CN109948478B - 基于神经网络的大规模非均衡数据的人脸识别方法、系统 - Google Patents
基于神经网络的大规模非均衡数据的人脸识别方法、系统 Download PDFInfo
- Publication number
- CN109948478B CN109948478B CN201910168644.4A CN201910168644A CN109948478B CN 109948478 B CN109948478 B CN 109948478B CN 201910168644 A CN201910168644 A CN 201910168644A CN 109948478 B CN109948478 B CN 109948478B
- Authority
- CN
- China
- Prior art keywords
- face
- sample
- training
- face image
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000005070 sampling Methods 0.000 claims description 37
- 238000000605 extraction Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 28
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于人脸识别领域，具体涉及一种基于神经网络的大规模非均衡数据的人脸识别方法、系统，旨在为了解决基于大规模数据优化并提高人脸识别效率的问题，本发明通过改进损失函数和采样方式来提升模型人脸识别的性能，在损失函数方面提出了自适应边界裕量的损失函数来应对非均衡人脸数据，在采样方面针对数据采样和分类模板采样分别提出了改进方案。本发明可以较为高效地在大规模非均衡人脸数据上进行模型训练，并在性能上取得了提升。
Description
技术领域
本发明属于人脸识别领域，具体涉及一种基于神经网络的大规模非均衡数据的人脸识别方法、系统。
背景技术
在目前大多数的人脸识别方法都是基于理想的每类样本数一致的均衡数据进行的研究。然而在实际情况中，常常需要面对非均衡的数据，即每个类别的样本分布极不均衡，有的类别最多有一千多样本，而有的类别只有不到十个样本。目前最先进的方法(A-Softmax、AM-Softmax)都是基于均衡数据的研究，他们对所有类别都设定一个固定的边界裕量(margin)，因为只有在每类样本分布均衡的情况下，每个类别在特征空间所占的范围基本相等，才能对每个类别设置相同的边界裕量。在样本分布不均衡的情况下，对于那些样本丰富、类内差异大的类别，现有的训练样本所张成的空间基本就可以代表这个类别所有样本的真实分布。但对于那些样本匮乏、类内样本差异小的类别，现有的训练样本所张成的空间可能只是这个类别真实样本分布的一小部分。所以当现有方法对于所有类别设置相同的边界裕量时，那些样本匮乏、类内样本差异小的类别在此边界裕量下达不到如同那些样本丰富、类内差异大的类别一样足够紧凑的特征分布，从而这些类别的真实分布范围可能远大于训练样本特征占据的范围，导致分类结果欠佳。
此外，除了非均衡问题，大规模数据也是实际场景中经常遇到的情况，所以，如何能够更加高效地利用大规模的数据也是非常重要的。之前很长一段时间里，度量学习的方法一直是应对大规模数据的普遍方法，在采样方面使用难样本挖掘提高训练效率，但尽管如此，其训练过程依旧非常长、训练效率较低。
发明内容
为了解决现有技术中的上述问题，即为了解决基于大规模数据优化并提高人脸识别效率的问题，本发明的第一方面，提出了一种基于神经网络的大规模非均衡数据的人脸识别方法，该方法包括以下步骤：
步骤S10，对输入的图像进行人脸检测，并基于人脸关键点信息对各人脸图像进行归一化处理，获取输入图像中得的人脸图像集合；
步骤S20，基于特征提取网络获取所述人脸图像集合中各人脸图像的特征；
步骤S30，将人脸图像的特征进行与预设的人脸图像进行特征匹配，获取人脸识别结果；
其中，
所述特征提取网络基于卷积神经网络构建，并基于训练网络进行优化；
所述训练网络顺次包括数据层、所述特征提取网络、分类层、损失函数计算单元；所述数据层配置为通过动态调整样本权重来自适应地对训练样本采样；所述分类层配置为通过难类别模板挖掘进行类别模板采样；所述损失函数计算单元配置为通过预设的损失函数计算训练样本的损失，并通过预设的收敛条件控制训练迭代。
