CN109190514B - 基于双向长短期记忆网络的人脸属性识别方法及系统 - Google Patents
基于双向长短期记忆网络的人脸属性识别方法及系统 Download PDFInfo
- Publication number
- CN109190514B CN109190514B CN201810921302.0A CN201810921302A CN109190514B CN 109190514 B CN109190514 B CN 109190514B CN 201810921302 A CN201810921302 A CN 201810921302A CN 109190514 B CN109190514 B CN 109190514B
- Authority
- CN
- China
- Prior art keywords
- short term
- term memory
- neural network
- face
- bidirectional long
- 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
- G06V40/172—Classification, e.g. identification
-
- 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
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于双向长短期记忆网络的人脸属性识别方法及系统,该人脸属性识别方法包括:获取人脸图像数据集;将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型;将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。本发明通过改进卷积神经网络,并增加双向长短期记忆网络构建深度神经网络,利用长短期记忆网络对于序列相关性的建模能力,学习不同任务得到的人脸属性特征之间的相关性和特异性,从而提高人脸属性识别的准确度。
Description
技术领域
本发明涉及人脸属性识别和深度学习领域,特别涉及于一种基于双向长短期记忆网络的人脸属性识别方法及系统。
背景技术
在日常生活中,人脸的属性是我们描述一个人外貌特征的重要信息,人脸属性反应了一个人的性别、年龄、外貌特征等,可以作为一个人身份检索的重要标识。传统的人脸属性识别方法是针对每一个单独的人脸属性任务设计一个网络,现有的主流的人脸属性识别方法是依据分组的思想,人为的选取相关性较强的属性特征利用卷积神经网络权值共享的思路来实现属性之间相关性的学习。但是上述两种方案都需要极大的人工参与,且人脸属性特征之间的相关性和特异性容易被忽略,导致预测的多个结果中存在逻辑不合理的问题,从而造成判别效果不佳。
发明内容
本发明的目的在于:针对现有的人脸属性识别需要极大的人工参与,且人脸属性之间的相关性和特异性容易被忽略,导致预测的多个结果中存在逻辑不合理的问题,提供一种基于双向长短期记忆网络的人脸属性识别方法及系统,降低人工工作量,使得人脸属性识别更加智能化,同时利用长短期记忆网络对于序列相关性的建模能力,学习不同任务得到的人脸属性特征之间的相关性和特异性,从而提高人脸属性识别的准确度。
本发明采用的技术方案如下:
一种基于双向长短期记忆网络的人脸属性识别方法,包括:
S1、获取人脸图像数据集;
S2、将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;
S3、构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型;
S4、将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。
进一步地,步骤S3中构建基于双向长短期记忆网络的深度神经网络,具体包括:
(1)构建前段卷积神经网络;
(2)构建后段双向长短期记忆网络;
(3)前段卷积神经网络分别与后段双向长短期记忆网络连接,然后再在双向长短期记忆网络后依次连接一个全连接层和reshape层,从而构成基于双向长短期记忆网络的深度神经网络。
进一步地,所述后段双向长短期记忆网络,包括:
正向长短期记忆网络,用于对前段卷积神经网络得到的人脸属性特征进行从前向后的方向进行扫描,从而得到正向序列;
反向长短期记忆网络,用于对前段卷积神经网络得到的人脸属性特征进行从后向前的方向进行扫描,从而得到反向序列。
进一步地,步骤S4中进行人脸属性识别的具体步骤包括:
(1)将经过步骤S2的图像预处理后的测试图像,输入前段卷积神经网络,提取人脸属性特征;
(2)通过双向长短期记忆网络后得到人脸属性特征的正向序列和反向序列;
(3)将人脸属性特征的正向序列和反向序列输出至最后一个全连接层进行合并,从而输出一个80维的人脸属性特征;
(4)然后利用reshape层将人脸属性特征的80维变为2乘40,表示人脸对应的40个人脸属性特征的判断结果。
一种基于双向长短期记忆网络的人脸属性识别系统,包括:
图像采集单元,用于获取人脸图像数据集;
图像处理单元,用于将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;
神经网络训练单元,用于构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型;
人脸属性识别单元,用于将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明通过构建基于双向产短期记忆网络的深度神经网络,以人脸图像和人脸图像中的人脸属性特征经过预处理后作为人脸图像训练集训练该深度神经网络,从而利用训练好的深度神经网络模型对待识别的测试图像进行识别,以实现人脸属性识别。
2、本发明通过改进卷积神经网络,并增加双向长短期记忆网络构建深度神经网络,利用长短期记忆网络对于序列相关性的建模能力,学习不同任务得到的人脸属性特征之间的相关性和特异性,从而提高人脸属性识别的准确度。
3、本发明通过建立后段双向长短期记忆网络的损失函数,进行自适应权重计算,可以获取人脸属性特征的特异信息,进行人脸属性特征类别挖掘。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明基于双向长短期记忆网络的人脸属性识别方法的流程图。
图2为本发明的基于双向长短期记忆网络的深度神经网络结构图。
图3为本发明的基于双向长短期记忆网络的人脸属性识别系统的结构框图。
图中标记:101-图像采集单元,102-图像处理单元,103-神经网络训练单元,104-人脸属性识别单元。
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用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
一种基于双向长短期记忆网络的人脸属性识别方法,其特征在于,包括:
S1、获取人脸图像数据集;
S2、将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;
S3、构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型;
S4、将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。
一种基于双向长短期记忆网络的人脸属性识别系统,包括:
图像采集单元101,用于获取人脸图像数据集;
图像处理单元102,用于将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;
神经网络训练单元103,用于构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型;
人脸属性识别单元104,用于将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。
本发明通过构建基于双向产短期记忆网络的深度神经网络,以将人脸图像经过预处理后作为人脸图像训练集训练该深度神经网络,从而利用训练好的深度神经网络模型对待识别的测试图像进行识别,以实现人脸属性识别。本发明通过改进卷积神经网络,构建基于双向长短期记忆网络的深度神经网络,利用长短期记忆网络对于序列相关性的建模能力,学习不同任务得到的人脸属性之间的相关性和特异性,从而提高人脸属性识别的准确度。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
一种基于双向长短期记忆网络的人脸属性识别方法,如图1所示,包括:
S1、获取人脸图像数据集。本实施例采用CelebA人脸图像数据集。CelebA人脸图像数据集提供有超过20万张人脸图像,并且还提供每张人脸图像对应的40个人脸属性标签。
S2、将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;具体包括:
(1)检测出人脸图像数据集中每幅人脸图像的人脸的位置和人脸关键点的位置。本步骤可采用现有的任意一种人脸检测方法进行人脸检测;并且可采用现有的任意一种人脸关键点检测方法进行检测。本实例采用OpenCV的人脸检测器,能够快速地获取人脸图像数据集中每幅人脸图像的人脸的位置,并采用Dlib人脸关键点检测器,获取人脸图像数据集中每幅人脸图像的人脸关键点的位置。
(2)将检测到的人脸的位置及对应的人脸关键点的位置对齐到标准的人脸图像上,生成人脸图像训练集。本实施例采用OpenCV的仿射变换,将检测到的人脸的位置及对应的人脸关键点的位置对齐到标准的人脸图像上,生成人脸图像训练集。为提高深度神经网络的泛化性能,本方法使用随机旋转和随机添加噪声作为数据增强方式。应当说明的是,为了便于训练,图像预处理后的人脸图像训练集中每幅图可以裁剪成一样大小。
S3、构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型。具体包括:
S31、构建基于双向长短期记忆网络的深度神经网络,如图2所示。
(1)构建前段卷积神经网络,其结构由AlexNet修改而来,AlexNet的主要组成部分是5个卷积层、3个全连接层、3个池化层和1个Softmax层。本方法构建前段卷积神经网络采用AlexNet的所有卷积层,并去除最后一个1个全连接层,即本方法构建的前段卷积神经网络,其结构包括:5个卷积层、2个全连接层、3个池化层和1个Softmax层,即所采用的损失函数为Softmax损失函数。每一个卷积层和全连接层后都接入一个BN层和PRELU层。其中,需要设置每一个卷积层卷积核大小、滤波器数目和池化层间隔,具体为:
第一个卷积层卷积核大小为3x3,滤波器个数为96,池化层间隔为2;
第二个卷积层卷积核大小为3x3,滤波器个数为256,池化层间隔为2;
第三个卷积层卷积核大小为3x3,滤波器个数为384,池化层间隔为2;
第四个卷积层卷积核大小为3x3,滤波器个数为384,池化层间隔为2;
第五个卷积层卷积核大小为3x3,滤波器个数为256,池化层间隔为2。
(2)构建后段双向长短期记忆网络,其结构包括:
正向长短期记忆网络(正向LTSM),用于对前段卷积神经网络得到的人脸属性特征进行从前向后的方向进行扫描,从而得到正向序列;
反向长短期记忆网络(反向LTSM),用于对前段卷积神经网络得到的人脸属性特征进行从后向前的方向进行扫描,从而得到反向序列。
(3)前段卷积神经网络分别与后段双向长短期记忆网络连接,然后再在双向长短期记忆网络后依次连接一个全连接层和reshape层,从而构成基于双向长短期记忆网络的深度神经网络。
S32、将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型。具体地,
(1)设置深度神经网络初始参数;使用在CASIA-Webface数据集上预训练的网络的参数作为本方法前段卷积神经网络的初始参数,双向长短期记忆网络中的循环卷积层使用标准均匀分布初始化参数;
(2)输入人脸图像训练集,并设置初始学习率为0.001,利用损失函数,根据损失的下降效果适当降低学习率,当损失下降到一定程度而不再下降时结束训练;其中,所述前段卷积神经网络的损失函数为Softmax损失函数,所述后段双向长短期记忆网络的损失函数为其中aj代表第j个任务所对应的损失,lavg代表所有任务的平均损失,lmax和lmin代表所有任务中损失的最大项和最小项。所述后段双向长短期记忆网络从不同人脸属性任务的相关性出发,使得深度神经网络学习的人脸属性特征在不同的任务之间能有信息交流,利用长短期记忆网络对于序列相关性的建模能力,学习不同任务得到的人脸属性之间的相关性和特异性,从而提高人脸属性识别的准确度。
(3)最后提取训练好的深度神经网络模型参数。
S4、将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。
具体地,所述待识别的测试图像需要经过步骤S2的图像预处理后,再输入至训练好的深度神经网络模型;
进行人脸属性识别的具体步骤包括:
(1)将经过步骤S2的图像预处理后的测试图像输入前段卷积神经网络,提取人脸属性特征;
(2)通过双向长短期记忆网络后得到人脸属性特征的正向序列和反向序列;
(3)将人脸属性特征的正向序列和反向序列输出至最后一个全连接层进行合并,从而输出一个80维的人脸属性特征;
(4)然后利用reshape层将人脸属性特征的80维变为2乘40,表示人脸对应的40个人脸属性特征的判断结果。
经过实验,现有的人脸识别方法与本发明的基于双向长短期记忆网络的人脸属性识别方法准确率如表一所示:
表一,分别以CelebA人脸图像数据集和LFWA人脸图像数据集作为测试图像:
由此,本发明通过改进卷积神经网络,并增加双向长短期记忆网络构建深度神经网络,利用长短期记忆网络对于序列相关性的建模能力,学习不同任务得到的人脸属性特征之间的相关性和特异性,从而提高人脸属性识别的准确度。
实施例2
通过实施例1的基于双向长短期记忆网络的人脸属性识别方法,可建立一种基于双向长短期记忆网络的人脸属性识别系统,如图3所示,包括:
一种基于双向长短期记忆网络的人脸属性识别系统,包括:
图像采集单元101,用于获取人脸图像数据集;
图像处理单元102,用于将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;
神经网络训练单元103,用于构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型;
人脸属性识别单元104,用于将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。所述待识别的测试图像需要经过所述图像处理单元102的处理后,再输入至训练好的深度神经网络模型。
所属领域的技术人员可以清楚地了解到,为描述的方便和简沽,上述描述的基于双向长短期记忆网络的人脸属性识别系统以及其各功能单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
上述的明各功能单元可以集成在一个处理单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的各功能单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、平板电脑、个人计算机,服务器,或者网络设备等)执行本发明所述基于双向长短期记忆网络的人脸属性识别方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (4)
1.一种基于双向长短期记忆网络的人脸属性识别方法,其特征在于,包括:
S1、获取人脸图像数据集;
S2、将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;
S3、构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型,具体包括:
(1)构建前段卷积神经网络;
(2)构建后段双向长短期记忆网络,所述后段双向长短期记忆网络的损失函数为:
其中aj代表第j个任务所对应的损失,lavg代表所有任务的平均损失,lmax和lmin代表所有任务中损失的最大项和最小项;
(3)前段卷积神经网络分别与后段双向长短期记忆网络连接,然后再在双向长短期记忆网络后依次连接一个全连接层和reshape层,从而构成基于双向长短期记忆网络的深度神经网络;
S4、将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。
2.如权利要求1所述的基于双向长短期记忆网络的人脸属性识别方法,其特征在于,所述后段双向长短期记忆网络,包括:
正向长短期记忆网络,用于对前段卷积神经网络得到的人脸属性特征进行从前向后的方向进行扫描,从而得到正向序列;
反向长短期记忆网络,用于对前段卷积神经网络得到的人脸属性特征进行从后向前的方向进行扫描,从而得到反向序列。
3.如权利要求1所述的基于双向长短期记忆网络的人脸属性识别方法,其特征在于,步骤S4中进行人脸属性识别的具体步骤包括:
(1)将经过步骤S2的图像预处理后的测试图像,输入前段卷积神经网络,提取人脸属性特征;
(2)通过双向长短期记忆网络后得到人脸属性特征的正向序列和反向序列;
(3)将人脸属性特征的正向序列和反向序列输出至最后一个全连接层进行合并,从而输出一个80维的人脸属性特征;
(4)然后利用reshape层将人脸属性特征的80维变为2乘40,表示人脸对应的40个人脸属性特征的判断结果。
4.一种基于双向长短期记忆网络的人脸属性识别系统,其特征在于,包括:
图像采集单元(101),用于获取人脸图像数据集;
图像处理单元(102),用于将获取的人脸图像数据集进行图像预处理后,生成人脸图像训练集;
神经网络训练单元(103),用于构建基于双向长短期记忆网络的深度神经网络,将人脸图像训练集作为输入对所述深度神经网络进行训练,得到深度神经网络模型,具体包括:
(1)构建前段卷积神经网络;
(2)构建后段双向长短期记忆网络,所述后段双向长短期记忆网络的损失函数为:
其中aj代表第j个任务所对应的损失,lavg代表所有任务的平均损失,lmax和lmin代表所有任务中损失的最大项和最小项;
(3)前段卷积神经网络分别与后段双向长短期记忆网络连接,然后再在双向长短期记忆网络后依次连接一个全连接层和reshape层,从而构成基于双向长短期记忆网络的深度神经网络;
人脸属性识别单元(104),用于将待识别的测试图像输入至训练好的深度神经网络模型进行人脸属性识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810921302.0A CN109190514B (zh) | 2018-08-14 | 2018-08-14 | 基于双向长短期记忆网络的人脸属性识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810921302.0A CN109190514B (zh) | 2018-08-14 | 2018-08-14 | 基于双向长短期记忆网络的人脸属性识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190514A CN109190514A (zh) | 2019-01-11 |
CN109190514B true CN109190514B (zh) | 2021-10-01 |
Family
ID=64921388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810921302.0A Active CN109190514B (zh) | 2018-08-14 | 2018-08-14 | 基于双向长短期记忆网络的人脸属性识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190514B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069994B (zh) * | 2019-03-18 | 2021-03-23 | 中国科学院自动化研究所 | 基于人脸多区域的人脸属性识别系统、方法 |
CN110210568A (zh) * | 2019-06-06 | 2019-09-06 | 中国民用航空飞行学院 | 基于卷积神经网络的航空器尾涡识别方法及系统 |
CN110490053B (zh) * | 2019-07-08 | 2023-03-14 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于三目摄像头深度估计的人脸属性识别方法 |
CN110443323A (zh) * | 2019-08-19 | 2019-11-12 | 电子科技大学 | 基于长短期记忆网络和人脸关键点的相貌评估方法 |
CN110781253A (zh) * | 2019-11-12 | 2020-02-11 | 长沙理工大学 | 一种文化遗产图像特征提取方法和装置以及设备 |
CN111339818B (zh) * | 2019-12-18 | 2023-06-06 | 中国人民解放军第四军医大学 | 一种人脸多属性识别系统 |
CN111174791A (zh) * | 2020-01-09 | 2020-05-19 | 电子科技大学 | 一种基于双向长短期记忆网络的定位修正方法 |
CN113643348B (zh) * | 2020-04-23 | 2024-02-06 | 杭州海康威视数字技术股份有限公司 | 一种人脸属性分析方法及装置 |
CN114358161B (zh) * | 2021-12-27 | 2024-02-02 | 中国人民解放军国防科技大学 | 一种基于小波散射网络的跌倒检测方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203395A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于多任务深度学习的人脸属性识别方法 |
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
CN106503669A (zh) * | 2016-11-02 | 2017-03-15 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
CN107316654A (zh) * | 2017-07-24 | 2017-11-03 | 湖南大学 | 基于dis‑nv特征的情感识别方法 |
CN107563439A (zh) * | 2017-08-31 | 2018-01-09 | 湖南麓川信息科技有限公司 | 一种识别清洗食材图片的模型及识别食材类别的方法 |
CN107766787A (zh) * | 2016-08-16 | 2018-03-06 | 深圳云天励飞技术有限公司 | 人脸属性识别方法、装置、终端及存储介质 |
CN107808146A (zh) * | 2017-11-17 | 2018-03-16 | 北京师范大学 | 一种多模态情感识别分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9928410B2 (en) * | 2014-11-24 | 2018-03-27 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognizer |
-
2018
- 2018-08-14 CN CN201810921302.0A patent/CN109190514B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203395A (zh) * | 2016-07-26 | 2016-12-07 | 厦门大学 | 基于多任务深度学习的人脸属性识别方法 |
CN107766787A (zh) * | 2016-08-16 | 2018-03-06 | 深圳云天励飞技术有限公司 | 人脸属性识别方法、装置、终端及存储介质 |
CN106372571A (zh) * | 2016-08-18 | 2017-02-01 | 宁波傲视智绘光电科技有限公司 | 路面交通标志检测与识别方法 |
CN106503669A (zh) * | 2016-11-02 | 2017-03-15 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
CN106782602A (zh) * | 2016-12-01 | 2017-05-31 | 南京邮电大学 | 基于长短时间记忆网络和卷积神经网络的语音情感识别方法 |
CN107316654A (zh) * | 2017-07-24 | 2017-11-03 | 湖南大学 | 基于dis‑nv特征的情感识别方法 |
CN107563439A (zh) * | 2017-08-31 | 2018-01-09 | 湖南麓川信息科技有限公司 | 一种识别清洗食材图片的模型及识别食材类别的方法 |
CN107808146A (zh) * | 2017-11-17 | 2018-03-16 | 北京师范大学 | 一种多模态情感识别分类方法 |
Non-Patent Citations (5)
Title |
---|
A Joint Convolutional Bidirectional LSTM Framework for Facial Expression Recognition;Jingwei YAN 等;《IEICE TRANS. INF. & SYST》;20180430;第E101–D卷(第4期);1217-1220 * |
Chellappa. Attributes for improved attributes: A multi-task network utilizing implicit and explicit relationships for facial attribute classification;E. M. Hand 等;《AAAI》;20171231;4068-4074 * |
Multi View Facial Action Unit Detection based on CNN and BLSTM-RNN;Jun He 等;《2017 IEEE 12th International Conference on Automatic Face & Gesture Recognition》;20171231;正文第III,IV节,附图3-4 * |
Recognition of Facial Attributes Using Multi-task Learning of Deep Networks;Changhun Hyun 等;《the 9th International Conference》;20170228;1-6 * |
从视网膜图像到糖尿病视网膜病变诊断;罗院生;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180215(第02期);E065-44 * |
Also Published As
Publication number | Publication date |
---|---|
CN109190514A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190514B (zh) | 基于双向长短期记忆网络的人脸属性识别方法及系统 | |
Zhao et al. | Grouping attribute recognition for pedestrian with joint recurrent learning. | |
Zheng et al. | SIFT meets CNN: A decade survey of instance retrieval | |
RU2678716C1 (ru) | Использование автоэнкодеров для обучения классификаторов текстов на естественном языке | |
An et al. | Person reidentification with reference descriptor | |
CN103207898B (zh) | 一种基于局部敏感哈希的相似人脸快速检索方法 | |
CN103399896B (zh) | 识别用户间关联关系的方法及系统 | |
CN110503076B (zh) | 基于人工智能的视频分类方法、装置、设备和介质 | |
Goh et al. | Food-image Classification Using Neural Network Model | |
CN111428658B (zh) | 一种基于模态融合的步态识别方法 | |
CN110598543A (zh) | 基于属性挖掘和推理的模型训练方法及行人再识别方法 | |
CN110443174B (zh) | 一种基于解耦自适应判别性特征学习的行人重识别方法 | |
CN111160130B (zh) | 一种多平台虚拟身份账号的多维碰撞识别方法 | |
CN112560710B (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
CN110163631A (zh) | 客户精准服务方法、装置、计算机设备及存储介质 | |
CN109271546A (zh) | 图像检索特征提取模型建立、数据库建立及检索方法 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
CN101515286A (zh) | 基于图像特征多级过滤的图像匹配方法 | |
CN110750663B (zh) | 一种面向生活记录的跨模态图像检索方法 | |
CN110347825A (zh) | 一种短英文影评分类方法及装置 | |
CN108090117B (zh) | 一种图像检索方法及装置,电子设备 | |
CN112818915A (zh) | 基于3dmm软生物特征的深度伪造视频检测方法及系统 | |
CN109815353B (zh) | 一种基于类中心的人脸检索方法及系统 | |
CN110472088B (zh) | 一种基于草图的图像检索方法 | |
CN114241588B (zh) | 一种自适应人脸比对方法及系统 |
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 |