CN109492594A - 基于深度学习网络的课堂听课者抬头率检测方法 - Google Patents
基于深度学习网络的课堂听课者抬头率检测方法 Download PDFInfo
- Publication number
- CN109492594A CN109492594A CN201811369227.8A CN201811369227A CN109492594A CN 109492594 A CN109492594 A CN 109492594A CN 201811369227 A CN201811369227 A CN 201811369227A CN 109492594 A CN109492594 A CN 109492594A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning network
- new line
- classroom
- network
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度学习网络的课堂听课者抬头率检测方法,其步骤为:1、生成训练集、验证集和测试集;2、构建深度学习网络;3、训练深度学习网络;4、检测人脸的得分值及位置信息;5、设置检测状态;6、获得课堂抬头率。本发明通过搭建两个分支的深度学习网络,保证了深度学习网络对多尺度的人脸的检测,利用随机梯度下降方法对深度学习网络在大数据集上进行训练,保证了深度学习网络对人脸检测的鲁棒性,并且使得训练能够在较短时间内完成,然后利用设置检测状态的方法,有效地区分了抬头和低头两种状态,同时,本发明对课堂听课者抬头率的检测具有很好的实时性,能够对实时视频流进行检测。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及模式识别技术领域中的一种基于深度学习网络的课堂听课者抬头率检测方法。本发明可对课堂中听课者的抬头率进行实时检测。
技术背景
课堂听课者的抬头率是重要的上课质量评估标准,能够很好地反应听课者的专注度以及教师的上课效果。但是在实际中,人工计算抬头率费时费力,而且很难做到实时检测。为解决上述问题,人们通常设计人脸检测方法,利用计算机对抬头率进行检测。
重庆大争科技有限公司在其申请的专利文献“课堂教学质量评估方法”(申请号:CN201711434131.0,公开号:CN107895244A)中公开了一种课堂教学质量评估方法。该方法的步骤为,首先从数据库中获取教室监控视频,每隔十分钟对视频进行采样,并进行低头状态的检测,通过两次采样之间的状态转换,对低头状态进行判定,并统计处于低头状态的学生数量,通过其与教室内学生总数的比值得到学生的低头率。该方法的不足之处是:由于该方法将检测的间隔设置为十分钟,而无法对视频进行实时处理,丢失了大量的视频信息,使得检测率的不确定性增加。
南京信息工程大学在其申请的专利文献“一种基于课堂学生行为分析的教学质量评估方法及系统”(申请号:CN201710417964.X,公开号:CN107316257A)中提供了一种基于课堂学生行为分析的教学质量评估方法。该方法的步骤为,首先从数据库中获取教室监控视频,然后根据连续的视频图像识别头顶与人脸面部特征的比例,得到当前处于低头状态的学生数量,通过其与授课教室内应到学生总数的比值获得学生低头率。该方法的不足之处是:由于该方法在检测时利用到的头顶特征比较单一,容易与周围环境形成混合,对抬头和低头状态的检测有较大影响。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于深度学习网络的课堂听课者抬头率检测方法,通过构建深度学习网络,设置检测状态,实时地检测课堂听课者的抬头率。
本发明实现的具体步骤如下:
(1)生成训练集、验证集和测试集:
采集每张图片均拥有所有人脸的位置信息的至少3万张图片,将所采集的图片组成深度学习数据集,从深度学习数据集中随机提取40%的图片组成训练集,随机提取10%的图片组成验证集,剩余的50%图片组成测试集;
(2)构建深度学习网络:
(2a)搭建一个由主网络和子网络级联组成的深度学习网络,其中,所述基础网络结构依次为:第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层;
所述子网络由分支1和分支2并联,分支1的结构依次为:第一卷积层→第二卷积层→第三卷积层→第四卷积层→输出层;分支2的结构依次为:降维层→第一卷积层→第二卷积层→输出层;
输出层包含两个输出结果,分别为人脸的得分值和人脸的位置信息。
(2b)设置深度学习网络参数;
(3)训练深度学习网络:
(3a)将深度学习网络的网络参数和网络结构加载到电脑内存中;
(3b)将训练集的样本输入到深度学习网络中,采用随机梯度下降方法,对深度学习网络参数进行迭代更新,得到训练好的深度学习网络;
(4)检测人脸的得分值及位置信息:
将待监控教室中的摄像头采集到的课堂图片,实时输入到训练好的深度学习网络中,输出每张图片中所有检测到的人脸的坐标值及其分值的位置信息;
(5)设置检测状态:
将检测到的大于0.15的人脸分值标注为抬头状态,将检测到的人脸分值小于0.15的人脸标注为低头状态;
(6)获得课堂听课者的抬头率:
用抬头状态的人脸总数除以检测到的所有人脸总数,将其商值作为课堂听课者的抬头率。
与现有技术相比本发明有以下优点:
第一,由于本发明搭建了深度学习网络对视频中的人脸进行检测,克服了现有技术因图像中人脸尺度变化导致的识别率低下的问题,使得本发明在课堂听课者的抬头率检测上具有很高的识别率。
第二,由于本发明将训练好的深度学习网络模型与摄像头对接,克服了现有技术因多种特征对比导致的效率低下的问题,使得本发明在抬头率的检测上具有很好的实时性。
附图说明
图1是本发明的流程图;
图2是本发明的仿真图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1,对本发明实现的具体步骤做进一步的详细描述。
步骤1,生成训练集、验证集和测试集。
采集每张图片均拥有所有人脸的位置信息的至少3万张图片,将所采集的图片组成深度学习数据集,从深度学习数据集中随机提取40%的图片组成训练集,随机提取10%的图片组成验证集,剩余的50%图片组成测试集;
步骤2,构建深度学习网络。
搭建一个由主网络和子网络级联组成的深度学习网络,其中,所述基础网络结构依次为:第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层;
所述子网络由分支1和分支2并联,分支1的结构依次为:第一卷积层→第二卷积层→第三卷积层→第四卷积层→输出层;分支2的结构依次为:降维层→第一卷积层→第二卷积层→输出层;
设置深度学习网络参数如下:将主网络中的第一至第十卷积层的卷积核大小均设置为3,步长为1,通道数分别为64,64,128,128,256,256,256,512,512,512;将子网络中分支1的第一至第四卷积层的卷积核大小均设置为3,步长为1,通道数为512,分支2的第一卷积层至第二卷积层的卷积核大小均设置为3,步长为1,通道数为128。
步骤3,训练深度学习网络。
将深度学习网络的网络参数和网络结构加载到电脑内存中;
将训练集的样本输入到深度学习网络中,采用随机梯度下降方法,对深度学习网络参数进行迭代更新,得到训练好的深度学习网络。
所述梯度下降方法的步骤如下:
第一步,在[20000,21000]的范围,任意选取一个值作为深度学习网络的迭代次数,将深度学习网络中所有参数设置为均值0,方差1的随机数,学习速率设置为0.001;
第二步,从深度学习网络的训练集中随机选取4个样本;
第三步,将所选取的样本分别输入到深度学习网络中,输出每个样本人脸的得分值和位置信息;
第四步,利用下述损失函数计算公式,计算所有选取的样本损失值的平均值:
其中,l表示所选样本损失值的平均值,∑表示求和操作,i表示所选样本的序号,i=1,2,3,4,f(x(i);θ)表示深度学习网络的参数为θ时对样本x(i)的输出值,x(i)表示所选取的样本,θ表示当前更新前的深度学习网络参数值,y(i)表示每个样本对应的标签值;
第五步,按照下式,计算深度学习网络参数的更新值:
其中,θ1表示深度学习网络参数更新后的值,表示所选样本损失值的平均值对深度学习网络参数的求导值,θ表示当前更新前的深度学习网络参数值;
第六步,判断是否达到设定的深度学习网络的迭代次数,若是,得到训练好的深度学习网络,否则,执行第二步。
步骤4,检测人脸的得分值及位置信息。
将待监控教室中的摄像头采集到的课堂图片,实时输入到训练好的深度学习网络中,输出每张图片中所有检测到的人脸的得分值及其位置信息;
步骤5,设置检测状态。
将检测到的大于0.15的人脸分值标注为抬头状态,将检测到的人脸分值小于0.15的人脸标注为低头状态;
步骤6,获得课堂听课者的抬头率。
用抬头状态的人脸总数除以检测到的所有人脸总数,将其商值作为课堂听课者的抬头率。
下面结合仿真实验对本发明的效果做进一步说明。
1.仿真实验条件:
本发明的仿真实验所用计算机配置如下:处理器为Intel Core i7-6850K CPU,显卡为NVIDIA GeForce GTX 1080Ti,内存为128GB。计算机系统为ubuntu16.04,应用Caffe深度学习网络框架实现仿真实验。
本发明的仿真实验在训练深度学习网络时所使用的深度学习数据集为WiderFace数据集,Wider Face数据集是由香港中文大学创建的,该数据集共包含有32000张图片,393000个标注人脸,标注人脸有较大程度的尺寸、姿态和遮挡等变化。本发明的仿真实验所使用的测试数据为西安电子科技大学C楼实时上课视频,西安电子科技大学C楼实时上课视频的帧率为25帧/秒。
2.仿真实验内容:
本发明的仿真实验是采用本发明的方法,从Wider Face数据集中随机选取其中的40%作为训练集,10%用作验证集,剩余的50%用作测试集,对所搭建的深度学习网络在Wider Face数据集上进行训练,得到训练好的深度学习网络。
将训练好的深度学习网络在西安电子科技大学C楼实时上课视频上进行测试,实时得到课堂中听课者的抬头率,结果如图2所示。
图2中右侧显示的c-129至c-326为教室编号,左上角所显示的西电科大-c楼-326为本发明仿真实验实时检测的教室编号。图2中的上方显示的2018-11-0611:10:39为进行仿真实验的时间,中间显示的为当前教室的实时图像,实时图像中的方框为检测到的人脸区域,下方显示的抬头率:71.4为实时检测到的课堂听课者的抬头率,通过所检测到的抬头状态的人脸数与所检测到的人脸总数做商得到。
从图2中可以得到如下结论:本发明可以很好地实现人脸的检测以及抬头率的检测,且具有很好的实时性。
Claims (3)
1.一种基于深度学习网络的课堂听课者抬头率检测方法,其特征在于,训练构建的深度学习网络,设置检测状态,实时检测课堂抬头率,该方法的步骤包括如下:
(1)生成训练集、验证集和测试集:
采集每张图片均拥有所有人脸的位置信息的至少3万张图片,将所采集的图片组成深度学习数据集,从深度学习数据集中随机提取40%的图片组成训练集,随机提取10%的图片组成验证集,剩余的50%图片组成测试集;
(2)构建深度学习网络:
(2a)搭建一个由主网络和子网络级联组成的深度学习网络;
所述主网络的结构依次为:第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层;
所述子网络由分支1和分支2并联组成,分支1的结构依次为:第一卷积层→第二卷积层→第三卷积层→第四卷积层→输出层;分支2的结构依次为:降维层→第一卷积层→第二卷积层→输出层;
(2b)设置深度学习网络参数;
(3)训练深度学习网络:
将训练集的样本输入到深度学习网络中,采用随机梯度下降方法,对深度学习网络参数进行迭代更新,得到训练好的深度学习网络;
(4)检测人脸的得分值及位置信息:
将待监控教室中的摄像头采集到的课堂图片,实时输入到训练好的深度学习网络中,输出每张图片中所有检测到的人脸的得分值及其位置信息;
(5)设置检测状态:
将检测到的大于0.15的人脸分值标注为抬头状态,将检测到的人脸分值小于0.15的人脸标注为低头状态;
(6)获得课堂抬头率:
用抬头状态的人脸总数除以检测到的所有人脸总数,将其商值作为课堂抬头率。
2.根据权利要求1所述的基于深度学习网络的课堂听课者抬头率检测方法,其特征在于,步骤(2b)中所述设置的深度学习网络参数如下:将主网络中的第一至第十卷积层的所有卷积核大小均设置为3,步长为1,通道数分别为64,64,128,128,256,256,256,512,512,512;将子网络中分支1的第一至第四卷积层的卷积核大小均设置为3,步长为1,通道数为512,分支2的第一卷积层至第二卷积层的卷积核大小均设置为3,步长为1,通道数为128。
3.根据权利要求1所述的基于深度学习网络的课堂听课者抬头率检测方法,其特征在于,步骤(3)中所述梯度下降方法的步骤如下:
第一步,在[20000,21000]的范围,任意选取一个值作为深度学习网络的迭代次数,将深度学习网络中所有参数设置为均值0,方差1的随机数,学习速率设置为0.001;
第二步,从深度学习网络的训练集中随机选取4个样本;
第三步,将所选取的样本分别输入到深度学习网络中,输出每个样本人脸的得分值和位置信息;
第四步,利用下述损失函数计算公式,计算所有选取的样本损失值的平均值:
其中,l表示所选样本损失值的平均值,∑表示求和操作,i表示所选样本的序号,i=1,2,3,4,f(x(i);θ)表示深度学习网络的参数为θ时对样本x(i)的输出值,x(i)表示所选取的样本,θ表示当前更新前的深度学习网络参数值,y(i)表示每个样本对应的标签值;
第五步,按照下式,计算深度学习网络参数的更新值:
其中,θ1表示深度学习网络参数更新后的值,表示所选样本损失值的平均值对深度学习网络参数的求导值,θ表示当前更新前的深度学习网络参数值;
第六步,判断是否达到设定的深度学习网络的迭代次数,若是,得到训练好的深度学习网络,否则,执行第二步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811369227.8A CN109492594A (zh) | 2018-11-16 | 2018-11-16 | 基于深度学习网络的课堂听课者抬头率检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811369227.8A CN109492594A (zh) | 2018-11-16 | 2018-11-16 | 基于深度学习网络的课堂听课者抬头率检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492594A true CN109492594A (zh) | 2019-03-19 |
Family
ID=65696249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811369227.8A Pending CN109492594A (zh) | 2018-11-16 | 2018-11-16 | 基于深度学习网络的课堂听课者抬头率检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492594A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009210A (zh) * | 2019-03-26 | 2019-07-12 | 北京师范大学珠海分校 | 一种基于关注度和专注度的学生听课水平综合评估方法 |
CN110287862A (zh) * | 2019-06-21 | 2019-09-27 | 西安电子科技大学 | 基于深度学习的防偷拍检测方法 |
CN111633111A (zh) * | 2020-05-21 | 2020-09-08 | 西安邮电大学 | 一种基于深度学习的渐进成形方法 |
CN113506493A (zh) * | 2021-06-11 | 2021-10-15 | 同济大学 | 一种基于虚实融合环境的化学实验教学系统 |
CN117350902A (zh) * | 2023-09-28 | 2024-01-05 | 广州铭智教育科技有限公司 | 一种线上培训学时监管系统、方法及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825189A (zh) * | 2016-03-21 | 2016-08-03 | 浙江工商大学 | 一种用于大学生到课率及上课专注度自动分析的装置 |
WO2017016516A1 (zh) * | 2015-07-24 | 2017-02-02 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
US20170078620A1 (en) * | 2014-04-08 | 2017-03-16 | Assaf Glazer | Systems and methods for configuring baby monitor cameras to provide uniform data sets for analysis and to provide an advantageous view point of babies |
CN106658169A (zh) * | 2016-12-18 | 2017-05-10 | 北京工业大学 | 一种基于深度学习多层次分割新闻视频的通用方法 |
CN107918755A (zh) * | 2017-03-29 | 2018-04-17 | 广州思涵信息科技有限公司 | 一种基于人脸识别技术的实时专注度分析方法及系统 |
CN108765226A (zh) * | 2018-06-06 | 2018-11-06 | 蹇明芳 | 一种学生听课积极性的检测方法及系统 |
-
2018
- 2018-11-16 CN CN201811369227.8A patent/CN109492594A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170078620A1 (en) * | 2014-04-08 | 2017-03-16 | Assaf Glazer | Systems and methods for configuring baby monitor cameras to provide uniform data sets for analysis and to provide an advantageous view point of babies |
WO2017016516A1 (zh) * | 2015-07-24 | 2017-02-02 | 上海依图网络科技有限公司 | 一种复杂场景下基于人脸识别的视频人像跟踪方法 |
CN105825189A (zh) * | 2016-03-21 | 2016-08-03 | 浙江工商大学 | 一种用于大学生到课率及上课专注度自动分析的装置 |
CN106658169A (zh) * | 2016-12-18 | 2017-05-10 | 北京工业大学 | 一种基于深度学习多层次分割新闻视频的通用方法 |
CN107918755A (zh) * | 2017-03-29 | 2018-04-17 | 广州思涵信息科技有限公司 | 一种基于人脸识别技术的实时专注度分析方法及系统 |
CN108765226A (zh) * | 2018-06-06 | 2018-11-06 | 蹇明芳 | 一种学生听课积极性的检测方法及系统 |
Non-Patent Citations (7)
Title |
---|
ANDYATO0520: "批量梯度下降法(BGD)、随机梯度下降法(SGD)和小批量梯度下降法(MBGD)", 《CSDN: HTTPS://BLOG.CSDN.NET/YATO0514/ARTICLE/DETAILS/82261821》 * |
MAHYAR NAJIBI 等: "SSH: Single Stage Headless Face Detector", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
POUYA SAMANGOUEI 等: "Face-MagNet: Magnifying Feature Maps to Detect Small Faces", 《2018 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION》 * |
XUEMEI XIE 等: "Real-Time Vehicle Detection from UAV Imagery", 《2018 IEEE FOURTH INTERNATIONAL CONFERENCE ON MULTIMEDIA BIG DATA》 * |
侯立刚 等: "人脸检测技术在教学评估中的应用", 《电子世界》 * |
杨渊博: "学生课堂行为视频观察记录系统关键技术研究", 《中国优秀硕士学位论文全文数据库 社会科学Ⅱ辑》 * |
金楷: "基于全局与局部信息的行人身份识别方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009210A (zh) * | 2019-03-26 | 2019-07-12 | 北京师范大学珠海分校 | 一种基于关注度和专注度的学生听课水平综合评估方法 |
CN110009210B (zh) * | 2019-03-26 | 2023-05-26 | 北京师范大学珠海分校 | 一种基于关注度和专注度的学生听课水平综合评估方法 |
CN110287862A (zh) * | 2019-06-21 | 2019-09-27 | 西安电子科技大学 | 基于深度学习的防偷拍检测方法 |
CN110287862B (zh) * | 2019-06-21 | 2021-04-06 | 西安电子科技大学 | 基于深度学习的防偷拍检测方法 |
CN111633111A (zh) * | 2020-05-21 | 2020-09-08 | 西安邮电大学 | 一种基于深度学习的渐进成形方法 |
CN113506493A (zh) * | 2021-06-11 | 2021-10-15 | 同济大学 | 一种基于虚实融合环境的化学实验教学系统 |
CN117350902A (zh) * | 2023-09-28 | 2024-01-05 | 广州铭智教育科技有限公司 | 一种线上培训学时监管系统、方法及存储介质 |
CN117350902B (zh) * | 2023-09-28 | 2024-04-09 | 广州铭智教育科技有限公司 | 一种线上培训学时监管系统、方法及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492594A (zh) | 基于深度学习网络的课堂听课者抬头率检测方法 | |
CN110659718B (zh) | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 | |
CN110378232B (zh) | 改进的ssd双网络的考场考生位置快速检测方法 | |
CN109101930A (zh) | 一种人群计数方法及系统 | |
CN108537191A (zh) | 一种基于结构光摄像头的三维人脸识别方法 | |
CN106709958A (zh) | 一种基于灰度梯度和颜色直方图的图像质量评价方法 | |
CN103500340B (zh) | 基于主题知识迁移的人体行为识别方法 | |
CN102421007A (zh) | 基于多尺度结构相似度加权综合的图像质量评价方法 | |
WO2021068781A1 (zh) | 一种疲劳状态识别方法、装置和设备 | |
CN106127205A (zh) | 一种适用于室内轨道机器人的数字仪表图像的识别方法 | |
CN105466921A (zh) | 一种多样品同时检测的方法 | |
CN110245550A (zh) | 一种基于总体余弦分布的人脸噪音数据集cnn训练方法 | |
CN109472247A (zh) | 基于深度学习非配合式的人脸识别方法 | |
CN110348059A (zh) | 一种基于结构化网格的通道内流场重构方法 | |
CN110287862A (zh) | 基于深度学习的防偷拍检测方法 | |
CN103324952A (zh) | 基于特征提取的痤疮分类方法 | |
CN104376611A (zh) | 一种基于人脸识别的下井考勤方法及其装置 | |
CN113268870B (zh) | 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法 | |
CN112153320B (zh) | 一种物品尺寸的测量方法、装置、电子设备和存储介质 | |
CN109242868A (zh) | 图像处理方法、装置、电子设备及储存介质 | |
CN110084109A (zh) | 一种低分辨率人脸图像识别方法、装置、电子设备及存储介质 | |
CN107292340A (zh) | 基于卷积神经网络的侧线鳞识别方法 | |
Jiang et al. | A classroom concentration model based on computer vision | |
CN110147715A (zh) | 一种视网膜OCT图像Bruch膜开角自动检测方法 | |
CN110096708A (zh) | 一种定标集确定方法及装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190319 |
|
WD01 | Invention patent application deemed withdrawn after publication |