在一些优选实施方式中，所述数据层中“通过动态调整样本权重来自适应地对训练样本采样”，其方法为：
在所述特征提取网络的迭代训练中，第一次迭代时对训练样本集中所有样本按照类别分配采样权重，第二次及之后的迭代过程中，对基于前一次迭代时所述分类层分类正确的训练样本，降低其采样权重重新进行采样。
在一些优选实施方式中，所述分类层中“通过难类别模板挖掘进行类别模板采样”，其方法为：
基于所述特征提取网络输出的训练样本的特征向量，计算训练样本与预设的各类别模板之间的相似分数，选取大于设定阈值的类别模板进行分类。
在一些优选实施方式中，所述损失函数计算单元中预设的损失函数LAdM为
LAdM＝Lad+λ*Lm
其中，Lad为带有可学习边界裕量的分类约束项，Lm为自适应边界裕量均值约束项，M为批大小，N为训练样本类别总数，θij为训练样本j的特征向量与类别i的模板向量的夹角，mi表示类别i的边界裕量，s为尺度因子，y(j)为样本j的标签，λ为加权系数。
在一些优选实施方式中，所述数据层中“第一次迭代时对训练样本集中所有样本按照类别分配采样权重”，其方法为：每个样本的初始化采样权重均相等，为1/n，其中n为该样本对应类别的样本数。
在一些优选实施方式中，“第二次及之后的迭代过程中，对基于前一次迭代时所述分类层分类正确的训练样本，降低其采样权重重新进行采样”中，采样权重降低0.1。
在一些优选实施方式中，步骤S10中“获取输入图像中得的人脸图像集合”，其方法为：
对输入的图像进行人脸检测；
对人脸图像进行关键点检测；
依据得到的关键点，采用旋转和/或缩放和/或平移操作对齐人脸，并按照预设尺寸剪取人脸图像，得到人脸图像集合。
本发明的第二方面，提出了一种基于神经网络的大规模非均衡数据的人脸识别系统，该系统包括预处理单元、特征提取单元、人脸识别单元；
所述预处理单元，配置为对输入的图像进行人脸检测，并基于人脸关键点信息对各人脸图像进行归一化处理，获取输入图像中得的人脸图像集合；
所述特征提取单元，配置为基于特征提取网络获取所述人脸图像集合中各人脸图像的特征；
所述人脸识别单元，配置为将人脸图像的特征进行与预设的人脸图像进行特征匹配，获取人脸识别结果；
其中，
所述特征提取网络基于卷积神经网络构建，并基于训练网络进行优化；
所述训练网络顺次包括数据层、所述特征提取网络、分类层、损失函数计算单元；所述数据层配置为通过动态调整样本权重来自适应地对训练样本采样；所述分类层配置为通过难类别模板挖掘进行类别模板采样；所述损失函数计算单元配置为通过预设的损失函数计算训练样本的损失，并通过预设的收敛条件控制训练迭代。
本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的大规模非均衡数据的人脸识别方法。
本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的大规模非均衡数据的人脸识别方法。
本发明的有益效果：
本发明主要通过改进损失函数和采样方式来提升模型人脸识别的性能。在损失函数方面提出了自适应边界裕量的损失函数来应对非均衡人脸数据，在采样方面针对数据采样和分类模板采样分别提出了改进方案。本发明可以较为高效地在大规模非均衡人脸数据上进行模型训练，并在性能上取得了提升。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明一种实施例的基于神经网络的大规模非均衡数据的人脸识别方法流程示意图；
图2是本发明一种实施例中输入图像预处理流程示意图；
图3是本发明一种实施例中训练网络结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的一种基于神经网络的大规模非均衡数据的人脸识别方法，如图1所示，包括以下步骤：
步骤S10，对输入的图像进行人脸检测，并基于人脸关键点信息对各人脸图像进行归一化处理，获取输入图像中得的人脸图像集合；
步骤S20，基于特征提取网络获取所述人脸图像集合中各人脸图像的特征；
步骤S30，将人脸图像的特征进行与预设的人脸图像进行特征匹配，获取人脸识别结果；
其中，
所述特征提取网络基于卷积神经网络构建，并基于训练网络进行优化；
所述训练网络顺次包括数据层、所述特征提取网络、分类层、损失函数计算单元；所述数据层配置为通过动态调整样本权重来自适应地对训练样本采样；所述分类层配置为通过难类别模板挖掘进行类别模板采样；所述损失函数计算单元配置为通过预设的损失函数计算训练样本的损失，并通过预设的收敛条件控制训练迭代。
为了更清晰地对本发明进行说明，下面对本方发明方法一种实施例中各步骤进行展开详述。
步骤S10，对输入的图像进行人脸检测，并基于人脸关键点信息对各人脸图像进行归一化处理，获取输入图像中得的人脸图像集合。如图2所示，具体包括如下步骤。
步骤S101，对输入的图像进行人脸检测。
对于一张图片，首先进行人脸检测操作，检测其是否包含人脸，若不包含人脸则放弃该张图片，否则进入下一步，并将人脸检测信息传至下一个环节。
步骤S102，对人脸图像进行关键点检测。
对人脸图像进行关键点检测，得到二十五个人脸关键点的位置。
步骤S103，依据得到的关键点，采用旋转和/或缩放和/或平移操作对齐人脸，并按照预设尺寸剪取人脸图像，得到人脸图像集合。
按照上述关键点位置对齐人脸，其中包含旋转、缩放、平移等操作，并且图像裁剪成预先设定的大小(如120*120)，输出对齐图像。
步骤S20，基于特征提取网络获取所述人脸图像集合中各人脸图像的特征。
所述特征提取网络基于卷积神经网络构建，并基于训练网络进行优化；如图3所示，所述训练网络顺次包括数据层、所述特征提取网络、分类层、损失函数计算单元；所述数据层配置为通过动态调整样本权重来自适应地对训练样本采样；所述分类层配置为通过难类别模板挖掘进行类别模板采样；所述损失函数计算单元配置为通过预设的损失函数计算训练样本的损失，并通过预设的收敛条件控制训练迭代。
(1)、数据层自适应样本采样
在所述特征提取网络的迭代训练中，第一次迭代时对训练样本集中所有样本按照类别分配采样权重(初始化采样权重)，第二次及之后的迭代过程中，对基于前一次迭代时所述分类层分类正确的训练样本，降低其采样权重重新进行采样。
对训练样本集中所有样本按照类别分配采样权重并采样，即先随机选择本次训练的类别，之后按照此类别中各个样本的采样权重来进行采样。其中每个样本的初始化采样权重均相等，为1/n，其中n为该样本对应类别的样本数，之后通过建立一条从分类层到数据层的反馈通道来动态调整每个样本的采样权重。具体来说，是将分类层输出的关于当前mini-batch中每个样本的分类情况的信息传递(反馈)到数据层，对于那些与真实类别模板相似度最高的样本(即分类正确的样本，可以通过设置相似度阈值进行选取)，就将其采样权重降低0.1，从而让数据层在下一次训练迭代中采样时增大采样到难样本，即更有价值的样本的概率。
(2)分类层的难类别模板挖掘
基于所述特征提取网络输出的训练样本的特征向量，计算训练样本与预设的各类别模板之间的相似分数，选取大于设定阈值的类别模板进行分类。具体为：通过“(1)、数据层自适应样本采样”采样到有价值的样本后，通过卷积神经网络的前向传播，在分类层中通过全连接层的计算得到这些样本与所有类别模板之间的相似分数。通过设置一个阈值，将那些与这些样本相似度低于此阈值的类别模板筛除，即挖掘出与当前样本最相近、最难的类别模板，进行本次的分类。
(3)损失函数计算单元的自适应边界裕量损失函数
在特征提取网络的训练过程中，采用的损失函数为自适应边界裕量损失函数，如式(1)所示，该函数为将式(2)、式(3)的两个约束加权融合得到的自适应边界裕量损失函数Adaptive Margin Softmax(AdM-Softmax)。
LAdM＝Lad+λ*Lm (1)
其中，Lad为带有可学习边界裕量的分类约束项，Lm为自适应边界裕量均值约束项，M为批大小，N为训练样本类别总数，θij为训练样本j的特征向量与类别i的模板向量的夹角，mi表示类别i的边界裕量，s为尺度因子，y(j)为样本j的标签，λ为加权系数。
式(2)在Softmax的基础上，加入对于所有类别的边界裕量得到，即在SoftmaxLoss中计算出的样本与本类别模板的余弦距离结果上减去一个边界裕量并且此边界裕量是跟类别相关(即每个类别都有其各自不同的边界裕量)且可学习的(即这些边界裕量都是做为网络的参数，随着网络参数的更新而更新的)。
式(3)在式(2)的分类约束(即在Softmax上增加了类别的边界裕量后的形式)下添加对于所有边界裕量的均值的约束得到。
步骤S30，将人脸图像的特征进行与预设的人脸图像进行特征匹配，获取人脸识别结果。
预设的人脸图像可以为人脸图像库中的人脸图像，也可以为作为对比的另外一幅人脸图像，根据应用的场景不同，可以进行不同的选择，比如：在门禁系统中预设的人脸图像是预存储的人脸图像库，以快速进行人员身份识别；在寻人系统中预设的人脸图像为被寻找对象的人脸图像，以判断输入人脸图像和预设的人脸图像两张图像是否为同一个人。
对需要进行匹配的人脸图像计算他们之间特征向量的余弦距离，即可得到两张图片的人脸相似程度，余弦距离越大说明两张人脸越相似，余弦距离越小说明两张人脸越不相似。当采用人脸图像库为预设的人脸图像时可以选定与输入图像中人脸图像余弦距离最大的一个或几个预存储的人脸图像库中的人脸图像作为识别结果。
本发明实施例的一种基于神经网络的大规模非均衡数据的人脸识别系统，该系统包括预处理单元、特征提取单元、人脸识别单元；
所述预处理单元，配置为对输入的图像进行人脸检测，并基于人脸关键点信息对各人脸图像进行归一化处理，获取输入图像中得的人脸图像集合；
所述特征提取单元，配置为基于特征提取网络获取所述人脸图像集合中各人脸图像的特征；
所述人脸识别单元，配置为将人脸图像的特征进行与预设的人脸图像进行特征匹配，获取人脸识别结果；
其中，
所述特征提取网络基于卷积神经网络构建，并基于训练网络进行优化；
所述训练网络顺次包括数据层、所述特征提取网络、分类层、损失函数计算单元；所述数据层配置为通过动态调整样本权重来自适应地对训练样本采样；所述分类层配置为通过难类别模板挖掘进行类别模板采样；所述损失函数计算单元配置为通过预设的损失函数计算训练样本的损失，并通过预设的收敛条件控制训练迭代。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于神经网络的大规模非均衡数据的人脸识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于神经网络的大规模非均衡数据的人脸识别方法。
本发明实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于神经网络的大规模非均衡数据的人脸识别方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于神经网络的大规模非均衡数据的人脸识别方法，其特征在于，该方法包括以下步骤：
步骤S10，对输入的图像进行人脸检测，并基于人脸关键点信息对各人脸图像进行归一化处理，获取输入图像中的人脸图像集合；
步骤S20，基于特征提取网络获取所述人脸图像集合中各人脸图像的特征；
步骤S30，将人脸图像的特征进行与预设的人脸图像进行特征匹配，获取人脸识别结果；
其中，所述特征提取网络基于卷积神经网络构建，并对网络架构进行优化；
所述网络架构顺次包括数据层、所述特征提取网络、分类层、损失函数计算单元；所述数据层配置为通过动态调整样本权重来自适应地对训练样本采样；所述分类层配置为通过难类别模板挖掘进行类别模板采样；所述损失函数计算单元配置为通过预设的损失函数计算训练样本的损失，并通过预设的收敛条件控制训练迭代；所述预设的损失函数LAdM为：
LAdM＝Lad+λ*Lm
其中，Lad为带有可学习边界裕量的分类约束项，Lm为自适应边界裕量均值约束项，M为批大小，N为训练样本类别总数，θij为训练样本j的特征向量与类别i的模板向量的夹角，mi表示类别i的边界裕量，s为尺度因子，y(j)为样本j的标签，λ为加权系数。
2.根据权利要求1所述的基于神经网络的大规模非均衡数据的人脸识别方法，其特征在于，所述数据层中“通过动态调整样本权重来自适应地对训练样本采样”，其方法为：
在所述特征提取网络的迭代训练中，第一次迭代时对训练样本集中所有样本按照类别分配采样权重，第二次及之后的迭代过程中，对基于前一次迭代时所述分类层分类正确的训练样本，降低其采样权重重新进行采样。
3.根据权利要求1所述的基于神经网络的大规模非均衡数据的人脸识别方法，其特征在于，所述分类层中“通过难类别模板挖掘进行类别模板采样”，其方法为：
基于所述特征提取网络输出的训练样本的特征向量，计算训练样本与预设的各类别模板之间的相似分数，选取大于设定阈值的类别模板进行分类。
4.根据权利要求2-3任一项所述的基于神经网络的大规模非均衡数据的人脸识别方法，其特征在于，所述数据层中“第一次迭代时对训练样本集中所有样本按照类别分配采样权重”，其方法为：每个样本的初始化采样权重均相等，为1/n，其中n为该样本对应类别的样本数。
5.根据权利要求4所述的基于神经网络的大规模非均衡数据的人脸识别方法，其特征在于，“第二次及之后的迭代过程中，对基于前一次迭代时所述分类层分类正确的训练样本，降低其采样权重重新进行采样”中，采样权重降低0.1。
6.根据权利要求1-3任一项所述的基于神经网络的大规模非均衡数据的人脸识别方法，其特征在于，步骤S10中“获取输入图像中的人脸图像集合”，其方法为：
对输入的图像进行人脸检测；
对人脸图像进行关键点检测；
依据得到的关键点，采用旋转和/或缩放和/或平移操作对齐人脸，并按照预设尺寸剪取人脸图像，得到人脸图像集合。
7.一种基于神经网络的大规模非均衡数据的人脸识别系统，其特征在于，该系统包括预处理单元、特征提取单元、人脸识别单元；
