CN110210325A - 一种人脸识别模型构建方法及其系统、装置、存储介质 - Google Patents
一种人脸识别模型构建方法及其系统、装置、存储介质 Download PDFInfo
- Publication number
- CN110210325A CN110210325A CN201910383510.4A CN201910383510A CN110210325A CN 110210325 A CN110210325 A CN 110210325A CN 201910383510 A CN201910383510 A CN 201910383510A CN 110210325 A CN110210325 A CN 110210325A
- Authority
- CN
- China
- Prior art keywords
- class
- sample
- data collection
- human face
- extension
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种人脸识别模型构建方法及其系统、装置、存储介质,通过生成用于进行样本扩展的类内变化数据集,利用所述类内变化数据集生成扩展样本,再利用所述扩展样本对轻量卷积神经网络进行训练,可以有效增加样本的规模,弥补训练样本不足的问题,提升训练效果,提高最终人脸识别模型的性能;另外,通过引入轻量卷积神经网络,由于轻量卷积神经网络的参数较少,能够在保证良好性能的基础上简单便捷地应用于嵌入式设备中。
Description
技术领域
本发明涉及人脸识别技术领域,尤其是一种人脸识别模型构建方法及其系统、装置、存储介质。
背景技术
近年来,随着人们对生物识别系统安全性和准确性的要求越来越高,生物特征识别技术得到越来越多的关注。人脸识别作为众多生物特征识别技术中的一种,由于具有符合人类认知习惯、采集简单、非接触性、并发性等优点,成为当前研究的热点。
现有的人脸识别技术很大程度上依赖于训练样本的规模,但在实际情况中,如移民管理、逃犯追踪和视频监控等,样本的规模较小,这将会导致人脸识别系统的性能下降,甚至无法工作。
发明内容
为解决上述问题,本发明的目的在于提供一种人脸识别模型构建方法及其系统、装置、存储介质,能够有效扩展用于训练的样本,提升人脸识别模型的准确率。
本发明解决其问题所采用的技术方案是:
第一方面,本发明实施例提出了一种人脸识别模型构建方法,包括:
生成用于进行样本扩展的类内变化数据集;
利用所述类内变化数据集生成扩展样本;
利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型。
进一步,所述生成用于进行样本扩展的类内变化数据集,包括:
构建包含类内变化图像和中性图像的外加正面数据集;
生成所述外加正面数据集中的类内变化图像的类内变化偏差;
找出具有相同的类内变化偏差的类内变化图像,生成类内变化平均图像;
利用所述类内变化平均图像构建类内变化数据集。
进一步,所述利用所述类内变化数据集生成扩展样本,包括:
输入单样本人脸数据集;
裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同;
将类内变化数据集与裁剪后的单样本人脸数据集组合生成扩展样本。
进一步,所述利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型,包括:
通过迁移学习将特征表示中全连接层之前的网络冻结;
对所述扩展样本进行预处理;
利用所述扩展样本进行迭代训练并对全连接层的参数进行微调,直至交叉熵损失函数达到最小。
第二方面,本发明实施例还提出了一种人脸识别模型构建系统,包括:
数据生成单元,用于生成用于进行样本扩展的类内变化数据集;
样本扩展单元,用于利用所述类内变化数据集生成扩展样本;
模型训练单元,用于利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型。
进一步,所述数据生成单元包括:
第一构建模块,用于构建包含类内变化图像和中性图像的外加正面数据集;
偏差生成模块,用于生成所述外加正面数据集中的类内变化图像的类内变化偏差;
图像寻找模块,用于找出具有相同的类内变化偏差的类内变化图像,生成类内变化平均图像;
第二构建模块,用于利用所述类内变化平均图像构建类内变化数据集。
进一步,所述样本扩展单元包括:
输入模块,用于输入单样本人脸数据集;
裁剪模块,用于裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同;
组合模块,用于将类内变化数据集与裁剪后的单样本人脸数据集组合生成扩展样本。
进一步,所述模型训练单元包括:
冻结模块,用于通过迁移学习将特征表示中全连接层之前的网络冻结;
预处理模块,用于对所述扩展样本进行预处理;
迭代训练模块,用于利用所述扩展样本进行迭代训练并对全连接层的参数进行微调,直至交叉熵损失函数达到最小。
第三方面,本发明实施例还提出了一种人脸识别模型构建装置,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明第一方面所述的方法。
第四方面,本发明实施例还提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行本发明第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明提供的一种人脸识别模型构建方法及其系统、装置、存储介质,通过生成用于进行样本扩展的类内变化数据集,利用所述类内变化数据集生成扩展样本,再利用所述扩展样本对轻量卷积神经网络进行训练,可以有效增加样本的规模,弥补训练样本不足的问题,提升训练效果,提高最终人脸识别模型的性能;另外,通过引入轻量卷积神经网络,由于轻量卷积神经网络的参数较少,能够在保证良好性能的基础上简单便捷地应用于嵌入式设备中。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明第一实施例中人脸识别模型构建方法的流程图;
