CN109165566B - 一种基于新型损失函数的人脸识别卷积神经网络训练方法 - Google Patents
一种基于新型损失函数的人脸识别卷积神经网络训练方法 Download PDFInfo
- Publication number
- CN109165566B CN109165566B CN201810866133.5A CN201810866133A CN109165566B CN 109165566 B CN109165566 B CN 109165566B CN 201810866133 A CN201810866133 A CN 201810866133A CN 109165566 B CN109165566 B CN 109165566B
- Authority
- CN
- China
- Prior art keywords
- layer
- face
- training
- loss
- face recognition
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于新型损失函数的人脸识别卷积神经网络训练方法,将SoftMax loss、余弦相似度损失、Center Loss相结合,共同作为人脸识别卷积神经网络训练过程中的目标函数,在保证增大类间距、减小类内距离的同时,加入余弦相似度损失来克服由于训练与测试时人脸特征比对的度量方法不同造成的差异性。包括:一:将人脸识别数据行划分为训练样本集与测试样本集;二:对训练样本集中的人脸图像进行数据预处理;三:构建基于新型损失函数的人脸识别卷积神经网络结构;四:将训练样本集输入到人脸识别卷积神经网络中进行训练;五:保存人脸识别模型参数;六:利用经过数据预处理后的测试样本集对人脸识别模型进行测试。
Description
技术领域
本发明属于深度神经网络提取脸部特征的深度学习领域,涉及到神经网络、模式识别等技术,尤其涉及到基于新型损失函数的人脸识别卷积神经网络训练方法。
背景技术
近年来,随着计算机技术的迅速发展,人脸自动识别技术得到广泛研究与开发,人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一,人脸识别的目的是从人脸图像中抽取人的个性化特征,并以此来识别人的身份。
人脸识别一直是模式识别方向中的热点,主要有四种人脸识别的方法:基于几何特征的方法、基于模型的方法、基于统计的方法和基于神经网络的方法。卷积神经网络(CNN)是一种包含卷积层的神经网络,在人脸识别域,CNN成为了引起广泛重视的一种高效识别方法。在人脸识别中,特征的分类能力、算法复杂度和可实现性是确定特征提取法需要考虑的因素。所提取特征对最终分类结果有着决定性的影响,分类器所能实现的分辨率上限就是各类特征间最大可区分度。因此,人脸识别的实现需要综合考虑特征选择、特征提取和分类器设计。在传统意义上的深度卷积神经网络的softmax代价函数的监督下,所学习的模型通常缺乏足够的判别性。为了解决这一问题,产生一系列损失函数被提出来,如CenterLoss、L-Softmax、A-Softmax。所有这些改进算法都基于一个核心思想:增强类间差异并且减小类内差异,但是以上这些损失函数的设计原则仅考虑了权重向量与人脸特征向量之间的余弦夹角或者欧式距离等,而未考虑过两个人脸特征向量在训练过程中所造成的差异性。
解决上述问题的关键就是要设计一个新型的损失函数,在人脸识别网络训练过程中,既可以监督人脸特征之间的余弦相似性,又可以监督训练的人脸特征之间的欧式距离,由于测试过程常采用余弦公式作为人脸相似度度量方法,所以将余弦相似度加入到损失函数中,能够保证训练与测试过程中人脸特征比较方式的一致性,克服由于训练与测试时人脸特征比对的度量方法不同造成的差异性,提高人脸识别准确率。
发明内容
本发明克服了现有技术的不足之处,提出了一种基于新型损失函数的人脸识别卷积神经网络训练方法,意在将余弦相似度与center loss损失函数相结合,利用卷积神经网络进行人脸识别模型的训练,提高人脸识别的准确率。
本发明为达上述发明目的,采用如下技术方案:
一种基于新型损失函数的人脸识别卷积神经网络训练方法包括以下步骤:
步骤一:对需要进行人脸识别训练的人脸图像数据划分为训练样本集、测试样本集;
步骤二:将步骤一所获得的训练样本集中的人脸图像进行数据预处理,预处理包括:人脸矫正、图像尺寸大小归一化为M*N,所述人脸矫正采用MTCNN(Multi-taskconvolutional neural networks)算法,MTCNN算法主要包括人脸/非人脸分类器、边界框回归、人脸关键点定位三个部分,利用获得的人眼睛关键点位置,把每个人眼睛置于同一个水平线上,实现人脸矫正;
步骤三:构建人脸识别卷积神经网络结构,结构为数据输入层—卷积层C1—池化层P1—卷积层C2—卷积层C3—池化层P2—卷积层C4—卷积层C5—池化层P3—卷积层C6—卷积层C7—池化层P4—全连接层F1—全连接层F2—SoftMaxWithLoss层—余弦相似度损失与Center Loss结合层,所述余弦相似度损失与Center Loss结合层是将人脸特征向量之间的余弦相似度与Center Loss共同加入到损失函数计算过程中;
步骤四:将步骤二中经过数据预处理后的训练样本输入到步骤三构建的网络结构中的数据输入层进行人脸识别卷积神经网络训练,训练时的损失函数采用步骤三中SoftMaxWithLoss层的损失函数Ls、步骤三中余弦相似度损失与Center Loss结合层的损失函数Lcos_center相叠加的联合损失函数L,通过不断的对网络进行循环迭代训练使损失函数不断减小,直到完成设定的迭代次数Q;
进一步地,所述SoftMaxWithLoss层的损失函数Ls和余弦相似度损失与CenterLoss结合层中损失函数Lcos_center、联合损失函数L的计算公式分别为:
L=Ls+Lcos_center (3)
其中θij的表达式为:
其中fi、fj的表达式为:
其中,n表示训练过程中每次迭代输入的训练样本总数;N表示训练样本的总类别数;xi∈Rd、xj∈Rd表示第i个样本在权利要求1的步骤三中全连接层F1的输出特征,d表示特征维度;表示第i个样本的所属类别yi的类中心特征;wr∈Rd、wi∈Rd、wj∈Rd分别表示权利要求1的步骤三中全连接层F2的权重矩阵W∈Rd×N的第yi列、第r列、第i列、第j列,b∈RN代表偏置项;fi、fj分别表示第i个样本和第j个样本在权利要求1的步骤三中全连接层F2的输出特征;θij代表向量fi和fj的夹角;λ1和λ2分别表示权重系数(λ1>0,λ2>0);当yi=yj时,k=1;当yi≠yj时,k=0;
步骤五:将步骤四训练后得到的人脸识别模型参数进行保存;
步骤六:采用步骤二中的数据预处理方法对测试样本集中的图像进行处理,将处理好的测试样本集利用步骤五中的人脸识别模型对测试样本集中的人脸图像进行特征提取,计算每两个人脸特征向量之间的余弦相似度P,设置自适应阈值T,如果相似度P大于阈值T,则判断两个人脸图像是同一个人,否则不是同一个人,得到人脸识别模型测试结果。
与现有技术相比,本发明的有益效果体现在:
