CN109657548A - 一种基于深度学习的人脸检测方法及系统 - Google Patents
一种基于深度学习的人脸检测方法及系统 Download PDFInfo
- Publication number
- CN109657548A CN109657548A CN201811347936.6A CN201811347936A CN109657548A CN 109657548 A CN109657548 A CN 109657548A CN 201811347936 A CN201811347936 A CN 201811347936A CN 109657548 A CN109657548 A CN 109657548A
- Authority
- CN
- China
- Prior art keywords
- net model
- training set
- samples pictures
- trained
- training
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的人脸检测方法及系统,用于人工智能领域。本发明提供的方法包括:收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,分为三个训练集;利用所述第一训练集对第一层神经网络进行训练得到P‑Net模型;通过P‑Net模型标注第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练得到R‑Net模型;通过R‑Net模型标注第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练得到O‑Net模型;级联P‑Net模型、R‑Net模型和O‑Net模型,以检测输入的人脸图像。本发明通过级联三层神经网络,可以逐层提升人脸检测精度,且能快速准确的获取到人脸检测框,从而加快人脸识别。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于深度学习的人脸检测方法及系统。
背景技术
人脸识别作为计算机视觉的一个重要研究方向,技术研究与应用已经非常成熟。常见的人脸检测方法可分为深度学习类型和非深度学习类型。非深度学习类型是基于传统机器学习算法(如OpenCV),一般检测速度比较快,占用资源少,但准确程度不高,常用在弱CPU应用端(如摄像头)。
而深度学习类型,通常是采用基于卷积神经网络模型,这种方式检测准确率较高,但检测速度慢,比较占用资源,所以多应用在计算能力较强的终端设备上。实际在采用深度学习类型的人脸检测方法时,人脸检测速度慢,难以获得实时的检测效果。
有鉴于此,本发明提出一种在保障准确率的基础上,提升人脸检测速度的方法。
发明内容
本发明实施例提供了一种基于深度学习的人脸检测方法及系统,用于快速准确的进行人脸检测。
在本发明实施例的第一方面,提供了一种人脸检测方法,包括:
收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;
利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;
通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;
通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;
级联所述P-Net模型、所述R-Net模型和所述O-Net模型,以检测输入的人脸图像。
在本发明实施例的第二方面,提供了一种基于深度学习的人脸检测系统,包括:
收集模块,用于收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;
第一训练模块,用于利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;
第二训练模块,用于通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;
第三训练模块,用于通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;
级联模块,用于级联所述P-Net模型、所述R-Net模型和所述O-Net模型,以检测输入的人脸图像。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,通过分别对卷积神经网络的三层结构进行训练,基于前一层神经网络模型的检测结果,进行训练,进一步提升训练速度。通过级联三层神经网络网络对输入的人脸图像进行检测,基于从P-Net模型、所述R-Net模型和O-Net模型的级联,可以逐层提升人脸检测精度,且能快速准确的获取到人脸检测框,从而加快人脸识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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性的前提下,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示意图;
图2为本发明实施例提供的基于深度学习的人脸检测系统的结构示意图;
具体实施方式
本发明实施例提供了一种基于深度学习的人脸检测方法及系统,用于提升人脸检测速度,同时保证识别精度。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一:
请参阅图1,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示意图,包括:
S101、收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;
收集包含人脸的图片时,在图片中标注人脸的位置,可以通过方框、坐标位置或像素点等方式标注,所述预处理操作可包括对图片大小剪裁、分辨率等进行调整。
所述第一训练集、第二训练集和第三训练集中,优选的,为所述第一训练集分配最大数量的样本图片。由于P-Net模型对检测精度影响最大,使用数据量最大的样本图片对该模型进行训练,以保证P-Net模型的识别精度。同时需要简化R-Net模型和O-Net模型的训练集,防止其过度训练,即减少第二训练集和第三训练集的样本图片量。优选的,保证第一训练集、第二训练集和第三训练集的中样本图片的多样及均衡。
S102、利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;
所述P-Net(Proposal Network)模型可以提取样本图片中人脸候选框,并对候选框筛选。
可选的,所述P-Net模型可以获得样本图片中人脸区域的候选框和边界框的回归向量,通过计算边界框的回归,对所述候选框进行校准,并利用非极大值抑制合并达到预设重叠标准的候选框。通过所述P-Net模型可以过滤人脸候选框。
可选的,设置卷积步长为2或4的卷积神经网络,取代最大池化层。对最耗时的P-Net模型,使用stride为2或4的CNN卷积,取代max_pooling(最大池化层)。这样可以生成更少的人脸检测候选框,减少R-Net模型处理压力,提升检测效率。
S103、通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;
所述R-Net模型中通过边界狂的回归和非极大值抑制(NMS)去除多余人脸候选框。通过所述R-Net模型可以极大减少候选框,降低复杂的同时可以提升人脸检测精度。
S104、通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;
所述O-Net模型用于进一步筛选去除多余人脸候选框。
S105、级联所述P-Net模型、所述R-Net模型和所述O-Net模型,以检测输入的人脸图像。
可选的,对所述所述P-Net模型、所述R-Net模型和O-Net模型任一模型的核心权重层,采用深度可分离卷积进行优化。采用深度分离卷积能极大降低计算量,减少人脸检测时间。
上述基于深度学习的人脸检测系统,通过级联三个网络模型,对各自的神经网络模型设置对应训练量,使用深度分离卷积优化网络结构,并在R-Net模型中使用卷积步长替代卷积层,能大幅提高人脸检测效率,保障检测精度。
为便于理解,结合图1所描述的实施例,下面对P-Net模型训练过程进行描述,示例性的:
收集8万多张已经做好标注的人脸图片。然后使用专用数据处理工具把这些人脸图片转成12*12尺寸的正样本、负样本和部分样本的训练数据。
使用adam优化器,初始学习率0.01,batch-size为384,每22000个iteration学习率就衰减为原来的0.1倍,训练30个epoch(轮)。每个epoch都保存一次模型,选择30个模型里面recall(召回率)最大的为最优模型。
同样的,针对R-Net模型,准备13000张已经做好标注的人脸图片。然后处理成12*12尺寸,通过所述P-Net模型对13000张人脸图片进行标注并生成相关的训练数据。然后利用该训练数据对所述R-Net模型训练。以此类推,通过以上方法,对O-Net模型进行训练。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
实施例二:
上面主要描述了一种基于深度学习的人脸检测方法,下面将对一种基于深度学习的人脸检测系统进行详细描述。
图2示出了本发明实施例中基于深度学习的人脸检测系统一个实施例结构图,所述系统包括:
收集模块210:用于收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;
可选的,所述将所述样本图片分为第一训练集、第二训练集和第三训练集还包括:
为所述第一训练集分配最大数量的样本图片。
第一训练模块220:用于利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;
可选的,所述利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型还包括:
所述P-Net模型可以获得样本图片中人脸区域的候选框和边界框的回归向量,通过计算边界框的回归,对所述候选框进行校准,并利用非极大值抑制合并达到预设重叠标准的候选框。
第二训练模块230:用于通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;
第三训练模块240:用于通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;
级联模块250:用于级联所述P-Net模型、所述R-Net模型和O-Net模型,以检测输入的人脸图像。
可选的,所述第一训练模块还包括:
设置单元:用于设置卷积步长为2或4的卷积神经网络,取代最大池化层。
可选的,对所述所述P-Net模型、所述R-Net模型和所述O-Net模型任一模型的核心权重层,采用深度可分离卷积进行优化。
上述系统可接受用户输入的人脸图片,进行高效快速的检测,可应用到移动端和弱cpu端上的人脸检测。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和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。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各实施例的模块、单元和/或方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的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。
以上所述,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:
收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;
利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;
通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;
通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;
级联所述P-Net模型、所述R-Net模型和所述O-Net模型,以检测输入的人脸图像。
2.根据权利要求1所述的方法,其特征在于,所述将所述样本图片分为第一训练集、第二训练集和第三训练集还包括:
为所述第一训练集分配最大数量的样本图片。
3.根据权利要求1或2所述的方法,其特征在于,所述利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型还包括:
所述P-Net模型可以获得样本图片中人脸区域的候选框和边界框的回归向量,通过计算边界框的回归,对所述候选框进行校准,并利用非极大值抑制合并达到预设重叠标准的候选框。
4.根据权利要求1所述的方法,其特征在于,所述利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型还包括:
设置卷积步长为2或4的卷积神经网络,取代最大池化层。
5.根据权利要求1所述的方法,其特征在于,对所述所述P-Net模型、所述R-Net模型和O-Net模型任一模型的核心权重层,采用深度可分离卷积进行优化。
6.一种人脸检测系统,其特征在于,包括:
收集模块,用于收集已标注人脸位置的图片,对所述图片预处理形成相同尺寸的样本图片,并将所述样本图片分为第一训练集、第二训练集和第三训练集;
第一训练模块,用于利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型;
第二训练模块,用于通过所述P-Net模型标注所述第二训练集中样本图片后,利用标注后的第二训练集对第二层神经网络进行训练,得到R-Net模型;
第三训练模块,用于通过所述R-Net模型标注所述第三训练集中样本图片后,利用标注后的第三训练集对第三层神经网络进行训练,得到O-Net模型;
级联模块,用于级联所述P-Net模型、所述R-Net模型和所述O-Net模型,以检测输入的人脸图像。
7.根据权利要求6所述的系统,其特征在于,所述将所述样本图片分为第一训练集、第二训练集和第三训练集还包括:
为所述第一训练集分配最大数量的样本图片。
8.根据权利要求6或7所述的系统,其特征在于,所述利用所述第一训练集对第一层神经网络进行训练,得到P-Net模型还包括:
所述P-Net模型可以获得样本图片中人脸区域的候选框和边界框的回归向量,通过计算边界框的回归,对所述候选框进行校准,并利用非极大值抑制合并达到预设重叠标准的候选框。
9.根据权利要求6所述的系统,其特征在于,所述第一训练模块还包括:
设置单元:用于设置卷积步长为2或4的卷积神经网络,取代最大池化层。
10.根据权利要求6所述的系统,其特征在于,对所述P-Net模型、所述R-Net模型和所述O-Net模型任一模型的核心权重层,采用深度可分离卷积进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347936.6A CN109657548A (zh) | 2018-11-13 | 2018-11-13 | 一种基于深度学习的人脸检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811347936.6A CN109657548A (zh) | 2018-11-13 | 2018-11-13 | 一种基于深度学习的人脸检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657548A true CN109657548A (zh) | 2019-04-19 |
Family
ID=66110918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811347936.6A Pending CN109657548A (zh) | 2018-11-13 | 2018-11-13 | 一种基于深度学习的人脸检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657548A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321841A (zh) * | 2019-07-03 | 2019-10-11 | 成都汇纳智能科技有限公司 | 一种人脸检测方法及系统 |
CN113313010A (zh) * | 2021-05-26 | 2021-08-27 | 广州织点智能科技有限公司 | 一种人脸关键点检测模型训练方法、装置和设备 |
CN114005150A (zh) * | 2020-07-28 | 2022-02-01 | 北京君正集成电路股份有限公司 | 一种可量化的前端人脸检测的设计方法 |
CN114863950A (zh) * | 2022-07-07 | 2022-08-05 | 深圳神目信息技术有限公司 | 一种基于异常检测的婴儿哭声检测、网络建立方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845421A (zh) * | 2017-01-22 | 2017-06-13 | 北京飞搜科技有限公司 | 基于多区域特征与度量学习的人脸特征识别方法及系统 |
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN108268936A (zh) * | 2018-01-17 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 用于存储卷积神经网络的方法和装置 |
-
2018
- 2018-11-13 CN CN201811347936.6A patent/CN109657548A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845421A (zh) * | 2017-01-22 | 2017-06-13 | 北京飞搜科技有限公司 | 基于多区域特征与度量学习的人脸特征识别方法及系统 |
CN107748858A (zh) * | 2017-06-15 | 2018-03-02 | 华南理工大学 | 一种基于级联卷积神经网络的多姿态眼睛定位方法 |
CN108268936A (zh) * | 2018-01-17 | 2018-07-10 | 百度在线网络技术(北京)有限公司 | 用于存储卷积神经网络的方法和装置 |
Non-Patent Citations (1)
Title |
---|
李 辉 等: "基于卷积神经网络的视频会议内容与质量检测系统", 《福 建 电 脑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321841A (zh) * | 2019-07-03 | 2019-10-11 | 成都汇纳智能科技有限公司 | 一种人脸检测方法及系统 |
CN114005150A (zh) * | 2020-07-28 | 2022-02-01 | 北京君正集成电路股份有限公司 | 一种可量化的前端人脸检测的设计方法 |
CN114005150B (zh) * | 2020-07-28 | 2024-05-03 | 北京君正集成电路股份有限公司 | 一种可量化的前端人脸检测的设计方法 |
CN113313010A (zh) * | 2021-05-26 | 2021-08-27 | 广州织点智能科技有限公司 | 一种人脸关键点检测模型训练方法、装置和设备 |
CN114863950A (zh) * | 2022-07-07 | 2022-08-05 | 深圳神目信息技术有限公司 | 一种基于异常检测的婴儿哭声检测、网络建立方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657548A (zh) | 一种基于深度学习的人脸检测方法及系统 | |
CN108985181B (zh) | 一种基于检测分割的端对端人脸标注方法 | |
CN109740534B (zh) | 图像处理方法、装置及处理设备 | |
CN109409222B (zh) | 一种基于移动端的多视角人脸表情识别方法 | |
US10445638B1 (en) | Restructuring a multi-dimensional array | |
CN107403141B (zh) | 人脸检测方法及装置、计算机可读存储介质、设备 | |
CN111401516B (zh) | 一种神经网络通道参数的搜索方法及相关设备 | |
CN112418392A (zh) | 一种神经网络构建方法以及装置 | |
CN111797983A (zh) | 一种神经网络构建方法以及装置 | |
CN108021923B (zh) | 一种用于深度神经网络的图像特征提取方法 | |
CN109614874B (zh) | 一种基于注意力感知和树形骨架点结构的人体行为识别方法和系统 | |
CN108122236A (zh) | 基于距离调制损失的迭代式眼底图像血管分割方法 | |
CN110033023A (zh) | 一种基于绘本识别的图像数据处理方法及系统 | |
CN107392214B (zh) | 一种基于全卷积分裂网络的目标检测方法 | |
CN110728179A (zh) | 一种采用多路卷积神经网络的猪脸识别方法 | |
CN110059593B (zh) | 一种基于反馈卷积神经网络的面部表情识别方法 | |
CN109558892A (zh) | 一种基于神经网络的目标识别方法及系统 | |
WO2020123288A1 (en) | Improper neural network input detection and handling | |
CN108876790A (zh) | 图像语义分割方法和装置、神经网络训练方法和装置 | |
CN108052894A (zh) | 一种目标对象的多属性识别方法、设备、介质及神经网络 | |
JP2023501820A (ja) | フェイスパーシング方法および関連デバイス | |
CN111860078A (zh) | 人脸静默活体检测方法、装置、可读存储介质及设备 | |
CN112529068A (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
CN115018039A (zh) | 一种神经网络蒸馏方法、目标检测方法以及装置 | |
CN111753870A (zh) | 目标检测模型的训练方法、装置和存储介质 |
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: 20190419 |