所述预处理单元，配置为对输入的图像进行人脸检测，并基于人脸关键点信息对各人脸图像进行归一化处理，获取输入图像中的人脸图像集合；
所述特征提取单元，配置为基于特征提取网络获取所述人脸图像集合中各人脸图像的特征；
所述人脸识别单元，配置为将人脸图像的特征进行与预设的人脸图像进行特征匹配，获取人脸识别结果；
其中，
所述特征提取网络基于卷积神经网络构建，并基于训练网络进行优化；
所述训练网络顺次包括数据层、所述特征提取网络、分类层、损失函数计算单元；所述数据层配置为通过动态调整样本权重来自适应地对训练样本采样；所述分类层配置为通过难类别模板挖掘进行类别模板采样；所述损失函数计算单元配置为通过预设的损失函数计算训练样本的损失，并通过预设的收敛条件控制训练迭代；所述预设的损失函数LAdM为:
LAdM＝Lad+λ*Lm
其中，Lad为带有可学习边界裕量的分类约束项，Lm为自适应边界裕量均值约束项，M为批大小，N为训练样本类别总数，θij为训练样本j的特征向量与类别i的模板向量的夹角，mi表示类别i的边界裕量，s为尺度因子，y(j)为样本j的标签，λ为加权系数。
8.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-6任一项所述的基于神经网络的大规模非均衡数据的人脸识别方法。
9.一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-6任一项所述的基于神经网络的大规模非均衡数据的人脸识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168644.4A CN109948478B (zh) | 2019-03-06 | 2019-03-06 | 基于神经网络的大规模非均衡数据的人脸识别方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168644.4A CN109948478B (zh) | 2019-03-06 | 2019-03-06 | 基于神经网络的大规模非均衡数据的人脸识别方法、系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948478A CN109948478A (zh) | 2019-06-28 |
| CN109948478B true CN109948478B (zh) | 2021-05-11 |
Family
ID=67009240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910168644.4A Active CN109948478B (zh) | 2019-03-06 | 2019-03-06 | 基于神经网络的大规模非均衡数据的人脸识别方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948478B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110717394A (zh) * | 2019-09-06 | 2020-01-21 | 北京三快在线科技有限公司 | 人脸识别模型的训练方法、装置、电子设备和存储介质 |
| CN110688930B (zh) * | 2019-09-20 | 2023-07-18 | Oppo广东移动通信有限公司 | 人脸检测方法、装置、移动终端及存储介质 |
| CN110705489B (zh) * | 2019-10-09 | 2022-07-26 | 北京迈格威科技有限公司 | 目标识别网络的训练方法、装置、计算机设备和存储介质 |
| CN110880018B (zh) * | 2019-10-29 | 2023-03-14 | 北京邮电大学 | 一种卷积神经网络目标分类方法 |
| CN111222399B (zh) * | 2019-10-30 | 2022-02-18 | 腾讯科技（深圳）有限公司 | 一种图像中的对象标识信息识别方法、装置及存储介质 |
| CN111461190B (zh) * | 2020-03-24 | 2023-03-28 | 华南理工大学 | 一种基于深度卷积神经网络的非均衡船舶分类方法 |
| CN111160538B (zh) * | 2020-04-02 | 2020-09-01 | 北京精诊医疗科技有限公司 | 一种损失函数中margin参数值的更新方法和系统 |