本发明采取一种新型损失函数对人脸识别卷积神经网络进行训练,由于测试过程常采用余弦公式作为人脸相似度度量方法,所以在对人脸样本进行训练时,将余弦相似度加入到损失函数之中,能够保证训练与测试过程中人脸特征比较方式的一致性,克服由于训练与测试时人脸特征比对的度量方法不同造成的差异性,center loss与余弦相似度损失相结合,既可以将不同人脸特征之间的余弦相似度作为人脸识别卷积神经网络的监督信号,又可以将人脸特征之间的欧式距离作为监督信号,center loss能够有效的使同一类别的人脸特征聚集,同时,在损失函数中加入SoftMax loss可以使不同类别人脸特征分离,达到了有效增大类间距、减小类内距离的目的,提高人脸识别准确率。
附图说明
图1是一种基于新型损失函数的人脸识别卷积神经网络结构示意图;图中C1、P1、C2、C3、P2、C4、C5、P3、C6、C7、P4、F1、F2均代表各个对应的网络层的名字。
具体实施方式
下面结合附图对本发明作进一步说明。
本实施例中,如图1所示,本发明的基于新型损失函数的人脸识别卷积神经网络训练方法包括如下步骤:
步骤一:对需要进行人脸识别训练的人脸图像数据划分为训练样本集、测试样本集,其中,两个测试样本集中每一类相同身份的人脸图像具有相同的类别标签;
步骤二:将步骤一所获得的训练样本集中的人脸图像进行数据预处理,预处理包括:人脸矫正、图像尺寸大小归一化为M*N,其中人脸矫正采用MTCNN(Multi-taskconvolutional neural networks)算法,MTCNN算法主要包括人脸/非人脸分类器、边界框回归、人脸关键点定位三个部分,利用获得的人眼睛关键点位置,把每个人眼睛置于同一个水平线上,实现人脸矫正;
对人脸图像进行矫正能够减少由于人脸姿态的不同造成的特征差异,同时把人脸图像尺寸进行归一化能够保证网络对每个人脸进行特征提取时具有相同的输出特征维度。
步骤三:构建人脸识别卷积神经网络结构,结构为数据输入层—卷积层C1—池化层P1—卷积层C2—卷积层C3—池化层P2—卷积层C4—卷积层C5—池化层P3—卷积层C6—卷积层C7—池化层P4—全连接层F1—全连接层F2—SoftMaxWithLoss层—余弦相似度损失与Center Loss结合层,其中,全连接层F2的输出维度是人脸训练样本集的类别总数,所有池化层均使用最大池化的方法,余弦相似度损失与Center Loss结合层是将人脸特征向量之间的余弦相似度与Center Loss共同加入到损失函数计算过程中;
步骤四:将步骤二中经过数据预处理后的训练样本输入到步骤三构建的网络结构中的数据输入层进行人脸识别卷积神经网络训练,训练时的损失函数采用步骤三中SoftMaxWithLoss层的损失函数Ls、步骤三中余弦相似度损失与CenterLoss结合层的损失函数Lcos_center相叠加的联合损失函数L,通过不断的对网络进行循环迭代训练使损失函数不断减小,直到完成设定的迭代次数Q,其中SoftMaxWithLoss层的损失函数Ls和余弦相似度损失与Center Loss结合层中损失函数Lcos_center、联合损失函数L的计算公式分别为:
L=Ls+Lcos_center
其中θij的表达式为:
其中fi、fj的表达式为:
其中,n表示训练过程中每次迭代输入的训练样本总数;N表示训练样本的总类别数;xi∈Rd、xj∈Rd表示第i个样本在权利要求1的步骤三中全连接层F1的输出特征,d表示特征维度;表示第i个样本的所属类别yi的类中心特征;wr∈Rd、wi∈Rd、wj∈Rd分别表示权利要求1的步骤三中全连接层F2的权重矩阵W∈Rd×N的第yi列、第r列、第i列、第j列,b∈RN代表偏置项;fi、fj分别表示第i个样本和第j个样本在权利要求1的步骤三中全连接层F2的输出特征;θij代表向量fi和fj的夹角;λ1和λ2分别表示权重系数(λ1>0,λ2>0);当yi=yj时,k=1;当yi≠yj时,k=0;
在训练过程中,设置自适应权重系数λ1=1,λ2=10.
