CN109376627A - 一种基于深度学习的人脸检测方法,装置和设备 - Google Patents
一种基于深度学习的人脸检测方法,装置和设备 Download PDFInfo
- Publication number
- CN109376627A CN109376627A CN201811178942.3A CN201811178942A CN109376627A CN 109376627 A CN109376627 A CN 109376627A CN 201811178942 A CN201811178942 A CN 201811178942A CN 109376627 A CN109376627 A CN 109376627A
- Authority
- CN
- China
- Prior art keywords
- layer
- face
- human
- face detector
- modified human
- 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.)
- Pending
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于深度学习的人脸检测方法,装置和设备,包括构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。本方法,装置和设备通过改进S3FD网络框架,在原有S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数以构建改进型人脸检测器MF3D,并通过改进型人脸检测器MF3D实现对待检测图片的人脸检测,能增强人脸检测器在检测人脸方面的性能以及提高人脸检测器的召回率和准确率。
Description
技术领域
本发明实施例涉及人脸检测技术领域,更具体地,涉及一种基于深度学习的人脸检测方法,装置和设备。
背景技术
S3FD网络框架是一种基于深度学习的神经网络框架,近年来,由于S3FD网络框架具有检测速度快,检测大物体方面准确率高的特点而倍受人们关注。
然而目前S3FD网络框架由于低层特征网络结构相对简单,造成不能充分挖掘人脸特征,造成在人脸方面检测性能较差,并且S3FD网络框架中原有的损失函数对人脸的识别强度较低,因此如何有效提高S3FD网络框架在检测人脸方面的性能以及提高整个检测器的召回率和准确率是现在亟需解决的问题。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明实施例提供一种基于深度学习的人脸检测方法,装置和设备。
根据本发明实施例的第一方面,提供一种基于深度学习的人脸检测方法,包括:构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。
其中,构建改进型人脸检测器MF3D,包括:对S3FD网络框架的若干低层卷积层使用交织结构,以建立浅层交织结构,若干低层卷积层包括Conv3_3卷积层、Conv4_3卷积层、Conv5_3卷积层和Conv_fc7卷积层。
其中,对S3FD网络框架的若干低层卷积层使用交织结构,包括:对于若干低层卷积层中的任一卷积层,将所述任一卷积层、所述任一卷积层的前一层和所述任一卷积层的后一层的输出特征输入到合成模块,输出对所述任一卷积层使用交织结构后的输出结果,以此对S3FD网络框架的若干低层卷积层中每一卷积层使用交织结构。
其中,对S3FD网络框架的若干低层卷积层使用交织结构之后,还包括:将S3FD网络框架的激活函数替换成CRelu函数。
其中,构建改进型人脸检测器MF3D,包括:将S3FD网络框架中conv5_3卷积层、Conv_fc7卷积层、Conv6_2卷积层和Conv7_2卷积层的卷积核更改为扩张卷积核,扩张卷积核的扩张率为2。
其中,构建改进型人脸检测器MF3D,包括:将S3FD网络框架中的SoftmaxLoss层替换为FocalLoss层。
其中,将待检测图片输入到训练后的改进型人脸检测器MF3D之前,还包括:在样本图片中随机选取正方形区域,若正方形区域中包含人脸,获取正方形区域的边长与改进型人脸检测器MF3D输入图片的默认尺寸的比例;根据比例调整正方形区域中人脸区域的大小,以使人脸区域的尺寸与anchor尺寸的比例等于预设阈值,以获取训练样本;通过若干训练样本多改进型人脸检测器MF3D进行训练。
根据本发明实施例的第二方面,提供一种基于深度学习的人脸检测装置,包括:创建模块,用于构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;检测模块,用于将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。
根据本发明实施例的第三方面,提供一种电子设备,包括:至少一个处理器、至少一个存储器和数据总线;其中:处理器与存储器通过数据总线完成相互间的通信;存储器存储有可被处理器执行的程序指令,处理器调用程序指令以执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于深度学习的人脸检测方法。
根据本发明实施例的第四方面,提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于深度学习的人脸检测方法。
本发明实施例提供的一种基于深度学习的人脸检测方法,装置和设备,包括构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。本方法,装置和设备通过改进S3FD网络框架,在原有S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数以构建改进型人脸检测器MF3D,并通过改进型人脸检测器MF3D实现对待检测图片的人脸检测,能增强人脸检测器在检测人脸方面的性能以及提高人脸检测器的召回率和准确率。
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一简单地介绍,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为本发明实施例提供的基于深度学习的人脸检测方法的流程图;
图2为根据本发明实施例提供的S3FD网络框架的示意图;
图3为根据本发明实施例提供的改进型人脸检测器MF3D的示意图;
图4为根据本发明实施例提供的合成模块的示意图;
图5为根据本发明实施例提供的基于深度学习的人脸检测装置的示意图;
图6为根据本发明实施例提供的电子设备的示意图。
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作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。
图1为本发明实施例提供的基于深度学习的人脸检测方法的流程图,如图1所示,一种基于深度学习的人脸检测方法,包括:S11,构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;S12,将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。
具体地,本实施例中的S3FD网络框架是SSD网络框架的改进版本,S3FD网络框架如图2所示,其主要由两部分组成,一部分是VGG-16作为基础网络,另一部分是新添加的特征提取层。其中卷积层Conv3_3、Conv4_3、Conv5_3、Conv_fc7、Conv6_2、Conv7_2为主要的特征提取层,其中Conv3_3、Conv4_3、Conv5_2会经过norm层进行归一化处理。这6个卷积层经过PriorBox层生成default box(生成的是原始坐标),同时这些层的输出与两个3×3大小的卷积核相卷来获取特征值,一个输出分类用的概率值,每个default box生成2个概率值,一个输出回归用的相对位置坐标,每个default box生成4个相对坐标值(x,y,w,h)。另外。上面所述的6个卷积层中每一层中每一个点的default box的数量是1个,长宽比为1:1。最后将前面三个计算结果分别合并然后传递给loss层计算loss然后进行后馈,调整学习参数。
为了强化人脸检测性能,提升召回率,最直接有效的方法是对网络加大、加深,提高浅层特征表达能力。FPN网络为了利用高层提取的特征信息,将高层信息与低层信息进行融合,提升了低层特征的表达能力,交织结构更近一步,将更低层的特征也融入其中,组成类似三明治结构。常见的交织结构由高层,中间层,低层组成,高层进行反卷积(devolution),低层进行下采样(Pooling),然后将对应的输出与中间层进行合并。实验证明,使用交织结构可以极大提高对小人脸的检测性能。但是,并不是所有的层都适合使用交织结构。例如Conv6_2和Conv7_2,这两个层的感受野相对较大,会包含过多的背景噪声信息,对于低层来说是无用的,甚至是有害的,同时,大尺寸清晰的,完整的人脸和小尺寸模糊,被遮挡的人脸提取的特征可能并不相同,因此强行把高层和低层的特征直接融合到一起并不一定有效。因此,本发明实施例提出了一种浅层交织结构,浅层交织结构即仅仅在低层卷积层使用交织结构。同时,交织结构会造成的计算量增大的问题,为了降低计算量,本实施例还改变了原S3FD网络框架中卷积核,并且调整损失函数以提高对人脸检的召回率和准确率。
本实施例通过在原有S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数以构建改进型人脸检测器MF3D,并通过改进型人脸检测器MF3D实现对待检测图片的人脸检测,能增强人脸检测器在检测人脸方面的性能以及提高人脸检测器的召回率和准确率。
基于以上实施例,进一步地,构建改进型人脸检测器MF3D,包括:对S3FD网络框架的若干低层卷积层使用交织结构,以建立浅层交织结构,若干低层卷积层包括Conv3_3卷积层、Conv4_3卷积层、Conv5_3卷积层和Conv_fc7卷积层。
其中,对S3FD网络框架的若干低层卷积层使用交织结构,包括:对于若干低层卷积层中的任一卷积层,将所述任一卷积层、所述任一卷积层的前一层和所述任一卷积层的后一层的输出特征输入到合成模块,输出对所述任一卷积层使用交织结构后的输出结果,以此对S3FD网络框架的若干低层卷积层中每一卷积层使用交织结构。
具体地,如图3所示,由于不是所有的层都适合使用交织结构,本实施例在Conv3_3卷积层、Conv4_3卷积层、Conv5_3卷积层和Conv_fc7卷积层使用交织结构,以建立浅层交织结构。对应上述的任一卷积层,通过合成模块来实现对该任一卷积层使用交织结构,合成模块的结构如图4所示,该合成模块有3个通道,其中第一通道包括1×1卷积层和Pooling层(下采样层),第二通道包括1×1卷积层,第三通道包括1×1卷积层和Devolution层(反卷积层)。对于对该任一卷积层使用交织结构,将该任一卷积层作为中间层,连接至第二通道,将该任一卷积层的前一层连接至第一通道,将该任一卷积层的后一层连接至第三通道,从而将相邻的三个卷积层交织起来,实现对该任一卷积层使用交织结构,相邻的三个卷积层通过合成模块交织合成后输出合成结果。
本实施例通过在Conv3_3卷积层、Conv4_3卷积层、Conv5_3卷积层和Conv_fc7卷积层使用交织结构,强化了人脸的检测性能,提高了召回率。
基于以上实施例,进一步地,对S3FD网络框架的若干低层卷积层使用交织结构之后,还包括:将S3FD网络框架的激活函数替换成CRelu函数。
具体地,交织结构会造成的计算量增大的问题,为了降低计算量,本实施例将S3FD网络框架的激活函数替换成CRelu函数,CRelu函数可以减少一半的参数量同时保持一定的精度。
基于以上实施例,进一步地,构建改进型人脸检测器MF3D,包括:将S3FD网络框架中conv5_3卷积层、Conv_fc7卷积层、Conv6_2卷积层和Conv7_2卷积层的卷积核更改为扩张卷积核,扩张卷积核的扩张率为2。
具体地,为了增大感受野,获取更多周围信息,在原有的S3FD网络框架中,从conv5_3卷积层开始,将conv5_3卷积层、Conv_fc7卷积层、Conv6_2卷积层和Conv7_2卷积层中原有的卷积核替换为扩张卷积核,扩张率为2。同时,为了防止由于下采样以及卷积造成的特征图尺寸下降,将conv5_3卷积层、Conv_fc7卷积层、Conv6_2卷积层和Conv7_2卷积层中所有下采样层去掉,并将这些卷积层中的步长设置为1,来保证特征图尺寸不变。
本实施例通过将S3FD网络框架中conv5_3卷积层、Conv_fc7卷积层、Conv6_2卷积层和Conv7_2卷积层的卷积核更改为扩张卷积核,增大了对应的卷积层的感受野,可获取更多周围信息,从而更容易匹配到合适的人脸框,提升检测效果。
基于以上实施例,进一步地,构建改进型人脸检测器MF3D,包括:将S3FD网络框架中的SoftmaxLoss层替换为FocalLoss层。
具体地,在原有S3FD网络框架中,损失函数对应的是SoftmaxLoss层,SoftmaxLoss层具有一定的对难以分辨的样本的分类强度,但分类强度还是相对较低。
为了提升分类强度,本发明实施例可选用FocalLoss层,FocalLoss层的损失函数是在标准交叉熵损失基础上修改得到的。该函数可以通过减少易分类样本的权重,使得检测器在训练时更专注于难以分类的样本。
本实施例通过将FocalLoss层替换了原有的SoftmaxLoss层损,使得分类时增大对难以分辨的样本的分类强度,提高检测器对难以分辨的样本的学习力度,提高检测器的检测性能。
基于以上实施例,进一步地,将待检测图片输入到训练后的改进型人脸检测器MF3D之前,还包括:在样本图片中随机选取正方形区域,若正方形区域中包含人脸,获取正方形区域的边长与改进型人脸检测器MF3D输入图片的默认尺寸的比例;根据比例调整正方形区域中人脸区域的大小,以使人脸区域的尺寸与anchor尺寸的比例等于预设阈值,以获取训练样本;通过若干训练样本多改进型人脸检测器MF3D进行训练。
具体地,为了更加有效的挖掘训练数据,本实施例提供了一种样本数据的生成方法,首先对样本图片进行各种处理(例如改变对比度,饱和度等),然后在样本图片中随机选取正方形区域,确定正方形区域包含人脸后,获取正方形区域的边长与改进型人脸检测器MF3D输入图片的默认尺寸的比例,根据比例调整正方形区域中人脸区域的大小,以使人脸区域的尺寸与anchor尺寸的比例等于预设阈值,预设阈值为小于1且接近以1的数值,例如取0.9,以获取训练样本;经过上述操作以后,可以保证每一张图中的人脸均有与锚点匹配的正样本。
图5为本发明实施例提供的基于深度学习的人脸检测装置的示意图,如图5所示,一种基于深度学习的人脸检测装置,包括:创建模块51和检测模块52,其中:
创建模块51,用于构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;检测模块52,用于将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。
本发明实施例的装置,可用于执行上述各方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图6为本发明实施例提供的电子设备的示意图,如图6所示,一种电子设备,包括:至少一个处理器61、至少一个存储器62和数据总线63;其中:处理器61与存储器62通过数据总线63完成相互间的通信;存储器62存储有可被处理器61执行的程序指令,处理器61调用程序指令以执行上述各方法实施例所提供的基于深度学习的人脸检测方法,例如包括:构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机程序,该计算机程序使该计算机执行上述各方法实施例所提供的基于深度学习的人脸检测方法,例如包括:构建改进型人脸检测器MF3D,改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对待检测图片的人脸检测结果。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成,前述的计算机程序可以存储于一计算机可读取存储介质中,该计算机程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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设备(可以是个人计算机,服务器,或者网络设备等)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 (10)
1.一种基于深度学习的人脸检测方法,其特征在于,包括:
构建改进型人脸检测器MF3D,所述改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;
将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对所述待检测图片的人脸检测结果。
2.根据权利要求1所述的方法,其特征在于,所述构建改进型人脸检测器MF3D,包括:
对所述S3FD网络框架的若干低层卷积层使用交织结构,以建立所述浅层交织结构,所述若干低层卷积层包括Conv3_3卷积层、Conv4_3卷积层、Conv5_3卷积层和Conv_fc7卷积层。
3.根据权利要求2所述的方法,其特征在于,所述对所述S3FD网络框架的若干低层卷积层使用交织结构,包括:
对于所述若干低层卷积层中的任一卷积层,将所述任一卷积层、所述任一卷积层的前一层和所述任一卷积层的后一层的输出特征输入到合成模块,输出对所述任一卷积层使用所述交织结构后的输出结果,以此对所述S3FD网络框架的若干低层卷积层中每一卷积层使用所述交织结构。
4.根据权利要求2所述的方法,其特征在于,所述对所述S3FD网络框架的若干低层卷积层使用交织结构之后,还包括:
将所述S3FD网络框架的激活函数替换成CRelu函数。
5.根据权利要求1所述的方法,其特征在于,所述构建改进型人脸检测器MF3D,包括:
将所述S3FD网络框架中conv5_3卷积层、Conv_fc7卷积层、Conv6_2卷积层和Conv7_2卷积层的卷积核更改为扩张卷积核,所述扩张卷积核的扩张率为2。
6.根据权利要求1所述的方法,其特征在于,所述构建改进型人脸检测器MF3D,包括:
将所述S3FD网络框架中的SoftmaxLoss层替换为FocalLoss层。
7.根据权利要求1所述的方法,其特征在于,所述将待检测图片输入到训练后的改进型人脸检测器MF3D之前,还包括:
在样本图片中随机选取正方形区域,若所述正方形区域中包含人脸,获取所述正方形区域的边长与所述改进型人脸检测器MF3D输入图片的默认尺寸的比例;
根据所述比例调整所述正方形区域中人脸区域的大小,以使所述人脸区域的尺寸与anchor尺寸的比例等于预设阈值,以获取训练样本;
通过若干所述训练样本多所述改进型人脸检测器MF3D进行训练。
8.一种基于深度学习的人脸检测装置,其特征在于,包括:
创建模块,用于构建改进型人脸检测器MF3D,所述改进型人脸检测器MF3D是在S3FD网络框架基础上建立了浅层交织结构、改变卷积核并调整损失函数后构建获得的;
检测模块,用于将待检测图片输入到训练后的改进型人脸检测器MF3D,输出对所述待检测图片的人脸检测结果。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和数据总线;其中:
所述处理器与所述存储器通过所述数据总线完成相互间的通信;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以执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机程序,所述计算机程序使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811178942.3A CN109376627A (zh) | 2018-10-10 | 2018-10-10 | 一种基于深度学习的人脸检测方法,装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811178942.3A CN109376627A (zh) | 2018-10-10 | 2018-10-10 | 一种基于深度学习的人脸检测方法,装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109376627A true CN109376627A (zh) | 2019-02-22 |
Family
ID=65402803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811178942.3A Pending CN109376627A (zh) | 2018-10-10 | 2018-10-10 | 一种基于深度学习的人脸检测方法,装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109376627A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197217A (zh) * | 2019-05-24 | 2019-09-03 | 中国矿业大学 | 一种基于深度交错融合分组卷积网络的图像分类方法 |
CN113205371A (zh) * | 2021-05-28 | 2021-08-03 | 蔺怀元 | 一种电商加盟和推广的方法、电商平台和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220618A (zh) * | 2017-05-25 | 2017-09-29 | 中国科学院自动化研究所 | 人脸检测方法及装置、计算机可读存储介质、设备 |
CN107679477A (zh) * | 2017-09-27 | 2018-02-09 | 深圳市未来媒体技术研究院 | 基于空洞卷积神经网络的人脸深度和表面法向量预测方法 |
CN108229523A (zh) * | 2017-04-13 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像检测、神经网络训练方法、装置和电子设备 |
