CN109598225A - 尖锐注意力网络、神经网络及行人再识别方法 - Google Patents

尖锐注意力网络、神经网络及行人再识别方法 Download PDF

Info

Publication number
CN109598225A
CN109598225A CN201811444505.1A CN201811444505A CN109598225A CN 109598225 A CN109598225 A CN 109598225A CN 201811444505 A CN201811444505 A CN 201811444505A CN 109598225 A CN109598225 A CN 109598225A
Authority
CN
China
Prior art keywords
attention
sharp
network
pedestrian
neural 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
Application number
CN201811444505.1A
Other languages
English (en)
Inventor
陈耀武
申晨
蒋荣欣
田翔
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 ZJU
Original Assignee
Zhejiang University ZJU
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 ZJU filed Critical Zhejiang University ZJU
Priority to CN201811444505.1A priority Critical patent/CN109598225A/zh
Publication of CN109598225A publication Critical patent/CN109598225A/zh
Pending legal-status Critical Current

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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种尖锐注意力网络，包括一个用于对输入特征图进行采样的尖锐注意力掩膜产生器，该尖锐注意力掩膜产生器会生成一个基于可微的Gumbel‑Softmax采样的尖锐注意力掩膜，实现对细微局部区域特征的采样。该尖锐注意力网络能够实现对判别性细微局部特征的坚定判定，以准确提取细微局部特征。还公开了一种包含该尖锐注意力网络的神经网络。还公开了一种基于该神经网络的行人再识别方法。该行人再识别方法能够准确地识别行人。

Description

尖锐注意力网络、神经网络及行人再识别方法
技术领域
本发明属于计算机视觉、深度学习、人工智能领域，具体涉及一种尖锐注意力网络，一种包含尖锐注意力网络的神经网络以及基于该神经网络的行人再识别方法。
背景技术
随着以卷积神经网络为代表的深度学习技术的广泛流行，从原始图像中端到端地学习一个深度特征映射的方法，极大地促进了计算机视觉领域许多相关任务的进步，这些任务包括了图像分类、人脸识别、细致图像检索、行人重识别等。为了更有效地进行特征学习，除了使用更深的网络结构和各种各样的损失函数(例如交叉熵损失函数、三元组损失函数等)之外，计算机视觉领域的科研工作者深入研究了许多其他的方法。在这其中，注意力机制是近年来的一大创新方法，它能够聚焦于图像中最具判别性的部分，从而通过更好地区分有判别性的细节特征和无关特征。
当前存在的使用注意力机制的深度学习方法通常使用一个软的门控函数Sigmoid来得到注意力掩膜，该掩膜代表了在图像中挑选有判别性区域的权重。然而，Sigmoid函数的取值范围是[0,1]之间的连续值，因此存在一个显而易见的问题：当掩膜取值远离两个坚定自信的状态1(代表挑选)和0(代表不选)时，也就是掩膜取值为0到1之间的小数时，不能明确地确定该小数对应的特征是需要挑选的判别性特征，还是不挑选的普通特征，因此，该注意力掩膜具有极大的不确定性，即它并不能坚定自信地定位到有判别性的局部细微特征。的极具挑战性的识别问题
行人再识别领域是一类极具挑战性的识别问题，由于图片中行人较多，且行人之间的差距较小，所以对行人再识别就需要关注更多细节，即需要更准确果断地识别判别性特征，但是现有的基于函数Sigmoid的注意力机制具有极大的不确定性，因此，该基于函数Sigmoid的注意力机制在行人再识别领域显得很弱了，即很难准确地识别行人。举例说明，对于如图1(a)所示的原始图像，采用经典的识别方法识别到结果如图1(b)所示，从图1(b)可以得到书包部位是有过渡区域的，分界线不明显，采用基于函数Sigmoid的注意力机制对原始图像的识别结果如图1(c)所示，从图1(c)可得，虽然书包部位相对于图1(b)较清楚一些，但仍然会存在一部分过渡区域，分界线也不明显。
综上，在行人再识别以及其他许多的应用场合，都需要更尖锐的注意力产生机制以此来跟坚定自信的定位有判别性的细微局部特征。
发明内容
本发明的目的是提供一种尖锐注意力网络，该尖锐注意力网络能够实现对判别性细微局部特征的坚定判定，以准确提取细微局部特征。
本发明的另一目的是提供一种神经网络，该神经网络中包含有尖锐注意力网络，以使该神经网络能够准确地提取细微局部特征。
本发明的再一目的是提供一种基于神经网络的行人再识别方法，该行人再识别方法能够准确地识别行人。
为实现上述发明目的，本发明提供以下技术方案：
第一方面，一种尖锐注意力网络，包括用于对输入特征图进行采样的尖锐注意力掩膜产生器，该尖锐注意力掩膜产生器利用公式(1)产生尖锐注意力掩膜，即利用公式(1)对输入特征图进行采样，获得注意力特征图；
其中，表示位置(c,h,w)的采样概率，c代表通道，h代表高度，w代表宽度；τ代表采样退火参数，gj是从Gumbel(0,1)中产生的独立同分布样本，即π1定义为f(Xc,h,w)，
其中，Xc,h,w表示输入变量，maxc和minc分别表示第c个通道上最大和最小的激活值。
该尖锐注意力网络中的尖锐注意力掩膜产生器能够产生接近于非0即1的采样概率，迫使采样时保留下最相关的特征，使得获得的注意力特征符合强激活值区域更强，弱激活值区域更弱甚至消失的特性。因此，能够解决传统注意力机制存在注意力不确定性的问题，获得更坚定自信的定位对识别目标至关重要的局部细微特征。
第二方面，一种神经网络，包括第一方面提供的尖锐注意力网络。该神经网络内部含有能够更坚定自信的定位对识别目标至关重要的局部细微特征的尖锐注意力网络，因此，该神经网络提取特征能力更强，应用到识别领域时，识别精度更高，识别效果更佳。
第三方面，一种基于所述的神经网络的行人再识别方法，包括以下步骤：
构建所述的神经网络模型，并用训练样本对该神经网络模型进行训练，确定模型参数，获得行人再识别模型；
将待识别图像输入到行人再识别模型中，经计算输出行人识别结果。
该行人再识别方法中，训练获得的行人再识别模型能够更坚定自信的定位对识别同一个人至关重要的局部细微特征，因此，能够准确地识别行人。
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做简单地介绍，显而易见地，下面描述中的附图仅仅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前提下，还可以根据这些附图获得其他附图。
图1(a)是背景技术中被识别的原图，图1(b)为背景技术中采用经典识别方法识别的结果图，图1(c)为背景技术中采用经典注意力机制识别的结果图；
图2是实施例提供的尖锐注意力网络的结构示意图；
图3是实施例提供的神经网络模型的结构示意图；
图4是利用实施例提供的行人再识别模型对图1(a)的识别结果。
具体实施方式
为使本发明的目的、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的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
根据背景技术，为了更多地关注细微局部特征，和防止因训练数据较少导致可能过拟合到无关视觉结构的情况，本实施例针对Sigmoid的软注意力机制存在的注意力不确定性的问题，提出一个尖锐注意力网络，即基于自适应采样的尖锐注意力机制，该尖锐注意力机制可以产生近于非0即1的尖锐注意力掩膜，来更自信的定位有判别性的细微视觉特征。
如图2所示，尖锐注意力网络包括一个用于对输入特征图进行采样的尖锐注意力掩膜产生器(Sharp Attention Mask Generator)，主要是通过Gumbel-Softmax采样来生成更尖锐的注意力掩膜。具体地，给定尖锐注意力掩膜生成器的输入为Xc,h,w，它首先被归一化到[0,1]区间：
其中，Xc,h,w表示坐标为(c,h,w)的输入值，(h,w)遍历高度和宽度方向上的所有位置并且c遍历所有通道；maxc和minc分别表示第c个通道上最大和最小的激活值。
公式(1)获得的归一化特征可以被视为对该输入特征进行采样的概率。显然，它倾向于保持高度激活的特征，同时抑制那些弱激活的特征。这一设计实质上施加了一个过分简约(parsimony)先验，它迫使注意力掩膜仅保留最相关的特征，同时尽可能地忽略不相关的特征。因此，归一化特征最终导致注意力特征符合这样的特点：强激活值区域更强，弱激活值区域更弱甚至消失。
基于对归一化输入f(Xc,h,w)的这一概率解释，一个直接的想法是根据它就地进行伯努利采样(Bernoulli sampling)。但是，由此产生的注意力感知特征对Xc,h,w将会是不可微的，因此执行网络参数更新的反向传播操作将无法通过输入特征图X。
为解决注意力感知特征对Xc,h,w不可微问题，本实施例提出一种创新机制，即基于Gumbel-Max技巧来从伯努利分布 中进行注意力掩膜Mc,h,w∈0,1的采样：
Mc,h,w＝argmaxj∈{0,1}(gj+logπj)(2)
其中，gj是从Gumbel(0,1)中产生的第j个独立同分布样本，针对πj有这样Softmax函数可用于产生一个连续可微的近似，以此来松弛argmax，因此最终产生了：
当参数τ→0时，来自Gumbel-Softmax分布的上述采样变得与伯努利分布采样完全一致，即本实施例将使用与Softmax函数近似版本作为尖锐注意力掩膜，利用该对输入特征图采样，获得注意力特征图A。
为了获得更多的特征，如图2所示，尖锐注意力网络还包括设置于所述尖锐注意力掩膜产生器前，用于提取全面特征的上下文感知单元(context-ware unit)，即输入特征图X即为上下文感知单元的输出，该上下文感知单元包括堆叠的卷积层和镜像的反卷积层。
该上下文感知单元可以是前向传播中一个自下而上和自上而下的流程，因而包含了不同层次上多尺度的视觉信息，该视觉信息可以更好地对后续的采样提供指导。具体地，上下文感知单元为U-Net网络。
在另外一个实施例中，如图2所示，尖锐注意力网络还包括将注意力特征图和输入特征图进行叠加补全的跨特征相互学习机制，其中，输入特征图为尖锐注意力掩膜产生器的输入特征图，或上下文感知单元的输入特征图。
具体地，如图2所示，注意力特征图A与输入特征图进行交叉特征交互(Cross-Feature Interaction)操作，即注意力特征图A与输入特征图对应位置做叠加融合，以获得叠加补全特征图F。这样通过直接旁路相连以及元素加加和的方式来实现尖锐注意力特征(局部特征)与输入特征(全局特征)的共同学习，可以有效的增强两者的互补性并集成它们各自的优点，即保持全局信息同时对局部细微特征更加敏感。
另外一个实施例提供了一种神经网络，该神经网络包括上述的尖锐注意力网络，即利用上述尖锐注意力网络获得输入特征图的局部细微特征，以提高神经网络的特征提取能力。
具体地，该神经网络还可以包括至少一个残差卷积模块，在至少一个残差卷积模块中，最后一个卷积层后连接有所述尖锐注意力网络。该残差卷积模块与尖锐注意力网络的同时作用，能够进一步提升提取细微局部特征的敏感性，即更多地提取细微局部特征。
另外一个实施例提供了一种行人再识别方法，包括以下步骤：
构建神经网络模型，并用训练样本对该神经网络模型进行训练，确定模型参数，获得行人再识别模型；
将待识别图像输入到行人再识别模型中，经计算输出行人识别结果。
具体地，如图3所示，神经网络模型为由4个残差卷积模块依序连接组成的ResNet，每个残差卷积模块的最后一个卷积层后连接有上述尖锐注意力网络。
更具体地，该神经网络模型是以ResNet-50为网络基础框架，每个残差卷积模块都扩展为包含如图2所示的，也就是，对于每个残差卷积模块，原始输出特征T构成其主干，在最后一个卷积层后引入一个掩膜分支，该掩膜分支即如图2所示的尖锐注意力网络。其中，上下文感知单元采用U-Net结构，用来在更大的感受野范围内捕捉高层的上下文信息，以此来指导注意力掩膜挑选特定的判别性特征，尖锐注意力掩膜产生器使用Gumbel-Softmax采样来获得具体的尖锐注意力掩膜，待注意力掩膜生成后，该注意力掩膜与原始输出特征T相乘得到注意力特征，之后，在使用跨特征相互学习机制来更好的融合注意力特征与原始输出特征T各自的优点，进一步地提升了重识别的性能。
当神经网络模型建立好以后，利用训练样本对该神经网络模型进行训练，训练结束后即可获得行人再识别模型，利用该行人再识别模型即可以根据细微局部特征实现对行人的再识别。
利用行人再识别模型对图1(a)进行识别的结果如图4所示，由图4可得，该行人再识别模型中的尖锐的注意力特征掩膜能够有效确定行人身份的判别性特征，也就是对红色背包更加敏感。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种尖锐注意力网络，其特征在于，包括用于对输入特征图进行采样的尖锐注意力掩膜产生器，该尖锐注意力掩膜产生器利用公式(1)产生尖锐注意力掩膜，即利用公式(1)对输入特征图进行采样，获得注意力特征图；
其中，表示位置(c,h,w)的采样概率，c代表通道，h代表高度，w代表宽度；τ代表采样退火参数，gj是从Gumbel(0,1)中产生的独立同分布样本，即π1定义为f(Xc,h,w)，
其中，Xc,h,w表示输入变量，maxc和minc分别表示第c个通道上最大和最小的激活值。
2.如权利要求1所述的尖锐注意力网络，其特征在于，还包括设置于所述尖锐注意力掩膜产生器前，用于提取全面特征的上下文感知单元，即输入特征图即为上下文感知单元的输出，该上下文感知单元包括堆叠的卷积层和镜像的反卷积层。
3.如权利要求1所述的尖锐注意力网络，其特征在于，上下文感知单元为U-Net网络。
4.如权利要求1～3任一项所述的尖锐注意力网络，其特征在于，还包括将注意力特征图和输入特征图进行叠加补全的跨特征相互学习机制，其中，输入特征图为尖锐注意力掩膜产生器的输入特征图，或上下文感知单元的输入特征图。
5.一种神经网络，其特征在于，包括权利要求1～4任一项所述的尖锐注意力网络。
6.如权利要求5所示的神经网络，其特征在于，所述神经网络包括至少一个残差卷积模块，在至少一个残差卷积模块中，最后一个卷积层后连接有所述尖锐注意力网络。
7.一种基于权利要求5或6所述的神经网络的行人再识别方法，包括以下步骤：
构建权利要求5或6所述的神经网络模型，并用训练样本对该神经网络模型进行训练，确定模型参数，获得行人再识别模型；
将待识别图像输入到行人再识别模型中，经计算输出行人识别结果。
8.如权利要求7所述的行人再识别方法，其特征在于，神经网络模型为由4个残差卷积模块依序连接组成的ResNet，每个残差卷积模块的最后一个卷积层后连接有所述尖锐注意力网络。
CN201811444505.1A 2018-11-29 2018-11-29 尖锐注意力网络、神经网络及行人再识别方法 Pending CN109598225A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811444505.1A CN109598225A (zh) 2018-11-29 2018-11-29 尖锐注意力网络、神经网络及行人再识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811444505.1A CN109598225A (zh) 2018-11-29 2018-11-29 尖锐注意力网络、神经网络及行人再识别方法

Publications (1)

Publication Number Publication Date
CN109598225A true CN109598225A (zh) 2019-04-09

Family

ID=65959806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811444505.1A Pending CN109598225A (zh) 2018-11-29 2018-11-29 尖锐注意力网络、神经网络及行人再识别方法

Country Status (1)

Country Link
CN (1) CN109598225A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110642A (zh) * 2019-04-29 2019-08-09 华南理工大学 一种基于多通道注意力特征的行人重识别方法
CN110188611A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种引入视觉注意力机制的行人重识别方法及系统
CN110659589A (zh) * 2019-09-06 2020-01-07 中国科学院自动化研究所 基于姿态和注意力机制的行人再识别方法、系统、装置
CN110929695A (zh) * 2019-12-12 2020-03-27 易诚高科（大连）科技有限公司 一种人脸识别和行人重识别关联方法
CN111027455A (zh) * 2019-12-06 2020-04-17 重庆紫光华山智安科技有限公司 行人特征提取方法、装置、电子设备及存储介质
CN111160297A (zh) * 2019-12-31 2020-05-15 武汉大学 基于残差注意机制时空联合模型的行人重识别方法及装置
CN111797834A (zh) * 2020-05-28 2020-10-20 华南理工大学 文本识别方法、装置、计算机设备和存储介质
CN111914600A (zh) * 2019-05-08 2020-11-10 四川大学 一种基于空间注意力模型的群组情绪识别方法
CN112307847A (zh) * 2019-08-01 2021-02-02 复旦大学 一种基于指导的多尺度注意力行人重识别深度学习系统
CN116569191A (zh) * 2020-12-17 2023-08-08 谷歌有限责任公司 对情境注意特征和卷积特征的门控

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897673A (zh) * 2017-01-20 2017-06-27 南京邮电大学 一种基于retinex算法和卷积神经网络的行人再识别方法
CN108830157A (zh) * 2018-05-15 2018-11-16 华北电力大学（保定） 基于注意力机制和3d卷积神经网络的人体行为识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897673A (zh) * 2017-01-20 2017-06-27 南京邮电大学 一种基于retinex算法和卷积神经网络的行人再识别方法
CN108830157A (zh) * 2018-05-15 2018-11-16 华北电力大学（保定） 基于注意力机制和3d卷积神经网络的人体行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHEN SHEN 等: "Sharp Attention Network via Adaptive Sampling for Person Re-identification", 《JOURNAL OF LATEX CLASS FILES》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188611A (zh) * 2019-04-26 2019-08-30 华中科技大学 一种引入视觉注意力机制的行人重识别方法及系统
CN110110642A (zh) * 2019-04-29 2019-08-09 华南理工大学 一种基于多通道注意力特征的行人重识别方法
CN111914600A (zh) * 2019-05-08 2020-11-10 四川大学 一种基于空间注意力模型的群组情绪识别方法
CN112307847A (zh) * 2019-08-01 2021-02-02 复旦大学 一种基于指导的多尺度注意力行人重识别深度学习系统
CN110659589A (zh) * 2019-09-06 2020-01-07 中国科学院自动化研究所 基于姿态和注意力机制的行人再识别方法、系统、装置
CN110659589B (zh) * 2019-09-06 2022-02-08 中国科学院自动化研究所 基于姿态和注意力机制的行人再识别方法、系统、装置
CN111027455B (zh) * 2019-12-06 2021-01-26 重庆紫光华山智安科技有限公司 行人特征提取方法、装置、电子设备及存储介质
CN111027455A (zh) * 2019-12-06 2020-04-17 重庆紫光华山智安科技有限公司 行人特征提取方法、装置、电子设备及存储介质
CN110929695A (zh) * 2019-12-12 2020-03-27 易诚高科（大连）科技有限公司 一种人脸识别和行人重识别关联方法
CN110929695B (zh) * 2019-12-12 2024-02-27 易诚高科（大连）科技有限公司 一种人脸识别和行人重识别关联方法
CN111160297A (zh) * 2019-12-31 2020-05-15 武汉大学 基于残差注意机制时空联合模型的行人重识别方法及装置
CN111160297B (zh) * 2019-12-31 2022-05-13 武汉大学 基于残差注意机制时空联合模型的行人重识别方法及装置
CN111797834A (zh) * 2020-05-28 2020-10-20 华南理工大学 文本识别方法、装置、计算机设备和存储介质
CN111797834B (zh) * 2020-05-28 2021-06-15 华南理工大学 文本识别方法、装置、计算机设备和存储介质
CN116569191A (zh) * 2020-12-17 2023-08-08 谷歌有限责任公司 对情境注意特征和卷积特征的门控

Similar Documents

Publication Publication Date Title
CN109598225A (zh) 尖锐注意力网络、神经网络及行人再识别方法
CN111291739B (zh) 面部检测、图像检测神经网络训练方法、装置和设备
CN106096538B (zh) 基于定序神经网络模型的人脸识别方法及装置
CN104143079B (zh) 人脸属性识别的方法和系统
Wang et al. Actionness estimation using hybrid fully convolutional networks
CN110909690B (zh) 一种基于区域生成的遮挡人脸图像检测方法
CN108427921A (zh) 一种基于卷积神经网络的人脸识别方法
CN109740413A (zh) 行人重识别方法、装置、计算机设备及计算机存储介质
WO2016110005A1 (zh) 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN112163498B (zh) 前景引导和纹理聚焦的行人重识别模型建立方法及其应用
CN110781829A (zh) 一种轻量级深度学习的智慧营业厅人脸识别方法
CN103020985B (zh) 一种基于场量分析的视频图像显著性检测方法
CN110163117B (zh) 一种基于自激励判别性特征学习的行人重识别方法
CN109543632A (zh) 一种基于浅层特征融合引导的深层网络行人检测方法
Rao et al. Sign Language Recognition System Simulated for Video Captured with Smart Phone Front Camera.
CN104123543A (zh) 一种基于人脸识别的眼球运动识别方法
CN109086659B (zh) 一种基于多模道特征融合的人体行为识别方法和装置
CN112446322B (zh) 眼球特征检测方法、装置、设备及计算机可读存储介质
CN110263768A (zh) 一种基于深度残差网络的人脸识别方法
CN112101208A (zh) 高龄老人特征串联融合手势识别方法及装置
CN113158943A (zh) 一种跨域红外目标检测方法
CN113269089A (zh) 基于深度学习的实时手势识别方法及系统
CN110796101A (zh) 一种嵌入式平台的人脸识别方法及系统
CN111108508A (zh) 脸部情感识别方法、智能装置和计算机可读存储介质
CN110222568A (zh) 一种基于时空图的跨视角步态识别方法

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

Application publication date: 20190409

RJ01 Rejection of invention patent application after publication