步骤五:将步骤四训练后得到的人脸识别模型参数进行保存;
步骤六:采用步骤二中的数据预处理方法对测试样本集中的图像进行处理,将处理好的测试样本集利用步骤五中的人脸识别模型对测试样本集中的人脸图像进行特征提取,计算每两个人脸特征向量之间的余弦相似度P,设置自适应阈值T,如果相似度P大于阈值T,设置T=0.75,则判断两个人脸图像是同一个人,否则不是同一个人,得到人脸识别模型测试结果。
Claims (1)
1.一种基于新型损失函数的人脸识别卷积神经网络训练方法,其特征在于包括如下步骤:
步骤一:对需要进行人脸识别训练的人脸图像数据划分为训练样本集、测试样本集;
步骤二:将步骤一所获得的训练样本集中的人脸图像进行数据预处理,预处理包括:人脸矫正、图像尺寸大小归一化为M*N,所述人脸矫正采用MTCNN(Multi-task convolutionalneural networks)算法,MTCNN算法主要包括人脸/非人脸分类器、边界框回归、人脸关键点定位三个部分,利用获得的人眼睛关键点位置,把每个人眼睛置于同一个水平线上,实现人脸矫正;
步骤三:构建人脸识别卷积神经网络结构,该结构为数据输入层—卷积层C1—池化层P1—卷积层C2—卷积层C3—池化层P2—卷积层C4—卷积层C5—池化层P3—卷积层C6—卷积层C7—池化层P4—全连接层F1—全连接层F2—SoftMaxWithLoss层—余弦相似度损失与Center Loss结合层,所述余弦相似度损失与Center Loss结合层是将人脸特征向量之间的余弦相似度与Center Loss共同加入到损失函数计算过程中;
步骤四:将步骤二中经过数据预处理后的训练样本输入到步骤三构建的网络结构中的数据输入层进行人脸识别卷积神经网络训练,训练时的损失函数采用步骤三中SoftMaxWithLoss层的损失函数Ls、步骤三中余弦相似度损失与Center Loss结合层的损失函数Lcos_center相叠加的联合损失函数L,通过不断的对网络进行循环迭代训练使损失函数不断减小,直到完成设定的迭代次数Q;
步骤五:将步骤四训练后得到的人脸识别模型参数进行保存;
步骤六:采用步骤二中的数据预处理方法对测试样本集中的图像进行处理,将处理好的测试样本集利用步骤五中的人脸识别模型对测试样本集中的人脸图像进行特征提取,计算每两个人脸特征向量之间的余弦相似度P,设置自适应阈值T,如果相似度P大于阈值T,则判断两个人脸图像是同一个人,否则不是同一个人,得到人脸识别模型测试结果;
步骤三中SoftMaxWithLoss层的损失函数Ls和余弦相似度损失与Center Loss结合层中损失函数Lcos_center的计算公式分别为:
其中θij的表达式为:
其中fi、fj的表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866133.5A CN109165566B (zh) | 2018-08-01 | 2018-08-01 | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866133.5A CN109165566B (zh) | 2018-08-01 | 2018-08-01 | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165566A CN109165566A (zh) | 2019-01-08 |
CN109165566B true CN109165566B (zh) | 2021-04-27 |
Family
ID=64898644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810866133.5A Active CN109165566B (zh) | 2018-08-01 | 2018-08-01 | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165566B (zh) |
Families Citing this family (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859743B (zh) * | 2019-01-29 | 2023-12-08 | 腾讯科技(深圳)有限公司 | 音频识别方法、系统和机器设备 |
CN109902757B (zh) * | 2019-03-08 | 2023-04-25 | 山东领能电子科技有限公司 | 一种基于Center Loss改进的人脸模型训练方法 |
CN109872012A (zh) * | 2019-03-18 | 2019-06-11 | 上海大学 | 基于工况划分的火电厂运行多目标优化的确定方法 |
CN111757172A (zh) * | 2019-03-29 | 2020-10-09 | Tcl集团股份有限公司 | Hdr视频获取方法、hdr视频获取装置及终端设备 |
CN110059625B (zh) * | 2019-04-18 | 2023-04-07 | 重庆大学 | 一种基于mixup的人脸训练与识别方法 |
CN110070049A (zh) * | 2019-04-23 | 2019-07-30 | 北京市商汤科技开发有限公司 | 人脸图像识别方法及装置、电子设备和存储介质 |
CN111652021B (zh) * | 2019-04-30 | 2023-06-02 | 上海铼锶信息技术有限公司 | 一种基于bp神经网络的人脸识别方法及系统 |
CN110288751B (zh) * | 2019-05-20 | 2023-03-31 | 平安科技(深圳)有限公司 | 基于人脸识别的排队方法、装置及计算机可读存储介质 |
CN110263956A (zh) * | 2019-05-20 | 2019-09-20 | 平安科技(深圳)有限公司 | 基于人脸识别的用餐方法、装置及计算机可读存储介质 |
CN112241664A (zh) * | 2019-07-18 | 2021-01-19 | 顺丰科技有限公司 | 人脸识别方法、装置、服务器及存储介质 |
CN110414431B (zh) * | 2019-07-29 | 2022-12-27 | 广州像素数据技术股份有限公司 | 基于弹性上下文关系损失函数的人脸识别方法及系统 |
CN110516619A (zh) * | 2019-08-29 | 2019-11-29 | 河南中原大数据研究院有限公司 | 一种cos-attack人脸识别攻击算法 |
CN110533107B (zh) * | 2019-08-30 | 2020-11-13 | 中国科学院半导体研究所 | 梯度增强型Softmax分类器系统、训练信号产生方法及其应用 |
CN110738607A (zh) * | 2019-09-09 | 2020-01-31 | 平安国际智慧城市科技股份有限公司 | 基于人工智能拍摄驾驶证的方法、装置、设备及存储介质 |
CN110728377B (zh) * | 2019-10-21 | 2020-06-09 | 山东大学 | 一种面向机电设备的智能故障诊断方法及系统 |
CN110880018B (zh) * | 2019-10-29 | 2023-03-14 | 北京邮电大学 | 一种卷积神经网络目标分类方法 |
CN111680536B (zh) * | 2019-10-30 | 2023-06-30 | 高新兴科技集团股份有限公司 | 基于案管场景下的轻量化人脸识别方法 |
CN111104852B (zh) * | 2019-11-06 | 2020-10-16 | 重庆邮电大学 | 一种基于启发式高斯云变换的人脸识别技术 |
CN111126307B (zh) * | 2019-12-26 | 2023-12-12 | 东南大学 | 联合稀疏表示神经网络的小样本人脸识别方法 |
CN111209839B (zh) * | 2019-12-31 | 2023-05-23 | 上海涛润医疗科技有限公司 | 人脸识别方法 |
CN111339931B (zh) * | 2020-02-25 | 2023-04-28 | 四川翼飞视科技有限公司 | 一种联合性别属性训练的人脸识别网络模型构建方法 |
CN111339930A (zh) * | 2020-02-25 | 2020-06-26 | 四川翼飞视科技有限公司 | 一种联合口罩属性损失函数的人脸识别方法 |
CN111353411A (zh) * | 2020-02-25 | 2020-06-30 | 四川翼飞视科技有限公司 | 一种基于联合损失函数的遮挡人脸的识别方法 |
CN111401257B (zh) * | 2020-03-17 | 2022-10-04 | 天津理工大学 | 一种基于余弦损失在非约束条件下的人脸识别方法 |
CN111639535B (zh) * | 2020-04-29 | 2023-08-22 | 深圳英飞拓智能技术有限公司 | 基于深度学习的人脸识别方法及装置 |
CN111680631B (zh) * | 2020-06-09 | 2023-12-22 | 广州视源电子科技股份有限公司 | 模型训练方法及装置 |
CN111814620B (zh) * | 2020-06-28 | 2023-08-15 | 浙江大华技术股份有限公司 | 人脸图像质量评价模型建立方法、优选方法、介质及装置 |
CN111985310B (zh) * | 2020-07-08 | 2023-06-30 | 华南理工大学 | 一种用于人脸识别的深度卷积神经网络的训练方法 |
CN112561053B (zh) * | 2020-11-10 | 2023-09-08 | 北京百度网讯科技有限公司 | 图像处理方法、预训练模型的训练方法、装置和电子设备 |
CN112364809A (zh) * | 2020-11-24 | 2021-02-12 | 辽宁科技大学 | 一种高准确率的人脸识别改进算法 |
CN112329735B (zh) * | 2020-11-30 | 2022-05-10 | 深圳市海洋网络科技有限公司 | 人脸识别模型的训练方法及在线教育系统 |
CN112348001B (zh) * | 2021-01-08 | 2021-05-25 | 北京沃东天骏信息技术有限公司 | 表情识别模型的训练方法、识别方法、装置、设备及介质 |
CN112766399B (zh) * | 2021-01-28 | 2021-09-28 | 电子科技大学 | 一种面向图像识别的自适应神经网络训练方法 |
CN112800959B (zh) * | 2021-01-28 | 2023-06-06 | 华南理工大学 | 一种用于人脸识别中数据拟合估计的困难样本发掘方法 |
CN113065495B (zh) * | 2021-04-13 | 2023-07-14 | 深圳技术大学 | 图像相似度的计算方法、目标对象重识别方法及系统 |
CN113255594A (zh) * | 2021-06-28 | 2021-08-13 | 深圳市商汤科技有限公司 | 人脸识别方法和装置、神经网络 |
CN113505692B (zh) * | 2021-07-09 | 2024-05-24 | 西北工业大学 | 基于受试者工作特征曲线下部分面积优化的人脸识别方法 |
CN114239649B (zh) * | 2021-07-15 | 2023-04-07 | 电子科技大学 | 面向可穿戴设备光电容积脉搏波信号发现和识别新用户的身份识别方法 |
CN113807164A (zh) * | 2021-07-29 | 2021-12-17 | 四川天翼网络服务有限公司 | 一种基于余弦损失函数的人脸识别方法 |
CN114636995A (zh) * | 2022-03-16 | 2022-06-17 | 中国水产科学研究院珠江水产研究所 | 一种基于深度学习的水声信号检测方法及系统 |
CN116386108B (zh) * | 2023-03-27 | 2023-09-19 | 南京理工大学 | 一种基于实例一致性的公平性人脸识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103281A (zh) * | 2017-03-10 | 2017-08-29 | 中山大学 | 基于聚集损失深度度量学习的人脸识别方法 |
CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
CN107832700A (zh) * | 2017-11-03 | 2018-03-23 | 全悉科技(北京)有限公司 | 一种人脸识别方法与系统 |
CN108197669A (zh) * | 2018-01-31 | 2018-06-22 | 北京陌上花科技有限公司 | 卷积神经网络的特征训练方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
-
2018
- 2018-08-01 CN CN201810866133.5A patent/CN109165566B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107103281A (zh) * | 2017-03-10 | 2017-08-29 | 中山大学 | 基于聚集损失深度度量学习的人脸识别方法 |
CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
CN107832700A (zh) * | 2017-11-03 | 2018-03-23 | 全悉科技(北京)有限公司 | 一种人脸识别方法与系统 |
CN108197669A (zh) * | 2018-01-31 | 2018-06-22 | 北京陌上花科技有限公司 | 卷积神经网络的特征训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109165566A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165566B (zh) | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 | |
CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
CN108596039B (zh) | 一种基于3d卷积神经网络的双模态情感识别方法及系统 | |
CN107679526B (zh) | 一种人脸微表情识别方法 | |
Zahisham et al. | Food recognition with resnet-50 | |
CN107145842B (zh) | 结合lbp特征图与卷积神经网络的人脸识别方法 | |
WO2021115123A1 (zh) | 一种用于足迹图像检索的方法 | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN111414862B (zh) | 基于神经网络融合关键点角度变化的表情识别方法 | |
CN110443162B (zh) | 一种用于伪装人脸识别的两段式训练方法 | |
CN111160533A (zh) | 一种基于跨分辨率知识蒸馏的神经网络加速方法 | |
CN107657239A (zh) | 掌纹图像性别分类方法及装置、计算机装置及可读存储介质 | |
CN108921019A (zh) | 一种基于GEI和TripletLoss-DenseNet的步态识别方法 | |
CN109344856B (zh) | 一种基于多层判别式特征学习的脱机签名鉴别方法 | |
CN112052772A (zh) | 一种人脸遮挡检测算法 | |
CN109344720B (zh) | 一种基于自适应特征选择的情感状态检测方法 | |
CN109117795B (zh) | 基于图结构的神经网络表情识别方法 | |
CN106250811A (zh) | 基于hog特征稀疏表示的非约束人脸识别方法 | |
CN111709266A (zh) | 基于时空融合网络的面部表情识别方法 | |
CN111310787B (zh) | 一种基于堆叠编码器的脑功能网络多核模糊聚类方法 | |
Zhang et al. | Adaptive gabor convolutional neural networks for finger-vein recognition | |
CN115376159A (zh) | 一种基于多模态信息的跨外观行人重识别方法 | |
CN110969101A (zh) | 一种基于hog和特征描述子的人脸检测与跟踪方法 | |
CN111611963B (zh) | 一种基于近邻保持典型相关分析的人脸识别方法 | |
CN116386102A (zh) | 一种基于改进残差卷积网络inception块结构的人脸情绪识别方法 |
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 |