要求3所述的方法，其特征在于，所述卷积神经网络模型，包括：
三层卷积层，每层卷积层后连接激活函数；
每个激活函数连接最大池化层；
所述最大池化层连接Flatte层；
所述Flatte连接两个Dense网络；
将Dense网络提取出的特征信息经过分类器进行分类。
6.根据权利要求5所述的方法，其特征在于，所述激活函数为ReLU激活函数。
7.根据权利要求1所述的方法，其特征在于，所述获取所述待识别对象，包括：采用摄像头获取所述待识别对象或者采用直接调用PC机中的本地图片。
8.一种基于卷积神经网络的人脸性别识别系统，其特征在于，包括：
模型建立模块，用于建立卷积神经网络模型；
样本获取模块，用于获取人脸样本作为模型的训练数据；
性别分类模块，用于对待识别对象进行处理；
性别识别模块，用于识别待识别对象性别特征；
所述模型建立模块与所述样本获取模块连接；所述样本获取模块与所述性别分类模块连接；所述性别分类模块与所述性别识别模块连接。
9.根据权利要求8所述的系统，其特征在于，所述模型建立模块包括keras模块。
10.根据权利要求8所述的系统，其特征在于，所述样本获取模块与数据库连接。
CN201810947000.0A 2018-08-20 2018-08-20 基于卷积神经网络的人脸性别识别方法及系统 Withdrawn CN109117800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810947000.0A CN109117800A (zh) 2018-08-20 2018-08-20 基于卷积神经网络的人脸性别识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810947000.0A CN109117800A (zh) 2018-08-20 2018-08-20 基于卷积神经网络的人脸性别识别方法及系统

Publications (1)

Publication Number Publication Date
CN109117800A true CN109117800A (zh) 2019-01-01

Family

ID=64853446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810947000.0A Withdrawn CN109117800A (zh) 2018-08-20 2018-08-20 基于卷积神经网络的人脸性别识别方法及系统

Country Status (1)

Country Link
CN (1) CN109117800A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886360A (zh) * 2019-03-25 2019-06-14 山东浪潮云信息技术有限公司 一种基于深度学习的证件照分类识别及免冠检测方法及系统
CN109934149A (zh) * 2019-03-06 2019-06-25 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN110070047A (zh) * 2019-04-23 2019-07-30 杭州智趣智能信息技术有限公司 一种人脸对比方法、系统及电子设备和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934149A (zh) * 2019-03-06 2019-06-25 百度在线网络技术（北京）有限公司 用于输出信息的方法和装置
CN109886360A (zh) * 2019-03-25 2019-06-14 山东浪潮云信息技术有限公司 一种基于深度学习的证件照分类识别及免冠检测方法及系统
CN110070047A (zh) * 2019-04-23 2019-07-30 杭州智趣智能信息技术有限公司 一种人脸对比方法、系统及电子设备和存储介质

Similar Documents

Publication Publication Date Title
WO2021077984A1 (zh) 对象识别方法、装置、电子设备及可读存储介质
Muhammad et al. A facial-expression monitoring system for improved healthcare in smart cities
Luo et al. ARBEE: Towards automated recognition of bodily expression of emotion in the wild
CN106295313B (zh) 对象身份管理方法、装置和电子设备
CN109800744A (zh) 图像聚类方法及装置、电子设备和存储介质
CN105913507B (zh) 一种考勤方法及系统
CN111368672A (zh) 一种用于遗传病面部识别模型的构建方法及装置
CN110446063A (zh) 视频封面的生成方法、装置及电子设备
CN110827236B (zh) 基于神经网络的脑组织分层方法、装置、计算机设备
CN111814620A (zh) 人脸图像质量评价模型建立方法、优选方法、介质及装置
Patilkulkarni Visual speech recognition for small scale dataset using VGG16 convolution neural network
Al-Azzoa et al. Human related-health actions detection using Android Camera based on TensorFlow Object Detection API
CN109117800A (zh) 基于卷积神经网络的人脸性别识别方法及系统
Rahman et al. An assistive model for visually impaired people using YOLO and MTCNN
CN112330624A (zh) 医学图像处理方法和装置
Anisuzzaman et al. A mobile app for wound localization using deep learning
Samadiani et al. A multiple feature fusion framework for video emotion recognition in the wild
CN113657272B (zh) 一种基于缺失数据补全的微视频分类方法及系统
Viedma et al. Relevant features for gender classification in NIR periocular images
Akinpelu et al. Lightweight deep learning framework for speech emotion recognition
CN117689884A (zh) 一种医学图像分割模型的生成方法及医学图像的分割方法
Serbaya [Retracted] Analyzing the Role of Emotional Intelligence on the Performance of Small and Medium Enterprises (SMEs) Using AI‐Based Convolutional Neural Networks (CNNs)
CN116309997A (zh) 一种数字人动作生成方法、装置及设备
CN116130088A (zh) 多模态面诊问诊方法、装置及相关设备
Carneiro et al. FaVoA: Face-Voice association favours ambiguous speaker detection

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190101