CN109583942B - 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 - Google Patents

一种基于密集网络的多任务卷积神经网络顾客行为分析方法 Download PDF

Info

Publication number
CN109583942B
CN109583942B CN201811317143.XA CN201811317143A CN109583942B CN 109583942 B CN109583942 B CN 109583942B CN 201811317143 A CN201811317143 A CN 201811317143A CN 109583942 B CN109583942 B CN 109583942B
Authority
CN
China
Prior art keywords
layer
size
dense
neural network
feature map
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
CN201811317143.XA
Other languages
English (en)
Other versions
CN109583942A (zh
Inventor
赵云波
李灏
林建武
宣琦
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201811317143.XA priority Critical patent/CN109583942B/zh
Publication of CN109583942A publication Critical patent/CN109583942A/zh
Application granted granted Critical
Publication of CN109583942B publication Critical patent/CN109583942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

基于密集网络的多任务卷积神经网络的顾客行为分析方法，首先对数据进行清洗，分为训练测试集并对dataloader进行相应编写；然后构建Dense_Block模块和Transition_layer模块，基于这两种模块构建密集网络的多任务卷积神经网络；对训练图片进行数据增强、标准化，先用大的学习率预训练模型，再用小的学习率和权重衰减微调模型。最终实现用密集网络多任务卷积神经网络对顾客的行为进行有效、迅速的识别。本发明使用单个神经网络完成对商场店铺中的顾客行为分析，提升店铺自身能力；本发明使用密集网络的卷积神经网络，对顾客的多个属性进行同时分析，提升使用效率。

Description

一种基于密集网络的多任务卷积神经网络顾客行为分析方法
技术领域
本发明涉及一种网络上的顾客行为的分析方法。
背景技术
由于人工智能在各类应用中发挥很大的作用，利用人工智能在计算机视觉，自然语言处理等方面有很大的进步。现在由于新零售概念火热，利用深度学习神经网络技术进行顾客行为的分析可以了解当前店铺的吸引能力以及受用人群，提升店铺目前的短板，优化产品架构，吸引更多的顾客创造更大的价值。
传统零售行业中由于缺乏顾客的行为资料，其实很多时候会由于顾客对于当前产品的不感兴趣，从而使导购的工作毫无效率。另外，通过顾客的行为也可以了解导购的工作能力，提升店铺的整体销售能力。
对于传统神经网络，通常一个模型只会对一个属性进行分类，对于多任务的分类网络，通常是需要多个模型，因为单个模型如果分析多个属性会造成多个损失的相互抑制，反而没有好的效果。
发明内容
本发明要克服现有技术的上述缺点，提出一种基于密集网络的多任务卷积网络对顾客的行人进行分析。本网络可以结合目标识别网络相使用，使用目标识别网络提取行人框，再使用别网络进行分析。
为了实现顾客的分析方法，本发明设计一种基于密集网络的多任务卷积神经网络的顾客行为分析方法，使用一种新型网络架构，在当前网络层中引入之前网络层的特征图作为输入的方法，提升有效信息的流动。在一定程度上减轻多任务带来的相互抑制效果，提升计算效率。在一定程度上解决了顾客行为分析的问题，能应用在一些需要提升店铺经营，提高导购效率等方面。
本发明解决其技术问题采用的技术方案是：
一种基于密集网络的多任务卷积神经网络的导购行为分析方法，含有以下步骤：
(1)清洗数据：
步骤11：除去训练集中带大量马赛克的图片；
使用BOT2018新零售技术挑战赛的数据集，共有5000张图片，其中含有对应的标注JSON文件，与图片一一对应；使用9:1的分类方式，将5000张图片分成两份，一份是训练集，一份是测试集，训练集共有图片4500张，测试集共有图片500张；
步骤12：除去训练集中模糊行人；
本次数据集包含的标注含有以下部分，人物坐标(xmin,ymin,xmax,ymax)，性别，职位(顾客导购)，姿势(站坐)，是否玩手机；需要对dataloader进行如下修改；对ImageDataset类进行多属性读取，设置变量position1存储xmin,ymin，设置变量position2存储xmax,ymax，设置变量gender,staff,customer,stand,sit,phone分别与其对应；将切割后的行人图片与属性相对应搭配起来；
(2)构建密集网络多任务卷积神经网络；
步骤21：构建Dense_Block结构；
Dense_Block是由于想增加信息的流动提出来的一个模块，用于处理多个特征图信息输入，并输出适合的信息；
一开始的Dense_Block采用的是一个BN层，接着一个ReLU层和一个3*3的卷积层；其中BN层和ReLu层是用来增加模型的科学习程度的，减少梯度消失等神经网络常用的问题，3*3卷积层是用来提取特征，并输出特征图的；
由于多个特征图信息输入可能会带来输入维度过大的问题，需要在3*3卷积层前加入1*1卷积层作为Bottleneck_layer，减少输入维度；
步骤22：构建Transition_Layer模块；
Transition_Layer模块的作用是做卷积操作和降采样操作；其中，这些模块加入到两个Dense_Block模块之间作为改变特征图大小的方法；
Transition_Layer模块包括如下两个部分，首先是一个BN层，接着是一个1*1的卷积层和一个2*2的平均池化层；
步骤23：构建特征提取模块；
利用步骤21、步骤22的Bottleneck模块搭建轻量化的特征提取模块：
首先，对于输入大小为224*224的图像，第一层conv1是一个卷积核大小为7*7，步长为2，输出大小为112*112的特征图；之后是一个3*3的卷积层，步长为2，输出大小为56*56的特征图；
第二层是一个Dense_Block模块，其中是由Dense_Block堆叠而成；总共包含6个Dense_Block模块；输出特征图大小为56*56；
第三层是一个Transition_Layer模块，其中先经过1*1卷积层，输出特征图大小为56*56，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为28*28；
第四层由12个Dense_Block模块组合得到，其中输出特征图大小为28*28；
第五层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为28*28，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为14*14；
第六层由24个Dense_Block模块组合得到，其中输出特征图大小为14*14；
第七层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为14*14，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为7*7；
第八层由16个Dense_Block模块组合得到，其中输出特征图大小为7*7；
最后得到一个维度为1024的特征向量，该向量作为网络提取的图像特征供步骤24使用；
步骤24：构建多任务卷积神经网络；
在步骤23提取特征之后加入6个并行的全连接层，6个全连接层连接在步骤23所得到的特征向量上，彼此间互不相连；其中每个全连接层包含两个分类，分别为男性/女性，是/否导购，是/否顾客，是/否站姿，是/否坐姿，是/否玩手机；两个分类用来表示属性坚的置信度；
最后对这6个全连接层采用6个Cross Entropy Loss损失函数进行约束，公式如下：
Figure BDA0001856583620000041
通过6个全连接层计算得到的损失值分别记为：L1，L2，L3，L4，L5，L6最终得到的损失值为：
Loss＝L1+L2+L3+L4+L5+L6 (2)
(3)训练密集网络多任务卷积神经网络：
步骤31：数据预处理：
首先将需要将数据进行处理，由于数据的不平衡性，需要对数据进行数据增强；首先是转换成224*224的大小，再接着使用随机水平翻转，最后转化为Tensor之后进行一个标准化处理；
步骤32：预训练模型：
加载步骤(2)构建的卷积神经网络，采用Adam优化算法，根据6个损失值之和进行反向传播，优化神经网络里面的参数；预训练中每个批次大小为64，学习率为0.001，总共训练60个epoch；
步骤33：微调模型：
从步骤32中加载在测试集中精度最高的模型，调整学习率为0.0005，并采用权重衰减1e-6，继续利用Adam算法继续训练40个epoch。
与现有技术相比，本发明技术方案的优点有：
(1)本发明使用单个神经网络完成对商场店铺中的顾客行为分析，提升店铺自身能力；
(2)本发明使用密集网络的卷积神经网络，对顾客的多个属性进行同时分析，提升使用效率。
附图说明
图1是本发明的Dense_Block结构示意图；
图2是本发明的Transition_Layer模块示意图；
图3是本发明的总框架流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图和实施例对本发明作进一步的详细描述。
实施例1：
一种基于密集网络的多任务卷积神经网络顾客行为分析方法，含有以下步骤：
(1)清洗数据
步骤11：构建数据集；
本发明使用BOT2018新零售技术挑战赛的数据集，本数据共有5000张图片，其中含有对应的标注JSON文件，与图片一一对应。其中使用9:1的分类方式，将5000张图片分成两份，一份是训练集，一份是测试集，其中训练集共有图片4500张，测试集共有图片500张。
步骤12：将dataloader设计成与目标相适应模式；
本次数据集包含的标注含有以下部分，人物坐标(xmin,ymin,xmax,ymax)，性别，职位(顾客导购)，姿势(站坐)，是否玩手机等。需要对dataloader进行如下修改。对ImageDataset类进行多属性读取，设置变量position1存储xmin,ymin，设置变量position2存储xmax,ymax，设置变量gender,staff,customer,stand,sit,phone分别与其对应。将切割后的行人图片与属性相对应搭配起来。
(2)构建密集网络多任务卷积神经网络
步骤21：构建Dense_Block结构；
Dense_Block是由于想增加信息的流动提出来的一个模块，用于处理多个特征图信息输入，并输出适合的信息。
一开始的Dense_Block采用的是一个BN层，接着一个ReLU层和一个3*3的卷积层。其中BN层和ReLu层是用来增加模型的科学习程度的，减少梯度消失等神经网络常用的问题，3*3卷积层是用来提取特征，并输出特征图的。
由于多个特征图信息输入可能会带来输入维度过大的问题，需要在3*3卷积层前加入1*1卷积层作为Bottleneck_layer，减少输入维度。
整个Dense_Block模块的结构如图1所示。
步骤22：构建Transition_Layer模块；
Transition_Layer模块的作用是做卷积操作和降采样操作。其中，这些模块加入到两个Dense_Block模块之间作为改变特征图大小的方法。
Transition_Layer模块包括如下两个部分，首先是一个BN层，接着是一个1*1的卷积层和一个2*2的平均池化层。
整个Transition_Layer模块结构如图2所示。
步骤23：构建特征提取模块；
利用步骤21、步骤22的模块搭建密集网络的特征提取模块。
首先，对于输入大小为224*224的图像，第一层conv1是一个卷积核大小为7*7，步长为2，输出大小为112*112的特征图。之后是一个3*3的卷积层，步长为2，输出大小为56*56的特征图。
第二层是一个Dense_Block模块，其中是由Dense_Block堆叠而成。总共包含6个Dense_Block模块。输出特征图大小为56*56。
第三层是一个Transition_Layer模块，其中先经过1*1卷积层，输出特征图大小为56*56，之后经过一个2*2的平均池化层，步长为2。输出特征图大小为28*28。
第四层由12个Dense_Block模块组合得到，其中输出特征图大小为28*28。
第五层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为28*28，之后经过一个2*2的平均池化层，步长为2。输出特征图大小为14*14。
第六层由24个Dense_Block模块组合得到，其中输出特征图大小为14*14。
第七层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为14*14，之后经过一个2*2的平均池化层，步长为2。输出特征图大小为7*7。
第八层由16个Dense_Block模块组合得到，其中输出特征图大小为7*7。
最后得到一个维度为1024的特征向量，该向量作为网络提取的图像特征供步骤24使用。
步骤24：构建多任务卷积神经网络；
如图3所示，在步骤23提取特征之后加入6个并行的全连接层，6个全连接层连接在步骤23所得到的特征向量上，彼此间互不相连。其中每个全连接层包含两个分类，分别为(男性/女性，是/否导购，是/否顾客，是/否站姿，是/否坐姿，是/否玩手机)。两个分类用来表示属性坚的置信度。
最后对这6个全连接层采用6个Cross Entropy Loss损失函数进行约束，公式如下：
Figure BDA0001856583620000081
通过6个全连接层计算得到的损失值分别记为：L1，L2，L3，L4，L5，L6最终得到的损失值为：
Loss＝L1+L2+L3+L4+L5+L6 (2)
(3)训练轻量化多任务卷积神经网络
步骤31：数据预处理；
首先将需要将数据进行处理，由于数据的不平衡性，需要对数据进行数据增强。首先是转换成224*224的大小，再接着使用随机水平翻转，最后转化为Tensor之后进行一个标准化处理。
步骤32：训练模型；
加载本发明中设计的卷积神经网络，采用Adam优化算法，根据6个损失值之和进行反向传播，优化神经网络里面的参数。预训练中每个批次大小为64，学习率为0.001，总共训练60个epoch。
步骤33：模型微调；
从步骤32中加载在测试集中精度最高的模型，调整学习率为0.0005，并采用权重衰减1e-6，继续利用Adam算法继续训练40个epoch。
实施例2：
(1)选取实验数据
本发明使用BOT2018新零售技术挑战赛的数据集，本数据共有5000张图片，其中含有对应的标注JSON文件，与图片一一对应，共分为5个场景，每张图像中包含数量不等的导购和顾客，按照9:1的数据集分为测试集和数据集，随机抽取。
表1数据集
Figure BDA0001856583620000091
(2)实验结果
首先将实施例1中的步骤用于训练基于密集网络的多任务卷积神经网络，构造完适合当前数据集的模型之后，先使用0.001的学习率预训练60个epoch，然后加载预训练模型中精度最高的进行微调，用0.0005的学习率再训练40个epoch。最终在测试集上的精度如表2所示：
表2实验结果
Figure BDA0001856583620000092
此外，该模型的参数数量只有700万个，Resnet的参数数量是它的3倍；模型体积仅为27mb，是ResNet50的模型体积的3分之1。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于密集网络的多任务卷积神经网络顾客行为分析方法，含有以下步骤：
（1）清洗数据：
步骤11：除去训练集中带大量马赛克的图片；
使用BOT2018新零售技术挑战赛的数据集，共有5000张图片，其中含有对应的标注JSON文件，与图片一一对应；使用9:1的分类方式，将5000张图片分成两份，一份是训练集，一份是测试集，训练集共有图片4500张，测试集共有图片500张；
步骤12：除去训练集中模糊行人；
本次数据集包含的标注含有以下部分，人物坐标(xmin,ymin,xmax,ymax)，性别，职位：顾客或导购，姿势：站或坐，是否玩手机；需要对dataloader进行如下修改；对ImageDataset类进行多属性读取，设置变量position1存储xmin,ymin，设置变量position2存储xmax,ymax，设置变量gender, staff, customer, stand,sit, phone分别与其对应；将切割后的行人图片与属性相对应搭配起来；
（2）构建密集网络多任务卷积神经网络；
步骤21：构建Dense_Block结构；
Dense_Block是由于想增加信息的流动提出来的一个模块，用于处理多个特征图信息输入，并输出适合的信息；
一开始的Dense_Block采用的是一个BN层，接着一个ReLU层和一个3*3的卷积层；其中BN层和ReLu层是用来增加模型的科学习程度的，减少梯度消失这种神经网络常用的问题，3*3卷积层是用来提取特征，并输出特征图的；
由于多个特征图信息输入会带来输入维度过大的问题，需要在3*3卷积层前加入1*1卷积层作为Bottleneck_layer，减少输入维度；
步骤22：构建Transition_Layer模块；
Transition_Layer模块的作用是做卷积操作和降采样操作；其中，这些模块加入到两个Dense_Block模块之间作为改变特征图大小的方法；
Transition_Layer模块包括如下两个部分，首先是一个BN层，接着是一个1*1的卷积层和一个2*2的平均池化层；
步骤23：构建特征提取模块；
利用步骤21、步骤22的Bottleneck模块搭建轻量化的特征提取模块：
首先，对于输入大小为224*224的图像，第一层conv1是一个卷积核大小为7*7，步长为2，输出大小为112*112的特征图；之后是一个3*3的卷积层，步长为2，输出大小为56*56的特征图；
第二层是一个Dense_Block模块，其中是由Dense_Block堆叠而成；总共包含6个Dense_Block模块；输出特征图大小为56*56；
第三层是一个Transition_Layer模块，其中先经过1*1卷积层，输出特征图大小为56*56，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为28*28；
第四层由12个Dense_Block模块组合得到，其中输出特征图大小为28*28；
第五层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为28*28，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为14*14；
第六层由24个Dense_Block模块组合得到，其中输出特征图大小为14*14；
第七层由一个Transition_Layer组成，其中先经过1*1卷积层，输出特征图大小为14*14，之后经过一个2*2的平均池化层，步长为2；输出特征图大小为7*7；
第八层由16个Dense_Block模块组合得到，其中输出特征图大小为7*7；
最后得到一个维度为1024的特征向量，该向量作为网络提取的图像特征供步骤24使用；
步骤24：构建多任务卷积神经网络；
在步骤23提取特征之后加入6个并行的全连接层，6个全连接层连接在步骤23所得到的特征向量上，彼此间互不相连；其中每个全连接层包含两个分类，分别为男性/女性，是/否导购，是/否顾客，是/否站姿，是/否坐姿，是/否玩手机；两个分类用来表示属性的置信度；
最后对这6个全连接层采用6个Cross Entropy Loss损失函数进行约束，公式如下：
Figure 391445DEST_PATH_IMAGE002
（1）
通过6个全连接层计算得到的损失值分别记为：
Figure 229957DEST_PATH_IMAGE004
，
Figure 478536DEST_PATH_IMAGE006
，
Figure 342587DEST_PATH_IMAGE008
，
Figure 891380DEST_PATH_IMAGE010
，
Figure 933416DEST_PATH_IMAGE012
，
Figure 669291DEST_PATH_IMAGE014
最终得到的损失值为：
Figure 540295DEST_PATH_IMAGE016
（2）
（3）训练密集网络多任务卷积神经网络：
步骤31：数据预处理：
首先将需要将数据进行处理，由于数据的不平衡性，需要对数据进行数据增强；首先是转换成224*224的大小，再接着使用随机水平翻转，最后转化为Tensor之后进行一个标准化处理；
步骤32：预训练模型：
加载步骤（2）构建的卷积神经网络，采用Adam优化算法，根据6个损失值之和进行反向传播，优化神经网络里面的参数；预训练中每个批次大小为64，学习率为0.001，总共训练60个epoch；
步骤33：微调模型：
从步骤32中加载在测试集中精度最高的模型，调整学习率为0.0005，并采用权重衰减1e-6，继续利用Adam算法继续训练40个epoch。
CN201811317143.XA 2018-11-07 2018-11-07 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 Active CN109583942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811317143.XA CN109583942B (zh) 2018-11-07 2018-11-07 一种基于密集网络的多任务卷积神经网络顾客行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811317143.XA CN109583942B (zh) 2018-11-07 2018-11-07 一种基于密集网络的多任务卷积神经网络顾客行为分析方法

Publications (2)

Publication Number Publication Date
CN109583942A CN109583942A (zh) 2019-04-05
CN109583942B true CN109583942B (zh) 2021-05-11

Family

ID=65921672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811317143.XA Active CN109583942B (zh) 2018-11-07 2018-11-07 一种基于密集网络的多任务卷积神经网络顾客行为分析方法

Country Status (1)

Country Link
CN (1) CN109583942B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309953B (zh) * 2019-05-28 2020-06-26 特斯联（北京）科技有限公司 采用目标流动性分布预测的城市安防监控布局系统及方法
US20200410353A1 (en) * 2019-06-25 2020-12-31 Neuchips Corporation Harmonic densely connecting method of block of convolutional neural network model and system thereof
CN110738231B (zh) * 2019-07-25 2022-12-27 太原理工大学 改进S-DNet神经网络模型的乳腺X射线图像的分类方法
CN112466035B (zh) * 2019-09-06 2022-08-12 图灵通诺（北京）科技有限公司 基于视觉和重力感应的商品识别方法、装置和系统
CN110751193B (zh) * 2019-10-08 2022-03-18 浙江工业大学 一种基于中层特征扩展卷积网络的农作物病害分析方法
CN110991528A (zh) * 2019-12-02 2020-04-10 上海尊溢商务信息咨询有限公司 一种线下新零售门店客流多属性单模型识别方法
CN111709446B (zh) * 2020-05-14 2022-07-26 天津大学 基于改进的密集连接网络的x线胸片分类装置
CN111967949B (zh) * 2020-09-22 2023-05-16 武汉博晟安全技术股份有限公司 基于Leaky-Conv&Cross安全课程推荐引擎排序方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101772987B1 (ko) * 2017-02-28 2017-08-31 (주)코뮤즈 스캔 이미지를 이용한 심리검사결과 제공 방법
WO2018184195A1 (en) * 2017-04-07 2018-10-11 Intel Corporation Joint training of neural networks using multi-scale hard example mining

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8195598B2 (en) * 2007-11-16 2012-06-05 Agilence, Inc. Method of and system for hierarchical human/crowd behavior detection
WO2017091833A1 (en) * 2015-11-29 2017-06-01 Arterys Inc. Automated cardiac volume segmentation
US11314993B2 (en) * 2017-03-17 2022-04-26 Nec Corporation Action recognition system for action recognition in unlabeled videos with domain adversarial learning and knowledge distillation
US11023789B2 (en) * 2017-03-28 2021-06-01 Hrl Laboratories, Llc Machine-vision method to classify input data based on object components
US10387298B2 (en) * 2017-04-04 2019-08-20 Hailo Technologies Ltd Artificial neural network incorporating emphasis and focus techniques
US11080533B2 (en) * 2017-05-01 2021-08-03 Sensormatic Electronics, LLC Surveillance system with human behavior prediction by human action recognition
CN108345837A (zh) * 2018-01-17 2018-07-31 浙江大学 一种基于人体区域对齐化特征表达学习的行人再识别方法
CN108549841A (zh) * 2018-03-21 2018-09-18 南京邮电大学 一种基于深度学习的老人跌倒行为的识别方法
CN108764065B (zh) * 2018-05-04 2020-12-08 华中科技大学 一种行人重识别特征融合辅助学习的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101772987B1 (ko) * 2017-02-28 2017-08-31 (주)코뮤즈 스캔 이미지를 이용한 심리검사결과 제공 방법
WO2018184195A1 (en) * 2017-04-07 2018-10-11 Intel Corporation Joint training of neural networks using multi-scale hard example mining

Also Published As

Publication number Publication date
CN109583942A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN109583942B (zh) 一种基于密集网络的多任务卷积神经网络顾客行为分析方法
Peng et al. More trainable inception-ResNet for face recognition
Liliana Emotion recognition from facial expression using deep convolutional neural network
CN110188239B (zh) 一种基于跨模态注意力机制的双流视频分类方法和装置
CN108229381A (zh) 人脸图像生成方法、装置、存储介质和计算机设备
CN105469376B (zh) 确定图片相似度的方法和装置
CN106570522B (zh) 物体识别模型的建立方法及物体识别方法
Boussaad et al. Deep-learning based descriptors in application to aging problem in face recognition
CN108520213B (zh) 一种基于多尺度深度的人脸美丽预测方法
CN110378208B (zh) 一种基于深度残差网络的行为识别方法
Kim et al. Predicting the success of bank telemarketing using deep convolutional neural network
CN109740734B (zh) 一种利用优化神经元空间排布的卷积神经网络的图像分类方法
CN110796497A (zh) 检测异常操作行为的方法以及装置
Verma et al. Residual squeeze CNDS deep learning CNN model for very large scale places image recognition
CN112818764A (zh) 一种基于特征重建模型的低分辨率图像人脸表情识别方法
CN114330580A (zh) 基于歧义指导互标签更新的鲁棒知识蒸馏方法
CN111368734B (zh) 一种基于正常表情辅助的微表情识别方法
Sang et al. Discriminative deep feature learning for facial emotion recognition
CN114399808A (zh) 一种人脸年龄估计方法、系统、电子设备及存储介质
Mamatkulovich Lightweight residual layers based convolutional neural networks for traffic sign recognition
Azizi et al. Pager: Progressive attribute-guided extendable robust image generation
CN114170659A (zh) 一种基于注意力机制的面部情感识别方法
Mostafa et al. Ensemble Model-based Weighted Categorical Cross-entropy Loss for Facial Expression Recognition
Tunc et al. Age group and gender classification using convolutional neural networks with a fuzzy logic-based filter method for noise reduction
CN115641490A (zh) 一种数据处理方法及其装置

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
GR01 Patent grant
GR01 Patent grant