图2是本发明第一实施例中生成用于进行样本扩展的类内变化数据集的流程图;
图3是本发明第一实施例中利用所述类内变化数据集生成扩展样本的流程图;
图4是本发明第一实施例中利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型的流程图;
图5a是本发明第一实施例中轻量卷积神经网络的架构图;
图5b是本发明第一实施例中轻量卷积神经网络的最大特征映射的示意图;
图6是本发明第二实施例中人脸识别模型构建系统的结构简图;
图7是本发明第三实施例中人脸识别模型构建装置的结构简图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面结合附图,对本发明实施例作进一步阐述。
参照图1,本发明的第一实施例提供了一种人脸识别模型构建方法,包括但不限于以下步骤:
S100:生成用于进行样本扩展的类内变化数据集;
S200:利用所述类内变化数据集生成扩展样本;
S300:利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型。
一般来说,现有普通的训练样本一般只含有人脸的正面图像,其中,类内变化数据集含有人脸的变化图像,例如人脸处于被遮挡的状态、不同的表情和不同的环境光线等变化的样本。例如微笑、愤怒、尖叫、左光照、右光照、全光照、戴墨镜,或者这些要素之间的组合,例如戴墨镜和左光照、戴墨镜和右光照、戴围巾、戴围巾和左光照、戴围巾和右光照等。
其中,通过生成用于进行样本扩展的类内变化数据集,利用所述类内变化数据集生成扩展样本,再利用所述扩展样本对轻量卷积神经网络进行训练,可以有效增加样本的规模,弥补训练样本不足的问题,提升训练效果,提高最终人脸识别模型的性能;另外,通过引入轻量卷积神经网络,由于轻量卷积神经网络的参数较少,能够在保证良好性能的基础上简单便捷地应用于嵌入式设备中。
进一步地,参照图2,S100:生成用于进行样本扩展的类内变化数据集,具体包括:
S110:构建包含类内变化图像和中性图像的外加正面数据集;
S120:生成所述外加正面数据集中的类内变化图像的类内变化偏差;
S130:找出具有相同的类内变化偏差的类内变化图像,生成类内变化平均图像;
S140:利用所述类内变化平均图像构建类内变化数据集。
其中,类内变化图像即类内变化数据集中人脸的变化图像,中性图像即人脸的正面图像,每一张中性图像都对应有若干张同一人脸的类内变化图像。
具体地,类内变化偏差的生成方式如下:假设在外加正面数据集中有m个受试者,每个受试者都有(n-1)张变化图像和一张中性图像,用X表示数据集,设Xij表示第i个人的第j个变化图像。其中i∈[1,m],j∈[1,n],令j=1表示中性图像。用数据集的变化图像(Xij,j≠1)减去对应的中性图像Xi1得到变化图像相对于其中性图像的偏差,如下:
εij=Xij-Xi1,j≠1
然后,生成类内变化平均图像:
通过找出具有相同的类内变化偏差的类内变化图像,生成类内变化平均图像,可以降低类内变化图像的误差。
最后,利用所述类内变化平均图像构建类内变化数据集:
进一步地,参照图3,S200:利用所述类内变化数据集生成扩展样本,具体包括:
S210:输入单样本人脸数据集;
S220:裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同;
S230:将类内变化数据集与裁剪后的单样本人脸数据集组合生成扩展样本。
其中,单样本人脸数据集是现有的人脸识别技术中常用的训练样本,储存有每个人的一幅正面的人脸图像(即中性图像)。裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同,目的是使得单样本人脸数据集与类内变化数据集的图像对齐,使得最终生成的扩展样本中的图像对齐,便于进行训练。将类内变化数据集与裁剪后的单样本人脸数据集组合后,生成的扩展样本如下:
其中Xk1为k个人的中性人脸图像,Dek为k个人的扩展样本,为类内变化数据集中的人脸图像。
当然,单样本人脸数据集与类内变化数据集中的人脸是对应的,单样本人脸数据集中每一幅中性图像在类内变化数据集中都有若干幅同一人脸的变化图像。
进一步地,参照图4,S300:利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型,具体包括:
S310:通过迁移学习将特征表示中全连接层之前的网络冻结;
S320:对所述扩展样本进行预处理;
S330:利用所述扩展样本进行迭代训练并对全连接层的参数进行微调,直至交叉熵损失函数达到最小。
参照图5a,轻量卷积神经网络采用LightCNN-4,由4个卷积层,4个池化层组成,每个卷积层与池化层之间加入一个最大特征映射的激活函数使该网络能够区分噪声数据和信息数据,而且能够学习到更加紧凑的人脸特征。除此以外,也可以使用其他轻量级的网络模型,例如SqueezeNet,ShuffleNet、MobileNet等。
最大特征映射如图5b所示,假定输入卷积层C∈R×w×2n,最大特征映射激活函数可以写成:
其中输入卷积层的通道为2n,i∈[1,],j∈[1,w]。
全连接层在整个轻量卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。其中,通过迁移学习将特征表示中全连接层之前的网络冻结,在保证全连接层之前的网络参数的稳定性的同时,简化后续对全连接层的参数微调的步骤,提高运行效率。
其中,对所述扩展样本进行预处理,包括灰度化,归一化等操作,能够避免出现图像对比度不足或者图像像素亮度分布不平衡的现象,从而对后续处理带来干扰。
最后,利用所述扩展样本进行迭代训练并对全连接层的参数进行微调,直至交叉熵损失函数达到最小,即可得到最终的人脸识别模型。其中,交叉熵刻画的是实际输出(概率)与期望输出(概率)的距离,也就是交叉熵的值越小,两个概率分布就越接近。假设概率分布p为期望输出,概率分布q为实际输出,H(p,q)为交叉熵,则:
以下对全连接层的参数微调后的网络进行验证。验证阶段可以使用计算扩展样本和实际样本的欧式距离来作为相似性度量方法。
第一步,计算扩展样本与实际图像Ed之间的欧氏距离。假设有m个人和n个变量,将扩展样本标记为De,将实际样本标记为Da,使用扩展样本Deij中第i个人图像中第j个变化的每个像素减去实际图像Daij中第i个人图像中第j个变化对应的像素。由此得到第i个人第j个变化图像在扩展样本Deij和实际图像Daij之间的欧氏距离为:
Edij=Deij-Daij
其中i∈[1,m],j∈[1,n]。
第二步,计算第j个变化作为第j个类内变化阈值的平均欧氏距离,如下:
第三步,计算相似图像的数量。设Nj表示第j个变化图像的相似个数。当欧式距离Edij大于类内变化阈值时,认为扩展样本与实际图像不相似。反之,则相似,如下式:
相似
不相似
第四步,计算扩展样本和实际样本中第j个变化的相似性ηj,如下式:
通过上述的方法进行验证后得知,通过变化图像与中性图像的类内变化偏差得到类内变化平均图像,构建类内变化数据集,并将单样本人脸数据集与类内变化数据集叠加组合来实现样本扩展,然后通过引入轻量卷积神经网络,并仅针对全连接层的参数进行微调,能够有效提升最终得到的人脸识别模型的性能。
另外,参照图6,本发明的第二实施例提供了一种人脸识别模型构建系统,包括:
数据生成单元110,用于生成用于进行样本扩展的类内变化数据集;
样本扩展单元120,用于利用所述类内变化数据集生成扩展样本;
模型训练单元130,用于利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型。
进一步地,所述数据生成单元110包括:
第一构建模块111,用于构建包含类内变化图像和中性图像的外加正面数据集;
偏差生成模块112,用于生成所述外加正面数据集中的类内变化图像的类内变化偏差;
图像寻找模块113,用于找出具有相同的类内变化偏差的类内变化图像,生成类内变化平均图像;
第二构建模块114,用于利用所述类内变化平均图像构建类内变化数据集。
进一步地,所述样本扩展单元120包括:
输入模块121,用于输入单样本人脸数据集;
裁剪模块122,用于裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同;
组合模块123,用于将类内变化数据集与裁剪后的单样本人脸数据集组合生成扩展样本。
进一步地,所述模型训练单元130包括:
冻结模块131,用于通过迁移学习将特征表示中全连接层之前的网络冻结;
预处理模块132,用于对所述扩展样本进行预处理;
迭代训练模块133,用于利用所述扩展样本进行迭代训练并对全连接层的参数进行微调,直至交叉熵损失函数达到最小。
本实施例中的人脸识别模型构建系统与第一实施例中的人脸识别模型构建方法基于相同的发明构思,因此,本实施例中的人脸识别模型构建系统具有相同的有益效果:数据生成单元110通过生成用于进行样本扩展的类内变化数据集,样本扩展单元120利用所述类内变化数据集生成扩展样本,模型训练单元130再利用所述扩展样本对轻量卷积神经网络进行训练,可以有效增加样本的规模,弥补训练样本不足的问题,提升训练效果,提高最终人脸识别模型的性能;另外,通过引入轻量卷积神经网络,由于轻量卷积神经网络的参数较少,能够在保证良好性能的基础上简单便捷地应用于嵌入式设备中。
参照图7,本发明的第三实施例还提供了一种人脸识别模型构建装置,包括:
至少一个处理器;
以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述第一实施例中任意一种人脸识别模型构建方法。
该装置200可以是任意类型的智能终端,例如手机、平板电脑、个人计算机等。
处理器和存储器可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块,如本发明实施例中的人脸识别模型构建方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行装置200的各种功能应用以及数据处理,即实现上述任一方法实施例的人脸识别模型构建方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据装置200的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该装置200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任意方法实施例中的人脸识别模型构建方法,例如,执行以上描述的第一实施例中的方法步骤S100至S300。
本发明的第四实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,例如,被图7中的一个处理器执行,可使得上述一个或多个处理器执行上述方法实施例中的一种人脸识别模型构建方法,例如第一实施例中的方法步骤S100至S300。
以上所描述的装置实施例仅仅是示意性的,其中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,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模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种人脸识别模型构建方法,其特征在于,包括:
生成用于进行样本扩展的类内变化数据集;
利用所述类内变化数据集生成扩展样本;
利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型。
2.根据权利要求1所述的一种人脸识别模型构建方法,其特征在于,
所述生成用于进行样本扩展的类内变化数据集,包括:
构建包含类内变化图像和中性图像的外加正面数据集;
生成所述外加正面数据集中的类内变化图像的类内变化偏差;
找出具有相同的类内变化偏差的类内变化图像,生成类内变化平均图像;
利用所述类内变化平均图像构建类内变化数据集。
3.根据权利要求1所述的一种人脸识别模型构建方法,其特征在于,
所述利用所述类内变化数据集生成扩展样本,包括:
输入单样本人脸数据集;
裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同;
将类内变化数据集与裁剪后的单样本人脸数据集组合生成扩展样本。
4.根据权利要求1所述的一种人脸识别模型构建方法,其特征在于,
所述利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型,包括:
通过迁移学习将特征表示中全连接层之前的网络冻结;
对所述扩展样本进行预处理;
利用所述扩展样本进行迭代训练并对全连接层的参数进行微调,直至交叉熵损失函数达到最小。
5.一种人脸识别模型构建系统,其特征在于,包括:
数据生成单元,用于生成用于进行样本扩展的类内变化数据集;
样本扩展单元,用于利用所述类内变化数据集生成扩展样本;
模型训练单元,用于利用所述扩展样本对轻量卷积神经网络进行训练,得到人脸识别模型。
6.根据权利要求5所述的一种人脸识别模型构建系统,其特征在于,
所述数据生成单元包括:
第一构建模块,用于构建包含类内变化图像和中性图像的外加正面数据集;
偏差生成模块,用于生成所述外加正面数据集中的类内变化图像的类内变化偏差;
图像寻找模块,用于找出具有相同的类内变化偏差的类内变化图像,生成类内变化平均图像;
第二构建模块,用于利用所述类内变化平均图像构建类内变化数据集。
7.根据权利要求5所述的一种人脸识别模型构建系统,其特征在于,
所述样本扩展单元包括:
输入模块,用于输入单样本人脸数据集;
裁剪模块,用于裁剪所述单样本人脸数据集至与所述类内变化数据集尺寸相同;
组合模块,用于将类内变化数据集与裁剪后的单样本人脸数据集组合生成扩展样本。
8.根据权利要求5所述的一种人脸识别模型构建系统,其特征在于,
所述模型训练单元包括:
冻结模块,用于通过迁移学习将特征表示中全连接层之前的网络冻结;
预处理模块,用于对所述扩展样本进行预处理;
迭代训练模块,用于利用所述扩展样本进行迭代训练并对全连接层的参数进行微调,直至交叉熵损失函数达到最小。
9.一种人脸识别模型构建装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383510.4A CN110210325A (zh) | 2019-05-09 | 2019-05-09 | 一种人脸识别模型构建方法及其系统、装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910383510.4A CN110210325A (zh) | 2019-05-09 | 2019-05-09 | 一种人脸识别模型构建方法及其系统、装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210325A true CN110210325A (zh) | 2019-09-06 |
Family
ID=67785664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910383510.4A Pending CN110210325A (zh) | 2019-05-09 | 2019-05-09 | 一种人脸识别模型构建方法及其系统、装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210325A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079624A (zh) * | 2019-12-11 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种样本信息采集的方法、装置、电子设备以及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416314A (zh) * | 2018-03-16 | 2018-08-17 | 中山大学 | 图片重要人脸检测方法 |
CN108427921A (zh) * | 2018-02-28 | 2018-08-21 | 辽宁科技大学 | 一种基于卷积神经网络的人脸识别方法 |
CN108898123A (zh) * | 2018-07-09 | 2018-11-27 | 成都考拉悠然科技有限公司 | 一种基于特征分析的人脸识别方法 |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和系统 |
-
2019
- 2019-05-09 CN CN201910383510.4A patent/CN110210325A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427921A (zh) * | 2018-02-28 | 2018-08-21 | 辽宁科技大学 | 一种基于卷积神经网络的人脸识别方法 |
CN108416314A (zh) * | 2018-03-16 | 2018-08-17 | 中山大学 | 图片重要人脸检测方法 |
CN108898123A (zh) * | 2018-07-09 | 2018-11-27 | 成都考拉悠然科技有限公司 | 一种基于特征分析的人脸识别方法 |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和系统 |
Non-Patent Citations (1)
Title |
---|
赵晓晓: "单训练样本人脸识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079624A (zh) * | 2019-12-11 | 2020-04-28 | 北京金山云网络技术有限公司 | 一种样本信息采集的方法、装置、电子设备以及介质 |
CN111079624B (zh) * | 2019-12-11 | 2023-09-01 | 北京金山云网络技术有限公司 | 一种样本信息采集的方法、装置、电子设备以及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555112B (zh) | 一种基于用户正负偏好学习的兴趣点推荐方法 | |
CN111914054B (zh) | 用于大规模语义索引的系统和方法 | |
CN109447140B (zh) | 一种基于神经网络深度学习的图像识别并推荐认知的方法 | |
Liu et al. | Incdet: In defense of elastic weight consolidation for incremental object detection | |
WO2020114118A1 (zh) | 面部属性识别方法、装置、存储介质及处理器 | |
CN108595601A (zh) | 一种融入Attention机制的长文本情感分析方法 | |
Jiang et al. | Variational deep embedding: A generative approach to clustering | |
CN108537147A (zh) | 一种基于深度学习的手势识别方法 | |
Yang et al. | Triplet Enhanced AutoEncoder: Model-free Discriminative Network Embedding. | |
Lee et al. | Learnable dynamic temporal pooling for time series classification | |
CN109753602A (zh) | 一种基于机器学习的跨社交网络用户身份识别方法和系统 | |
CN107292097A (zh) | 基于特征组的特征选择方法、及中医主症选择方法 | |
CN112131261B (zh) | 基于社区网络的社区查询方法、装置和计算机设备 | |
CN109584006A (zh) | 一种基于深度匹配模型的跨平台商品匹配方法 | |
CN109710842B (zh) | 业务信息的推送方法、装置及可读存储介质 | |
CN108345900A (zh) | 基于颜色纹理分布特征的行人重识别方法及其系统 | |
Lu | Application of wireless network and machine learning algorithm in entrepreneurship education of remote intelligent classroom | |
Xu et al. | Idhashgan: deep hashing with generative adversarial nets for incomplete data retrieval | |
Gao et al. | Attention driven multi-modal similarity learning | |
Li et al. | Online knowledge distillation by temporal-spatial boosting | |
CN110210325A (zh) | 一种人脸识别模型构建方法及其系统、装置、存储介质 | |
Ou et al. | Improving person re-identification by multi-task learning | |
Zhao et al. | Modified generative adversarial networks for image classification | |
CN116452322A (zh) | 信用卡推荐方法及装置 | |
Gong et al. | Autonomous learning of foreign language based on facial emotion recognition and cloud computing |
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 |