CN108510535A (zh) * | 2018-03-14 | 2018-09-07 | 大连理工大学 | 一种基于深度预测和增强子网络的高质量深度估计方法 |
-
2018
- 2018-10-10 CN CN201811178942.3A patent/CN109376627A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229523A (zh) * | 2017-04-13 | 2018-06-29 | 深圳市商汤科技有限公司 | 图像检测、神经网络训练方法、装置和电子设备 |
CN107220618A (zh) * | 2017-05-25 | 2017-09-29 | 中国科学院自动化研究所 | 人脸检测方法及装置、计算机可读存储介质、设备 |
CN107679477A (zh) * | 2017-09-27 | 2018-02-09 | 深圳市未来媒体技术研究院 | 基于空洞卷积神经网络的人脸深度和表面法向量预测方法 |
CN108510535A (zh) * | 2018-03-14 | 2018-09-07 | 大连理工大学 | 一种基于深度预测和增强子网络的高质量深度估计方法 |
Non-Patent Citations (4)
Title |
---|
SHIFENG ZHANG 等,: "S3FD: Single Shot Scale-invariant Face Detector", 《ARXIV》 * |
XU TANG 等,: "PyramidBox: A Context-assisted Single Shot Face Detector", 《ARXIV》 * |
孙俊 等,: "空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草", 《农业工程学报》 * |
王飞 等,: "基于捷径的卷积神经网络在人脸识别中的应用研究", 《电子测量与仪器学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197217A (zh) * | 2019-05-24 | 2019-09-03 | 中国矿业大学 | 一种基于深度交错融合分组卷积网络的图像分类方法 |
CN110197217B (zh) * | 2019-05-24 | 2020-12-18 | 中国矿业大学 | 一种基于深度交错融合分组卷积网络的图像分类方法 |
CN113205371A (zh) * | 2021-05-28 | 2021-08-03 | 蔺怀元 | 一种电商加盟和推广的方法、电商平台和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109325954A (zh) | 图像分割方法、装置及电子设备 | |
Fang et al. | Bottom-up saliency detection model based on human visual sensitivity and amplitude spectrum | |
CN109815924A (zh) | 表情识别方法、装置及系统 | |
CN109146892A (zh) | 一种基于美学的图像裁剪方法及装置 | |
CN109829506B (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
CN112508120B (zh) | 学生模型训练方法、装置、设备、介质和程序产品 | |
CN109376667A (zh) | 目标检测方法、装置及电子设备 | |
CN106971178A (zh) | 行人检测和再识别的方法及装置 | |
CN108830225A (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
CN107464217B (zh) | 一种图像处理方法及装置 | |
CN106096668A (zh) | 带水印图像的识别方法及识别系统 | |
CN109598340A (zh) | 卷积神经网络的裁剪方法、装置及存储介质 | |
JP2023501820A (ja) | フェイスパーシング方法および関連デバイス | |
CN106650615A (zh) | 一种图像处理方法及终端 | |
CN111008631B (zh) | 图像的关联方法及装置、存储介质和电子装置 | |
CN109086768A (zh) | 卷积神经网络的语义图像分割方法 | |
CN106845352A (zh) | 行人检测方法和装置 | |
CN110443132A (zh) | 一种基于深度学习的人脸检测及面部多属性融合分析方法 | |
CN111860233A (zh) | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 | |
CN111967464A (zh) | 一种基于深度学习的弱监督目标定位方法 | |
CN109376627A (zh) | 一种基于深度学习的人脸检测方法,装置和设备 | |
CN110211086A (zh) | 图像分割方法、装置及存储介质 | |
CN108717520A (zh) | 一种行人重识别方法及装置 | |
CN114783021A (zh) | 一种口罩佩戴智能检测方法、装置、设备及介质 | |
CN112419342A (zh) | 图像处理方法、装置、电子设备和计算机可读介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |