CN109165583B - 多尺寸融合人脸检测方法、装置及存储介质 - Google Patents

多尺寸融合人脸检测方法、装置及存储介质 Download PDF

Info

Publication number
CN109165583B
CN109165583B CN201810904393.7A CN201810904393A CN109165583B CN 109165583 B CN109165583 B CN 109165583B CN 201810904393 A CN201810904393 A CN 201810904393A CN 109165583 B CN109165583 B CN 109165583B
Authority
CN
China
Prior art keywords
feature
layer
feature map
face
size
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
Application number
CN201810904393.7A
Other languages
English (en)
Other versions
CN109165583A (zh
Inventor
郭秋杉
董远
白洪亮
熊风烨
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.)
SUZHOU FEISOU TECHNOLOGY Co.,Ltd.
Original Assignee
Suzhou Feisou Technology Co 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 Suzhou Feisou Technology Co ltd filed Critical Suzhou Feisou Technology Co ltd
Priority to CN201810904393.7A priority Critical patent/CN109165583B/zh
Publication of CN109165583A publication Critical patent/CN109165583A/zh
Application granted granted Critical
Publication of CN109165583B publication Critical patent/CN109165583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供了一种多尺寸融合人脸检测方法，包括：将初始人脸图片输入VGG16的主干网络，获取常规人脸特征图集及待归一化人脸特征图集；归一化所述待归一化人脸特征图集中的每张特征图，得到归一化人脸特征图集；将所述常规人脸特征图集及归一化人脸特征图集合并，得到最终人脸特征图集；将所述最终人脸特征图集中，任意相邻的两张人脸特征图进行特征融合，得到融合后的多尺寸人脸特征图；对所述多尺寸人脸特征图进行分类，并对每项分类结果进行计分，得分最高的分类结果作为人脸检测结果。本发明实施例还提供了一种主动交互装置及非暂态可读存储介质，用来实现所述方法。本发明可以减少图片进行缩放的次数，实现较高的人脸图片检测速率。

Description

多尺寸融合人脸检测方法、装置及存储介质
技术领域
本发明实施例涉及模式识别技术领域，尤其涉及一种多尺寸融合人脸检测方法、装置及存储介质。
背景技术
现如今的人脸检测技术大多通过使用图像金字塔技术，对同一张待检测的图片进行不断的放缩，来应对人脸的多尺度的检测难题，这样会浪费大量的时间在不必要的计算上，造成检测效率降低。多尺寸特征融合的人脸检测在不同的尺寸特征上对人脸进行检测。这样可以减少图片进行放缩的次数，以及通过人脸检测器的次数。即可实现较高的检测率，同时检测速度较快，对解决检测效率低下的问题给出了有效启示。因此，如何开发出多尺寸特征的人脸检测方法，就成为业界广泛关注的问题。
发明内容
针对现有技术存在的上述问题，本发明实施例提供了一种多尺寸融合人脸检测方法、装置及存储介质。
一方面，本发明实施例提供了一种多尺寸融合人脸检测方法，包括：将初始人脸图片输入VGG16的主干网络，获取常规人脸特征图集及待归一化人脸特征图集；归一化所述待归一化人脸特征图集中的每张特征图，得到归一化人脸特征图集；将所述常规人脸特征图集及归一化人脸特征图集合并，得到最终人脸特征图集；将所述最终人脸特征图集中，任意相邻的两张人脸特征图进行特征融合，得到融合后的多尺寸人脸特征图；对所述多尺寸人脸特征图进行分类，并对每项分类结果进行计分，得分最高的分类结果作为人脸检测结果；其中，所述最终特征图集中的任意两张特征图，尺寸均不相同。
另一方面，本发明实施例提供了一种主动交互装置及一种非暂态可读存储介质。所述一种主动交互装置包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行所述一种多尺寸融合人脸检测方法。所述一种非暂态可读存储介质存储程序指令，用于执行所述一种多尺寸融合人脸检测方法。
本发明实施例提供了一种多尺寸融合人脸检测方法、装置及存储介质，通过采用神经网络技术得到特征图集，并将部分特征图归一化，然后采用图片融合技术将多尺寸的人脸图片融合在一起，可以减少图片进行缩放的次数，实现较高的人脸图片检测速率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中多尺寸融合人脸检测方法的整体流程图；
图2是本发明实施例中特征融合器结构示意图；
图3是本发明实施例中多尺寸融合人脸检测效果示意图；
图4是本发明实施例的硬件装置工作示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
当前的人脸检测技术通过对同一张待检测的图片进行不断的放缩，实现对人脸的多尺度检测难题，这样会造成检测效率较低。由此自然想到，如果能够在不同的尺寸特征上对人脸进行检测，就可以减少图片进行放缩的次数，以及通过人脸检测器的次数，也就可以实现较高的检测率。为了实现上述多尺寸特征的人脸检测技术构想，本发明实施例提供了一种多尺寸融合人脸检测方法、装置及存储介质。参见图1，图1是本发明实施例中多尺寸融合人脸检测方法的整体流程图，包括：
S101：将初始人脸图片输入VGG16的主干网络，获取常规人脸特征图集及待归一化人脸特征图集。所述待归一化人脸特征图集包括：卷积层conv3_3卷积得到的特征图、卷积层conv4_3卷积得到的特征图和卷积层conv5_3卷积得到的特征图。所述常规人脸特征图集包括：卷积层conv_fc7卷积得到的特征图、卷积层conv6_2卷积得到的特征图和卷积层conv7_2卷积得到的特征图。所述卷积层conv3_3卷积得到的特征图，尺寸是所述初始人脸图片的四分之一；所述卷积层conv4_3卷积得到的特征图，尺寸是所述初始人脸图片的八分之一；卷积层conv5_3卷积得到的特征图，尺寸是所述初始人脸图片的十六分之一。所述卷积层conv_fc7卷积得到的特征图，尺寸是所述初始人脸图片的三十二分之一；所述卷积层conv6_2卷积得到的特征图，尺寸是所述初始人脸图片的六十四分之一；所述卷积层conv7_2卷积得到的特征图，尺寸是所述初始人脸图片的一百二十八分之一。
S102：归一化所述待归一化人脸特征图集中的每张特征图，得到归一化人脸特征图集。该步骤具体包括：对于卷积层conv3_3卷积得到的特征图，将所述特征图特征值的L2范数值归一化到10；对于卷积层conv4_3卷积得到的特征图，将所述特征图特征值的L2范数值归一化到8；对于卷积层conv5_3卷积得到的特征图，将所述特征图特征值的L2范数值归一化到5。
S103：将所述常规人脸特征图集及归一化人脸特征图集合并，得到最终人脸特征图集。
S104：将所述最终人脸特征图集中，任意相邻的两张人脸特征图进行特征融合，得到融合后的多尺寸人脸特征图。该步骤具体包括：卷积第n-1层特征图，将所述第n-1层特征图的特征维度，降低至第n层特征图的特征维度的八分之一，得到降维的第n-1层特征图；池化所述降维的第n-1层特征图，将所述降维的第n-1层特征图的尺寸降低至原尺寸的二分之一，得到待融合第n-1层特征图；卷积第n+1层特征图，将所述第n+1层特征图的特征维度，降低至第n层特征图特征维度的八分之一，得到降维的第n+1层特征图；若n＝2，3，4，5，将所述待融合第n-1层特征图、第n层特征图与降维的第n+1层特征图进行特征融合，得到融合后的多尺寸特征图；若n＝1，将第1层特征图与降维的第2层特征图进行特征融合，得到融合后的多尺寸特征图；若n达到最大值，将第n层特征图与待融合第n-1层特征图进行特征融合，得到融合后的多尺寸特征图。
S105：对所述多尺寸人脸特征图进行分类，并对每项分类结果进行计分，得分最高的分类结果作为人脸检测结果。在分类之后，通过SoftNMS将全部人脸分类结果进行合并，得到精确的人脸分类结果。在另一实施例中，分类可以是softmax分类，通过分类器将多尺寸人脸特征图分为四类，第一类是背景类，第二、第三及第四类为正样本类(即，主要包含人脸的分类特征图)，通过SoftNMS可以将正样本类进行合并，将大部分的重叠在一起的正样本整合为一个精确的样本。
其中，所述最终特征图集中的任意两张特征图，尺寸均不相同。
在上述实施例中，特征融合器对于融合不同尺寸的特征图具有重要意义，为了读者能够有效理解本发明不同尺寸特征图片的融合机理，有必要对特征融合器的工作情况做出详细的阐述。请参见图2，图2是本发明实施例中特征融合器结构示意图，包括：
第n-1层特征图201、第n层特征图202及第n+1层特征图203。
假设当前的所有特征图的层数记为n(n＝1，2，3，4，5，6)，对这n层特征图进行融合的时候，将第n-1层特征图201通过一个1x1的卷积层(即1x1 conv，类似不再赘述)改变特征维度至第n层特征图202的1/8，然后通过一个2x2的max pooling层(即池化层)，降低其平面尺寸为原来的1/2。将第n+1层特征图203经过1x1的卷积层改变特征维度至第n层特征图202的1/8，然后通过双线性插值法扩大其平面尺寸为原来的2倍(即2x up)。最后，若n＝2，3，4，5，通过Concat函数将第n-1层特征图、第n层特征图与降维的第n+1层特征图进行特征融合；若n＝1，通过Concat函数将第1层特征图与第2层特征图进行特征融合；若n＝6，通过Concat函数将第6层特征图与第5层特征图进行特征融合。
为了说明本发明的实际效果，特地将本发明的特征图融合效果进行了截图，从而证明本发明的实用性。请参见图3，图3是本发明实施例中多尺寸融合人脸检测效果示意图，包括：
人脸尺寸301、人脸尺寸302、人脸尺寸303及人脸尺寸304。
人脸尺寸301的具体尺寸为0.94，人脸尺寸302的具体尺寸为0.92，人脸尺寸303的具体尺寸为0.95，人脸尺寸304的具体尺寸为1.0。由图3可以看出，多种不同尺寸的图像融合在一副图中，整体上过度平滑，并无突兀感，可以说明本发明的技术方案是有效的。
本发明实施例的方法是依托硬件设备实现的，因此对相关的硬件设备有必要做一下介绍。参见图4，图4是本发明实施例的硬件装置工作示意图，所述硬件装置包括：一种多尺寸融合人脸检测装置401、处理器402及存储介质403。
多尺寸融合人脸检测装置401：所述一种多尺寸融合人脸检测装置401实现所述一种多尺寸融合人脸检测方法。
处理器402：所述处理器402加载并执行所述存储介质403中的指令及数据用于实现所述的一种多尺寸融合人脸检测方法。
存储介质403：所述存储介质403存储指令及数据；所述存储介质403用于实现所述的一种多尺寸融合人脸检测方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种多尺寸融合人脸检测方法，其特征在于，包括：
将初始人脸图片输入VGG16的主干网络，获取常规人脸特征图集及待归一化人脸特征图集；
归一化所述待归一化人脸特征图集中的每张特征图，得到归一化人脸特征图集；
将所述常规人脸特征图集及归一化人脸特征图集合并，得到最终人脸特征图集；
将所述最终人脸特征图集中，任意相邻的两张人脸特征图进行特征融合，得到融合后的多尺寸人脸特征图；
对所述多尺寸人脸特征图进行分类，并对每项分类结果进行计分，得分最高的分类结果作为人脸检测结果；
其中，所述最终特征图集中的任意两张特征图，尺寸均不相同；
所述将所述最终人脸特征图集中，任意相邻的两张人脸特征图进行特征融合，得到融合后的多尺寸人脸特征图，包括：
若第n层特征图不属于处于边缘的特征图，则卷积第n-1层特征图，将所述第n-1层特征图的特征维度，降低至第n层特征图的特征维度的八分之一，得到降维的第n-1层特征图；
池化所述降维的第n-1层特征图，将所述降维的第n-1层特征图的尺寸降低至原尺寸的二分之一，得到待融合第n-1层特征图；
卷积第n+1层特征图，将所述第n+1层特征图的特征维度，降低至第n层特征图特征维度的八分之一，并将平面尺寸扩大至所述第n+1层特征图原尺寸的2倍，得到降维的第n+1层特征图；
将所述待融合第n-1层特征图、第n层特征图与降维的第n+1层特征图进行特征融合，得到融合后的多尺寸特征图；
若第n层特征图属于处于边缘的特征图，
当n=1时，卷积第2层特征图，将所述第2层特征图的特征维度，降低至第1层特征图特征维度的八分之一，并将平面尺寸扩大至所述第2层特征图原尺寸的2倍，得到降维的第2层特征图；
将第1层特征图与降维的第2层特征图进行特征融合，得到融合后的多尺寸特征图；
否则，卷积第n-1层特征图，将所述第n-1层特征图的特征维度，降低至第n层特征图的特征维度的八分之一，得到降维的第n-1层特征图；
池化所述降维的第n-1层特征图，将所述降维的第n-1层特征图的尺寸降低至原尺寸的二分之一，得到待融合第n-1层特征图；
将所述待融合第n-1层特征图与所述第n层特征图进行特征融合，得到融合后的多尺寸特征图。
2.根据权利要求1所述的方法，其特征在于，所述待归一化人脸特征图集包括：
卷积层conv3_3卷积得到的特征图、卷积层conv4_3卷积得到的特征图和卷积层conv5_3卷积得到的特征图。
3.根据权利要求1所述的方法，其特征在于，所述常规人脸特征图集包括：
卷积层conv_fc7卷积得到的特征图、卷积层conv6_2卷积得到的特征图和卷积层conv7_2卷积得到的特征图。
4.根据权利要求2所述的方法，其特征在于，所述卷积层conv3_3卷积得到的特征图，尺寸是所述初始人脸图片的四分之一；所述卷积层conv4_3卷积得到的特征图，尺寸是所述初始人脸图片的八分之一；卷积层conv5_3卷积得到的特征图，尺寸是所述初始人脸图片的十六分之一。
5.根据权利要求3所述的方法，其特征在于，所述卷积层conv_fc7卷积得到的特征图，尺寸是所述初始人脸图片的三十二分之一；所述卷积层conv6_2卷积得到的特征图，尺寸是所述初始人脸图片的六十四分之一；所述卷积层conv7_2卷积得到的特征图，尺寸是所述初始人脸图片的一百二十八分之一。
6.根据权利要求2所述的方法，其特征在于，所述归一化所述待归一化人脸特征图集中的每张特征图，得到归一化人脸特征图集，包括：
对于卷积层conv3_3卷积得到的特征图，将所述特征图特征值的L2范数值归一化到10；
对于卷积层conv4_3卷积得到的特征图，将所述特征图特征值的L2范数值归一化到8；
对于卷积层conv5_3卷积得到的特征图，将所述特征图特征值的L2范数值归一化到5。
7.根据权利要求1所述的方法，其特征在于，还包括：
通过SoftNMS将全部人脸分类结果进行合并，得到精确的人脸分类结果。
8.一种主动交互装置，其特征在于，包括：
至少一个处理器；
所述处理器调用程序指令能够执行如权利要求1至7任一权利要求所述的方法。
9.一种非暂态可读存储介质，其特征在于，所述非暂态可读存储介质存储程序指令，所述程序指令用于执行如权利要求1至7任一权利要求所述的方法。
CN201810904393.7A 2018-08-09 2018-08-09 多尺寸融合人脸检测方法、装置及存储介质 Active CN109165583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810904393.7A CN109165583B (zh) 2018-08-09 2018-08-09 多尺寸融合人脸检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810904393.7A CN109165583B (zh) 2018-08-09 2018-08-09 多尺寸融合人脸检测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN109165583A CN109165583A (zh) 2019-01-08
CN109165583B true CN109165583B (zh) 2021-01-05

Family

ID=64895352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810904393.7A Active CN109165583B (zh) 2018-08-09 2018-08-09 多尺寸融合人脸检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN109165583B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084165B (zh) * 2019-04-19 2020-02-07 山东大学 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102428478A (zh) * 2009-04-17 2012-04-25 里弗兰医疗集团公司 多尺度图像归一化和增强
CN106529447A (zh) * 2016-11-03 2017-03-22 河北工业大学 一种小样本人脸识别方法
CN107341517A (zh) * 2017-07-07 2017-11-10 哈尔滨工业大学 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN107463906A (zh) * 2017-08-08 2017-12-12 深图（厦门）科技有限公司 人脸检测的方法及装置
CN108229330A (zh) * 2017-12-07 2018-06-29 深圳市商汤科技有限公司 人脸融合识别方法及装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102428478A (zh) * 2009-04-17 2012-04-25 里弗兰医疗集团公司 多尺度图像归一化和增强
CN106529447A (zh) * 2016-11-03 2017-03-22 河北工业大学 一种小样本人脸识别方法
CN107341517A (zh) * 2017-07-07 2017-11-10 哈尔滨工业大学 一种基于深度学习层级间特征融合的多尺度小物体检测方法
CN107463906A (zh) * 2017-08-08 2017-12-12 深图（厦门）科技有限公司 人脸检测的方法及装置
CN108229330A (zh) * 2017-12-07 2018-06-29 深圳市商汤科技有限公司 人脸融合识别方法及装置、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CMS-RCNN: Contextual Multi-Scale Region-Based CNN for Unconstrained Face Detection;Chenchen Zhu 等;《Deep Learning for Biometrics》;Springer;20170802;第3.3.3小节，附图3.2 *
S^3FD: Single Shot Scale-Invariant Face Detector;Shifeng Zhang 等;《2017 IEEE International Conference on Computer Vision (ICCV)》;IEEE;20171029;第3.1小节，附图2 *

Also Published As

Publication number Publication date
CN109165583A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
US10943145B2 (en) Image processing methods and apparatus, and electronic devices
Singh et al. Face mask detection using YOLOv3 and faster R-CNN models: COVID-19 environment
Bulat et al. Super-fan: Integrated facial landmark localization and super-resolution of real-world low resolution faces in arbitrary poses with gans
CN109918969B (zh) 人脸检测方法及装置、计算机装置和计算机可读存储介质
US9542621B2 (en) Spatial pyramid pooling networks for image processing
US10452893B2 (en) Method, terminal, and storage medium for tracking facial critical area
EP3333768A1 (en) Method and apparatus for detecting target
Riche et al. Rare2012: A multi-scale rarity-based saliency detection with its comparative statistical analysis
US9367753B2 (en) Method and system for recognizing information on a card
US10963676B2 (en) Image processing method and apparatus
CN111104962A (zh) 图像的语义分割方法、装置、电子设备及可读存储介质
CN108664981A (zh) 显著图像提取方法及装置
EP4047509A1 (en) Facial parsing method and related devices
CN111985374A (zh) 人脸定位方法、装置、电子设备及存储介质
CN110349167A (zh) 一种图像实例分割方法及装置
CN114529982A (zh) 基于流式注意力的轻量级人体姿态估计方法及系统
Qi et al. Using adaboost to detect and segment characters from natural scenes
US20210256717A1 (en) Edge-guided ranking loss for monocular depth prediction
CN114841974A (zh) 一种水果内部结构无损检测方法、系统、电子设备及介质
CN109165583B (zh) 多尺寸融合人脸检测方法、装置及存储介质
CN114419428A (zh) 一种目标检测方法、目标检测装置和计算机可读存储介质
Bhattacharya HybridFaceMaskNet: A novel face-mask detection framework using hybrid approach
US11687886B2 (en) Method and device for identifying number of bills and multiple bill areas in image
CN113706390A (zh) 图像转换模型训练方法和图像转换方法、设备及介质
CN111695398A (zh) 一种小目标船只识别方法、装置及电子设备

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
TA01 Transfer of patent application right

Effective date of registration: 20201126

Address after: 215000 unit 2-b702, creative industry park, No. 328, Xinghu street, Suzhou Industrial Park, Suzhou City, Jiangsu Province

Applicant after: SUZHOU FEISOU TECHNOLOGY Co.,Ltd.

Address before: 100876 Beijing, Haidian District, 10 West Road, Beijing, 12 Beijing, North Post Science and technology exchange center, room 1216

Applicant before: BEIJING FEISOU TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant