CN109947960B - 基于深度卷积的人脸多属性联合估计模型构建方法 - Google Patents

基于深度卷积的人脸多属性联合估计模型构建方法 Download PDF

Info

Publication number
CN109947960B
CN109947960B CN201910173989.9A CN201910173989A CN109947960B CN 109947960 B CN109947960 B CN 109947960B CN 201910173989 A CN201910173989 A CN 201910173989A CN 109947960 B CN109947960 B CN 109947960B
Authority
CN
China
Prior art keywords
face
vector
age
different
race
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
CN201910173989.9A
Other languages
English (en)
Other versions
CN109947960A (zh
Inventor
田青
金怿
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201910173989.9A priority Critical patent/CN109947960B/zh
Publication of CN109947960A publication Critical patent/CN109947960A/zh
Application granted granted Critical
Publication of CN109947960B publication Critical patent/CN109947960B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度卷积的人脸多属性联合估计模型构建方法,包括根据将不同数据库的人脸图像进行必要的归一化之后同时输入进行特征提取;利用不同的颜色空间体现图片不同颜色通道特征,利用不同特征算法对同一张人脸进行底层手动特征刻画;对深度卷积网络近全连接层的若干卷积层的卷积核参数以及全连接层的输出向量进行2范数距离的最小化约束,并在全连接层的损失函数中引入全连接层的均值和方差。本发明采用混合数据集,实现样本标记空间的完善,通过不同特征刻画能力的互补减小不同通道全连接层之间的特征表达差异,增大相关性,增强模型的泛化能力。

Description

基于深度卷积的人脸多属性联合估计模型构建方法
技术领域
本发明涉及人脸多属性联合估计深度卷积模型,具体涉及基于深度卷积的人脸多属性联合估计模型构建方法。
背景技术
人脸识别在人机交互、疑犯追踪、商业分析等领域发挥着重要的作用,其主要是通过对性别、年龄、人种和表情等基本属性的识别而实现。随着人工智能技术的快速发展,深度学习作为及其学习的分支之一,在人脸识别领域有广泛的应用。卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的代表算法,在图像处理方面被广泛应用,在人脸属性估计方面也有着良好的发挥。目前关于年龄、性别、人种等属性估计的深度算法正在不断优化,但由于含有年龄、人种等标签的幼儿、老年人的人脸图片相对于中年人照片更难获取并进入数据集等原因,样本数据不平衡问题是一个普遍存在的问题:针对年龄而言,大部分数据集在20到50岁之间的人脸图片的数量远大于20岁之前以及50岁之后的人脸图片。应用于人脸属性估计的现有公开数据集也存在相关属性的标记空间不完全问题:常用的FG-NET上人脸图像的年龄标记范围主要集中在0到36岁,MORPH数据集上人脸的年龄标记范围主要集中在16岁到70多岁,而CACD2000数据集则主要集中在13到62岁之间。上述问题通常导致机器学习的输出精确度不高。
另外,现有技术中,对同一张人脸采用不同的底层手动特征刻画时,人脸图像在不同通道的深度特征表达具有差异性。同一张人脸图片以不同的颜色空间输入,如RGB、Ycbcr和Gray等格式,再用纹理特征、边缘特征等特征提取方式提取成若干个通道后输入网络,它们侧重刻画的特征不同,但是本质是来源于同一张人脸图片,如何尽量减小不同通道间的差异性,最大化它们之间的相关性也是传统CNN没有考虑的。
而且,目前CNN在年龄、性别、人种等估计问题中几乎都采用softmax损失函数,将对年龄等的估计问题看作是精确的分类问题,并没有考虑到相邻年龄之间人脸的相关性,也没有考虑到全连接层分布的差异关系,无法在年龄估计上取得满意的效果。
发明内容
发明目的:本发明提供了一种基于深度卷积的人脸多属性联合估计模型构建方法,通过该方法构建的模型可以实现数据库样本的完善,增强模型的泛化能力,从而增强模型对人脸的识别能力。
技术方案:本发明所述的一种基于深度卷积的人脸多属性联合估计模型构建方法,包括以下步骤:
(1)数据库归一化预处理:选择多个不同的人脸数据集,对其包含的图片进行归一化预处理,得到归一化人脸数据库;
(2)通过多个特征通道对归一化人脸数据库中的每张人脸图片进行多通道特征提取,将提取的特征数据作为深度卷积的输入;
(3)对不同特征通道的近全连接层的若干卷积层的卷积核参数进行2范数距离的最小化约束,将其作为第一最小化子目标l1,定义为:
其中,C为输入深度卷积神经网络的不同特征通道的数量,wi,wj为不同通道间任意两个卷积核之间的对应参数,表示任意两个不同通道间卷积核参数之间的欧式距离的平方;
(4)将每个特征通道的全连接层的输出设置为2+K+R维向量,2表示性别向量的维度,K表示年龄向量的维度,R表示人种向量的维度,其中性别向量和人种向量采用0/1编码,年龄向量采用CA编码,在2+K+R维向量之间进行2范数距离的最小化约束,将其作为第二最小化子目标l2,定义为:
其中,vi,vj表示不同特征通道间全连接层输出的任意两个向量;
(5)设置深度卷积神经网络的损失函数为全连接层的性别向量、年龄向量、人种向量的均值和方差与softmax函数的结合,损失函数定义为:
其中,λ1、λ2、λ3为超参数,Softentire=Softgender+Softage+Softrace,Softgender、Softage、Softrace分别为输出性别、年龄、人种向量的softmax损失,lm=lmgender+lmage+lmrace,lmgender、lmage、lmrace分别为输出性别、年龄与人种向量的均值损失,lv=lvgender+lvage+lvrace,lvgender、lvage、lvrace分别为输出性别、年龄与人种向量的方差损失。
进一步地,步骤(2)包括:(21)利用颜色空间转换工具将归一化人脸数据库中的每张人脸图片转换为不同的颜色空间格式,得到不同颜色通道的人脸图片;(22)对不同颜色通道的人脸图片分别进行多种底层手动特征刻画,得到人脸图片的多通道特征。
进一步地,多种底层手动刻画包括对面部纹理特征的提取和对人脸边缘特征的提取。
作为优选,对面部纹理特征的提取工具包括Gabor滤波器,对人脸边缘特征的提取工具包括Sobel、Laplacian或Canny算子。
进一步地,人脸数据集包括WebFace,CACD2000,MORPH数据库。
作为优选,颜色空间格式包括RGB、Ycbcr和Gray格式。
有益效果:与现有技术相比,根据本发明的人脸多属性联合估计模型构建方法将传统的数据集分别进行单独训练的方式扩展为跨库训练,将不同数据库的人脸图像进行必要的归一化之后同时输入进行特征提取,采用混合数据集,实现样本标记空间的完善,有助于提升模型的识别性能。本发明利用不同的颜色空间体现图片不同颜色通道特征,利用不同特征算法对同一张人脸进行底层手动特征刻画,有助于实现不同特征刻画能力的互补,增强对人脸的判别能力。另外,本发明的模型构建方法,对CNN网络近全连接层的若干卷的卷积核参数以及全连接层的输出向量进行2范数距离的最小化约束,并在全连接层的损失函数中引入全连接层的均值和方差,减小不同通道全连接层之间的特征表达差异,增大相关性,进一步增强模型的泛化能力。
附图说明
图1为模型构建方法的流程示意图。
具体实施例
下面结合附图和实施例对本发明做进一步描述:
如图1所示,本专利的人脸多属性联合估计模型构建方法采用跨库方式输入原始数据集,选择多个不同的人脸数据集,对其包含的图片进行归一化预处理,得到归一化人脸数据库。例如人脸库A为WebFace,人脸库B为CACD2000,人脸库C为MORPH……在选择人脸库时,尽量选择年龄分布、人种分布差异较大的人脸库进行组合,以实现样本标记空间的完善为目的。根据自身需要设置M个人脸库后,进行人脸归一化预处理,实现图片大小、背景去除、五官位置等特征的的归一化。预处理可以使用插值法,或者是基于GNN的超分辨率技术。例如,鉴于不同人脸库中人脸图像的分辨率不同,在输入深度模型前,将其调整到统一尺度,如统一将分辨率调整至为256*256。
通过多个特征通道对所述归一化人量数据库中的人脸图片进行多通道特征提取,将提取的特征数据作为深度卷积的输入。如图1所示,取归一化数据库中的一张图片为例,利用颜色空间转换工具将所述归一化人脸数据库中的人脸图片转换为不同的颜色空间格式,得到不同颜色通道的人脸图片。例如,人脸图片为RGB格式,通过matlab或者python等语言作为颜色空间工具将其转换为Ycbcr、Gray等不同颜色空间的格式,同理,当原图片为其他格式时,可根据需求选择转换的图片目标格式。如此一来,通过对同一张人脸图片进行不同颜色通道的提取,可以得到多张体现不同颜色通道特征的人脸图片。
在此基础上,对每张图片继续进行多种底层手动特征的刻画。考虑到CNN的输入要求,本发明对上述图片分别进行人脸面部纹理特征和人脸边缘特征的提取。其中,对纹理特征的提取,可以采用Gabor滤波器,Gabor变换属于加窗傅里叶变换,通过选取适当的频率参数和高斯函数参数,可以提取出多种纹理特征。Gabor函数形成的二维Gabor滤波器的频率和方向与人类的视觉系统类似,具有时域和频域的联合最佳分辨率,可以同时取得最优局部化,非常适合纹理的表示和识别。在人脸图像处理上应用二维Gabor滤波器时,人脸的眼睛、鼻子、嘴巴等共有部位以及酒窝、伤疤等特殊面部特征都会被滤波器所加强,在保留总体纹理信息的同时增强了局部特性的提取。本发明的模型可采用二维Gabor滤波器,在N个方向M个尺度进行滤波,其中的N和M取决于具体特征类型,比如可选取常用的5个方向和8个尺度进行滤波。而对面部边缘信息的提取,可以采用Sobel、Laplacian和Canny等算子。如图1所示,本发明列举的两个算子分别是一阶微分算子Sobel以及非微分边缘检测算子Canny,此处可根据需要添加一阶微分算子Prewitt、二阶微分算子Laplacian等其他算子。不同算子的边缘检测效果不同,Sobel算子对灰度渐变和噪声较多的图像处理效果比较好;Laplacian算子对于图像中的阶跃性边缘点定位准确,对噪声敏感,也会丢失一些边缘的方向信息;而Canny算子是理论上比较完善的边缘检测算法,不易受噪声干扰,同时容易检测出真正的“弱边缘”,缺点是对冲击噪声的抑制能力差,现在也有许多基于Canny改进的新方法,具有更好的效果。在具体实施本发明时,可根据具体情况选择合适的边缘检测算法。
通过上述步骤,将每张图片先转换为不同的颜色空间格式,再进行纹理、边缘特征的提取,将提取后的各个特征作为CNN的输入。
为了减小人脸在不同通道建的深度特征表达差异,增大其相关性,提高后续模型的训练效果,本发明的模型构建方法对不同特征通道的近全连接层的若干卷积层的卷积核参数进行2范数距离的最小化约束,将其作为第一最小化子目标l1。范数(norm)是数学中的一种基本概念,常常用来度量某个向量空间(或矩阵)中的每个向量的长度或大小。常用向量的范数如(1)、(2)、(3)式所示:
L1范数:x向量的各个元素绝对值之和,表示为:
‖x‖1=|x1|+|x2|+……+|xn| (1)
L2范数:x向量的各个元素平方和的1/2次方,表示为:
L∞范数:x向量各个元素绝对值最大那个元素的绝对值
‖x‖=max(|x1|,|x2|,……,|xn|) (3)
其中L2范数对应的即为2范数距离,也称欧式距离(Euclidean Distance),定义于欧几里得空间中,是最常见的距离表示法。n维空间中两个点x1(x11,x12,…,x1n)与x2(x21,x22,…,x2n)间的2范数距离d12可以表示为:
本发明第一最小化子目标定义为:
其中,C为输入深度卷积神经网络的不同特征通道的数量,wi,wj为不同通道间任意两个卷积核之间的对应参数,表示任意两个不同通道间卷积核参数之间的欧式距离的平方。通过最小化l1,可以减小不同通道间的同一张人脸的深度特征表达差异,增大不同通道间的特征表达相关性。
本发明在全连接层采用0/1编码和CA编码结合的方式,用于同时实现对人脸性别、年龄以及人种三种属性的联合估计。其中,性别采用0/1编码,性别是2类问题,可以设置数字0表示女性,数字1表示男性。年龄是有序问题,采用CA编码方式,将小于等于图片人脸年龄的编码元素设置为1,大于该年龄的编码元素设置为0。设定年龄为0到(K-1)岁的K类问题,假设输出年龄为5岁,那么表示年龄的向量的前5位元素表示为1,后面的元素均为0。人种采用0/1编码,人种为无序问题,设定共有R分人种,对应的人种标签设置为1,其余设置为0。根据上述设置,每个不同的特征通道在全连接的输出均为(2+K+R)维的向量。对不同通道的(2+K+R)维输出进行2范数距离的最小化,作为本发明的第二最小化子目标l2,定义为:
其中vi,vj表示不同特征通道间全连接层输出的任意两个向量。通过最小化l2,可以进一步减小不同通道的全连接层之间的差异性,增大输出之间的相关性。
将深度卷积神经网络的损失函数设置为全连接层的性别向量、年龄向量、人种向量的均值和方差与softmax函数的结合。常用softmax函数将输出数值转化为相对概率,定义如式(7)所示:
其中T表示标签类别总数,j表示某一具体类别,取值为1到T中的某一整数。aj表示输出向量中对应j类别的值,Sj即为样本属于类别j的概率。样本属于各个类的概率和为1,即S1、S2、……、Sk的和为1。
而被广泛使用的softmax损失函数(softmax loss)的定义如(8)式所示:
其中L即为softmax损失,yi表示真实年龄在标签上的分布概率,比如真实年龄为30,则y0~y29为1,后面所有的yi均为0,与本发明的全连接层输出的CA编码表示方法相同。Sj即为样本属于类别j的概率,由softmax所计算出。
在本发明中,均采用(8)式来计算性别、年龄以及人种等不同属性的softmax损失,求得的性别属性的损失为Softgender,年龄属性的损失函数为Softage,人种属性的损失为softrace,将上述三者作为最终总体损失函数的一部分。
除此之外,本发明的构建方法在CNN模型的总体损失函数设置中还考虑到了全连接层的“均值”和“方差”最小化。以下通过年龄属性进行介绍。总体损失函数中考虑均值,可以减小预测的年龄分布的均值与真实年龄之间的差异;考虑方差,可以通过减小预测年龄分布的方差,使年龄的估计范围更为集中。
根据每次神经网络训练输出的样本属于每个年龄标签的概率pi,j之后,可以计算全连接层估计年龄的均值mi和方差vi,如式(9)、(10)所示。
其中,K代表共有1、2、……、K个年龄标签,j(在1到K之间)代表具体年龄,i代表样本序号,即为第i个样本,而pi,j代表第i个样本属于年龄j的概率。
均值损失(Mean Loss)把年龄估计看作是回归问题,本发明采用2范数距离的形式来表达估计年龄的分布均值与真实年龄标签之间的差异大小,均值损失函数Lm的具体计算方法如式(11)所示。
其中,N是一个批次(batch)中的样本总数,yi代表真实的年龄,其余参数含义与式(10)一致。
方差损失(Variance Loss)主要作用是使预测年龄的离散程度尽可能小,预测值尽可能集中。方差损失函数lv具体计算方法如式(12)所示:
其中,式(12)中各个参数的含义与式(10)和式(11)一致。
同理,通过上述方法可以计算出性别和人种的均值损失和方差损失,设定计算出的性别、年龄与人种的均值损失分别为lmgender、lmage、lmrace,方差损失分别为lvgender、lvage、lvrace。在本发明的方法中,定义总体均值损失函数lm为lmgender、lmage、lmrace的总和,总体方差损失函数lv即为lvgender、lvage、lvrace的总和。
将Softentire定义为三个属性的softmax损失Softgender、Softage、Softrace之和,全连接层的总体损失函数l为Softentire和均值、方差损失函数lm、lv的结合。将CNN模型最终总体损失函数l作为最终优化目标,定义为:
其中λ1、λ2、λ3为超参数,Softentire、lm、lv分别表示为式(14)、式(15)、式(16):
softentire=Softgender+Softage+Softrace (14)
lm=lmgender+lmage+lmrace (15)
lv=lvgender+lvage+lvrace (16)
最终损失函数l考虑了全连接层的分布差异问题,引入均值损失和方差损失,能进一步提升模型的性能。可以选取梯度下降等常用优化算法,对设置的最终总体损失函数l进行优化。

Claims (1)

1.一种基于深度卷积的人脸多属性联合估计模型构建方法,其特征在于,包括以下步骤:
(1)数据库归一化预处理:选择多个不同的人脸数据集,对其包含的图片进行归一化预处理,得到归一化人脸数据库;所述人脸数据集包括WebFace,CACD2000,MORPH数据库;
(2)通过多个特征通道对所述归一化人脸数据库中的每张人脸图片进行多通道特征提取,将提取的特征数据作为深度卷积的输入;具体包括以下步骤:
(21)利用颜色空间转换工具将所述归一化人脸数据库中的每张人脸图片转换为不同的颜色空间格式,得到不同颜色通道的人脸图片;所述颜色空间格式包括RGB、Ycbcr和Gray格式;
(22)对不同颜色通道的人脸图片分别进行多种底层手动特征刻画,得到人脸图片的多通道特征;所述多种底层手动特征刻画包括对面部纹理特征的提取和对人脸边缘特征的提取;所述对面部纹理特征的提取工具包括Gabor滤波器,对人脸边缘特征的提取工具包括Sobel、Laplacian或Canny算子;
(3)对不同特征通道的近全连接层的若干卷积层的卷积核参数进行2范数距离的最小化约束,将其作为第一最小化子目标l1,定义为:
其中,C为输入深度卷积神经网络的不同特征通道的数量,wi,wj为不同通道间任意两个卷积核之间的对应参数,表示任意两个不同通道间卷积核参数之间的欧式距离的平方;
(4)将每个特征通道的全连接层的输出设置为2+K+R维向量,2表示性别向量的维度,K表示年龄向量的维度,R表示人种向量的维度,其中性别向量和人种向量采用0/1编码,年龄向量采用CA编码,在所述2+K+R维向量之间进行2范数距离的最小化约束,将其作为第二最小化子目标l2,定义为:
其中,vi,vj表示不同特征通道间全连接层输出的任意两个向量;
(5)设置深度卷积神经网络的损失函数为全连接层的性别向量、年龄向量、人种向量的均值和方差与softmax函数的结合,所述损失函数定义为:
其中,λ1、λ2、λ3为超参数,Softentire=Softgender+Softage+Softrace,Softgender、Softage、Softrace分别为输出性别、年龄、人种向量的sonmax损失,lm=lmgender+lmage+lmrace,lmgender、lmage、lmrace分别为输出性别、年龄与人种向量的均值损失,lv=lvgender+lvage+lvrace,lvgender、lvage、lvrace分别为输出性别、年龄与人种向量的方差损失。
CN201910173989.9A 2019-03-08 2019-03-08 基于深度卷积的人脸多属性联合估计模型构建方法 Active CN109947960B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910173989.9A CN109947960B (zh) 2019-03-08 2019-03-08 基于深度卷积的人脸多属性联合估计模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910173989.9A CN109947960B (zh) 2019-03-08 2019-03-08 基于深度卷积的人脸多属性联合估计模型构建方法

Publications (2)

Publication Number Publication Date
CN109947960A CN109947960A (zh) 2019-06-28
CN109947960B true CN109947960B (zh) 2024-01-23

Family

ID=67009325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910173989.9A Active CN109947960B (zh) 2019-03-08 2019-03-08 基于深度卷积的人脸多属性联合估计模型构建方法

Country Status (1)

Country Link
CN (1) CN109947960B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503160B (zh) * 2019-08-28 2022-03-25 北京达佳互联信息技术有限公司 图像识别方法、装置、电子设备及存储介质
CN112287753A (zh) * 2020-09-23 2021-01-29 武汉天宝莱信息技术有限公司 一种基于机器学习提升人脸识别精度的系统及其算法
US20230290134A1 (en) * 2020-09-25 2023-09-14 Intel Corporation Method and system of multiple facial attributes recognition using highly efficient neural networks

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150139485A1 (en) * 2013-11-15 2015-05-21 Facebook, Inc. Pose-aligned networks for deep attribute modeling
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150139485A1 (en) * 2013-11-15 2015-05-21 Facebook, Inc. Pose-aligned networks for deep attribute modeling
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fusing shape and texture information for facial age estimation;Lu J 等;《Proc. of the IEEE Int’l Conf. on Acoustics, Speech,》;20111231;全文 *
多任务及Resnet 网络在人脸多属性识别中的应用;徐培超 等;《小型微型计算机系统》;20181231;全文 *

Also Published As

Publication number Publication date
CN109947960A (zh) 2019-06-28

Similar Documents

Publication Publication Date Title
CN112307958A (zh) 基于时空外观运动注意力网络的微表情识别方法
CN110163239B (zh) 一种基于超像素和条件随机场的弱监督图像语义分割方法
CN107527023B (zh) 基于超像素和主题模型的极化sar图像分类方法
CN112580590A (zh) 一种基于多语义特征融合网络的指静脉识别方法
CN109947960B (zh) 基于深度卷积的人脸多属性联合估计模型构建方法
Feng et al. A color image segmentation method based on region salient color and fuzzy c-means algorithm
Trivedi et al. Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering
Inthiyaz et al. Flower segmentation with level sets evolution controlled by colour, texture and shape features
CN111814821A (zh) 深度学习模型的建立方法、样本处理方法及装置
CN105718898B (zh) 基于稀疏无向概率图模型的人脸年龄估计方法、系统
CN110852292B (zh) 一种基于跨模态多任务深度度量学习的草图人脸识别方法
Jia et al. Saliency detection via a unified generative and discriminative model
CN111091129B (zh) 一种基于多重颜色特征流形排序的图像显著区域提取方法
Sobieranski et al. Learning a nonlinear distance metric for supervised region-merging image segmentation
Jenifa et al. Classification of cotton leaf disease using multi-support vector machine
CN111582223A (zh) 一种三维人脸识别方法
CN112329662B (zh) 基于无监督学习的多视角显著性估计方法
CN112016592B (zh) 基于交叉领域类别感知的领域适应语义分割方法及装置
Bhattacharya et al. Graph manifold clustering based band selection for hyperspectral face recognition
CN117523626A (zh) 伪rgb-d人脸识别法
CN107016675A (zh) 一种基于非局部时空特征学习的无监督视频分割方法
Nouri et al. Global visual saliency: Geometric and colorimetrie saliency fusion and its applications for 3D colored meshes
Vantaram et al. Multiresolution adaptive and progressive gradient-based color-image segmentation
CN108154107B (zh) 一种确定遥感图像归属的场景类别的方法
Amelia Age Estimation on Human Face Image Using Support Vector Regression and Texture-Based Features

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