| CN111860568B (zh) * | 2020-05-13 | 2022-02-08 | 北京嘀嘀无限科技发展有限公司 | 数据样本的均衡分布方法、装置及存储介质 |
| CN111665066B (zh) * | 2020-05-18 | 2021-06-11 | 东华大学 | 基于卷积神经网络的设备故障自适应上下预警界生成方法 |
| CN111666925B (zh) * | 2020-07-02 | 2023-10-17 | 北京爱笔科技有限公司 | 一种人脸识别模型的训练方法及装置 |
| CN111598190B (zh) * | 2020-07-21 | 2020-10-30 | 腾讯科技（深圳）有限公司 | 图像目标识别模型的训练方法、图像识别方法及装置 |
| CN111967392A (zh) * | 2020-08-18 | 2020-11-20 | 广东电科院能源技术有限责任公司 | 一种人脸识别神经网络训练方法、系统、设备及储存介质 |
| CN112329617B (zh) * | 2020-11-04 | 2022-10-21 | 中国科学院自动化研究所 | 基于单张源域样本的新场景人脸识别模型构建方法、系统 |
| CN113111698B (zh) * | 2020-12-30 | 2022-04-01 | 无锡乐骐科技股份有限公司 | 一种基于语义感知损失的人脸标志点检测方法 |
| CN112800959B (zh) * | 2021-01-28 | 2023-06-06 | 华南理工大学 | 一种用于人脸识别中数据拟合估计的困难样本发掘方法 |
| CN113052246B (zh) * | 2021-03-30 | 2023-08-04 | 北京百度网讯科技有限公司 | 用于训练分类模型及图像分类的方法和相关装置 |
| CN113392757B (zh) * | 2021-06-11 | 2023-08-15 | 恒睿(重庆)人工智能技术研究院有限公司 | 使用不均衡数据训练人体检测模型的方法及装置、介质 |
| CN113449848A (zh) * | 2021-06-28 | 2021-09-28 | 中国工商银行股份有限公司 | 卷积神经网络的训练方法、人脸识别方法及装置 |
| CN113723205A (zh) * | 2021-08-04 | 2021-11-30 | 中国人民解放军陆军勤务学院 | 一种基于人脸底库特征分组的人脸识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521656A (zh) * | 2011-12-29 | 2012-06-27 | 北京工商大学 | 非平衡样本分类的集成迁移学习方法 |
| CN102750526A (zh) * | 2012-06-25 | 2012-10-24 | 黑龙江科技学院 | 基于人脸图像的身份验证识别方法 |
| CN105512599A (zh) * | 2014-09-26 | 2016-04-20 | 数伦计算机技术（上海）有限公司 | 人脸识别方法及人脸识别系统 |
| CN106062774A (zh) * | 2014-11-15 | 2016-10-26 | 北京旷视科技有限公司 | 使用机器学习进行面部检测 |
| CN107273783A (zh) * | 2016-08-23 | 2017-10-20 | 苏州金脑袋智能系统工程有限公司 | 人脸识别系统及其方法 |
| CN108776835A (zh) * | 2018-05-28 | 2018-11-09 | 嘉兴善索智能科技有限公司 | 一种深度神经网络训练方法 |
| CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
-
2019
- 2019-03-06 CN CN201910168644.4A patent/CN109948478B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521656A (zh) * | 2011-12-29 | 2012-06-27 | 北京工商大学 | 非平衡样本分类的集成迁移学习方法 |
| CN102750526A (zh) * | 2012-06-25 | 2012-10-24 | 黑龙江科技学院 | 基于人脸图像的身份验证识别方法 |
| CN105512599A (zh) * | 2014-09-26 | 2016-04-20 | 数伦计算机技术（上海）有限公司 | 人脸识别方法及人脸识别系统 |
| CN106062774A (zh) * | 2014-11-15 | 2016-10-26 | 北京旷视科技有限公司 | 使用机器学习进行面部检测 |
| CN107273783A (zh) * | 2016-08-23 | 2017-10-20 | 苏州金脑袋智能系统工程有限公司 | 人脸识别系统及其方法 |
| CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技（深圳）有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
| CN108776835A (zh) * | 2018-05-28 | 2018-11-09 | 嘉兴善索智能科技有限公司 | 一种深度神经网络训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948478A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948478B (zh) | 基于神经网络的大规模非均衡数据的人脸识别方法、系统 | |
| CN110069994B (zh) | 基于人脸多区域的人脸属性识别系统、方法 | |
| CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| EP3989104A1 (en) | Facial feature extraction model training method and apparatus, facial feature extraction method and apparatus, device, and storage medium | |
| EP2806374A1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
| CN111241992B (zh) | 人脸识别模型构建方法、识别方法、装置、设备及存储介质 | |
| US11568179B2 (en) | Selecting an algorithm for analyzing a data set based on the distribution of the data set | |
| US8121967B2 (en) | Structural data classification | |
| CN114389966A (zh) | 基于图神经网络和流时空关联的网络流量识别方法和系统 | |
| CN110765882A (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
| CN110162657B (zh) | 一种基于高层语义特征和颜色特征的图像检索方法及系统 | |
| CN111340233B (zh) | 机器学习模型的训练方法及装置、样本处理方法及装置 | |
| CN112818995B (zh) | 图像分类方法、装置、电子设备及存储介质 | |
| CN113344016A (zh) | 深度迁移学习方法、装置、电子设备及存储介质 | |
| CN114419363A (zh) | 基于无标注样本数据的目标分类模型训练方法及装置 | |
| CN114726692B (zh) | 一种基于SEResNet-LSTM的辐射源调制方式识别方法 | |
| WO2015146113A1 (ja) | 識別辞書学習システム、識別辞書学習方法および記録媒体 | |
| CN114758199A (zh) | 检测模型的训练方法、装置、设备和存储介质 | |
| CN115601629A (zh) | 模型训练方法、图像识别方法、介质、装置和计算设备 | |
| CN115937703A (zh) | 一种用于遥感图像目标检测的增强特征提取方法 | |
| CN113762382B (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
| CN112446428B (zh) | 一种图像数据处理方法及装置 | |
| CN112418256A (zh) | 分类、模型训练、信息搜索方法、系统及设备 | |
| CN117371511A (zh) | 图像分类模型的训练方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |