CN110415815A - 深度学习和人脸生物特征信息的遗传病辅助诊断系统 - Google Patents
深度学习和人脸生物特征信息的遗传病辅助诊断系统 Download PDFInfo
- Publication number
- CN110415815A CN110415815A CN201910652357.0A CN201910652357A CN110415815A CN 110415815 A CN110415815 A CN 110415815A CN 201910652357 A CN201910652357 A CN 201910652357A CN 110415815 A CN110415815 A CN 110415815A
- Authority
- CN
- China
- Prior art keywords
- data
- face
- attention
- module
- deep learning
- 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
- 208000026350 Inborn Genetic disease Diseases 0.000 title claims abstract description 26
- 208000024556 Mendelian disease Diseases 0.000 title claims abstract description 26
- 208000028782 Hereditary disease Diseases 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 239000002131 composite material Substances 0.000 abstract description 2
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了深度学习和人脸生物特征信息的遗传病辅助诊断系统，辅助诊断系统通过信息采集步骤、预处理模块步骤、注意力特征计算、注意力加权和数据输出步骤，实现数据的采集输入、数据计算分析和数据结果的输出，本发明实现对部分遗传病的快速识别，其中的关键点是利用人脸照片来计算生物特征信息；结合了深度学习中卷积神经网络来进行特征提取和计算；自定义了一类自动计算空间注意力机制的模块；图像预处理流程矫正人脸，提升识别率；利用多层级的注意力、残差和辅助输出组合模块增加识别能力。
Description
技术领域
本发明涉及深度学习和图像处理领域方法，具体是基于深度学习中的卷积神经网络对人脸照片进行特征提取并分析得出患有某种遗传病的概率。
背景技术
现有技术的技术方案，在本领域中，未找到非常类似的实施方案，中国201710371620.X号专利提出了利用病理结果与预设检测系统对比来确定遗传病基因诊断的审核方法。中国201710174877.6号专利公开了一种基于深度学习进行基因关联分析的方法。
现有技术的缺点，目前解决方案主要存在以下几方面问题：
1.目前解决方案中对于遗传病的诊断方式基本是利用基因检测的方式，通过比对基因信息从病理发生的源头分析来实现遗传病的诊断，诊断成本较高，整体流程耗时较长。
2.目前解决方案所用的数据信息都需要专业设备进行采集、提取、分析，工艺流程复杂。
3.目前解决方案的采集过程对儿童来讲接受度不高，采集过程遇阻概率较大。
发明内容
本发明要解决的技术问题是目前解决方案中对于遗传病的诊断方式基本是利用基因检测的方式，通过比对基因信息从病理发生的源头分析来实现遗传病的诊断，诊断成本较高，整体流程耗时较长。目前解决方案所用的数据信息都需要专业设备进行采集、提取、分析，工艺流程复杂。目前解决方案的采集过程对儿童来讲接受度不高，采集过程遇阻概率较大。
为解决上述技术问题，本发明采用如下技术手段：
深度学习和人脸生物特征信息的遗传病辅助诊断系统，辅助诊断系统通过信息采集、预处理、注意力特征计算、注意力加权和数据输出步骤，实现数据的采集输入、数据计算分析和数据结果的输出，步骤具体内容如下：
步骤1：信息采集：利用数码相机、手机、摄像头等采集到现实世界的人脸照片，得到原始数据；
步骤2，预处理：原始数据的图片经过预处理模块进行处理得到矫正和特征对齐的人脸图像；
步骤3，注意力特征计算：预处理后图像数据经多层注意力模块来生成各自层对应的注意力权重掩膜；
步骤4，注意力加权：将各层级的注意力模块计算得到的权重掩膜与对应层级的残差模块计算得到的数据进行相加，得到注意力加权的特征数据；
步骤5，数据输出：根据流程当前的功能阶段可以分为训练阶段和验证使用阶段，当处于验证使用阶段时，直接输出识别结果；而当处于训练阶段时，步骤4中每个层级得到的加权计算数据直接通过对应层级的辅助输出模块作为输出的一部分，跟最终输出数据一样分别与训练数据标签进行计算误差，根据误差的反向传播计算并确定梯度下降最快方向，迭代计算直至网络模型收敛，最终完成训练模型。
本发明主要从其他方向解决部分遗传病辅助诊断问题，只需一张人脸照片，利用深度卷积神经网络来分析人脸中的生物特征信息，完成对部分遗传病的快速诊断。
作为优选，本发明更进一步的技术方案是：
所述的预处理模块功能实现的流程步骤如下：
步骤1，人脸检测算法，实现照片中人脸区域定位和分割，得到人脸整图；
步骤2，人脸整图进行landmark关键点检测，得到正面人脸中共计68个特征关键点；
步骤3，根据关键点，主要根据嘴角、鼻梁和双眼部分关键点，综合三个方向上的连线计算矫正所需的旋转矩阵，利用仿射变换的方式得到矫正后的人脸图片。
所述的多层级注意力模块、残差模块和辅助输出模块相结合，处理流程如下：
步骤1，将网络模型分为多个层级后，每个层级由一个残差模块、一个辅助输出模块和一个注意力模块组成，每个层级输入前的数据首先经残差模块计算，根据当前所处是训练或是验证预测阶段得到的残差特征数据分别分为三路和两路，第一路送入注意力模块中进行计算，得到与输入数据在2D方向上同尺寸的权重掩膜；
步骤2，对步骤1得到的权重掩膜，直接与步骤1中得到的残差特征数据进行按位相乘操作，得到带有注意力权重的特征数据；
步骤3，根据系统所处的阶段性质不同，如果处于训练阶段，需要将步骤1得到的残差特征送入辅助输出模块，得到当前层级的辅助输出数据；如果处于验证预测阶段，该步骤可免除；
步骤4，每个层级重复步骤1~3的操作，通过最后一层的残差模块得到最后输出数据；
步骤5，步骤4中得到的最后输出数据根据阶段性质不同，如处于训练阶段：最后输出数据和多层级的辅助输出数据分别计算误差，更新模型，如处于验证预测阶段，直接将最后输出数据进行对应标签类的概率得分，得到最终结果。
所述的注意力特征计算，多层级的残差模块、注意力模块和辅助输出模块组合。
所述的人脸区域定位和分割通过MTCNN模型实现。
所述的得到正面人脸中共计68个特征关键点通过级联回归树算法实现。
所述的注意力模块，通过计算得到与输入同样尺寸的权重掩膜。
所述的辅助输出模块，通过多层级的辅助输出与最终输出协助完成模型的训练。
所述的更新模型为嘴角、鼻梁和眼角的对应连线，综合计算得到旋转矩阵，据此利用仿射变换完成正人脸面矫正。
本发明经自建数据集合验证，目前能够在8类遗传病判定中达到89.4%的准确率，理论上可以搜集更多类的样本图片进行训练，发明方法的分类能力将进一步提升。该方法只需数码相机、手机、摄像头等设备拍摄的人脸照片作为测试数据，无需其他专业采集设备进行采集和分析数据，流程简单、结果输出快速，无论是人工、成本还是效率上比传统方法有了全面提升。
本发明实现对部分遗传病的快速识别，其中的关键点是利用人脸照片来计算生物特征信息；结合了深度学习中卷积神经网络来进行特征提取和计算；自定义了一类自动计算空间注意力机制的模块；图像预处理流程矫正人脸，提升识别率；利用多层级的注意力、残差和辅助输出组合模块增加识别能力。
附图说明
图1为本发明的解决方案流程图。
图2为本发明的图像预处理流程图。
图3为本发明的图像矫正流程图
图4为本发明的注意力模块流程图。
图5为本发明的现实世界的人脸照片。
图6为本发明的人脸区域图像。
图7为本发明的经人脸检测得到的人脸区域图。
图8为本发明的landmark关键点检测图。
图9为本发明的矫正后人脸区域图像。
具体实施方式
下面结合实施例，进一步说明本发明。
具体实施例1：
参见图1可知，本发明深度学习和人脸生物特征信息的遗传病辅助诊断系统，辅助诊断系统通过信息采集步骤、预处理模块步骤、注意力特征计算、注意力加权和数据输出步骤，实现数据的采集输入、数据计算分析和数据结果的输出，步骤具体内容如下：
步骤1：信息采集：利用数码相机、手机等采集到现实世界的人脸照片，得到原始数据；如图5所示。
步骤2，预处理：原始数据的图片经过预处理模块进行处理得到矫正和特征对齐的人脸图像； 如图6所示。
步骤3，注意力特征计算：预处理后图像数据经多层注意力模块来生成各自层对应的注意力权重掩膜；如图4所示。
步骤4，注意力加权：将各层级的注意力模块计算得到的权重掩膜与对应层级的残差模块计算得到的数据进行相加，得到注意力加权的特征数据；
步骤5，数据输出：根据流程当前的功能阶段可以分为训练阶段和验证使用阶段，当处于验证使用阶段时，直接输出识别结果；而当处于训练阶段时，步骤4中每个层级得到的加权计算数据直接通过对应层级的辅助输出模块作为输出的一部分，跟最终输出数据一样分别与训练数据标签进行计算误差，根据误差的反向传播计算并确定梯度下降最快方向，迭代计算直至网络模型收敛，最终完成训练模型。
具体实施例2：
预处理模块功能实现的流程步骤如下：
步骤1，人脸检测算法，实现照片中人脸的定位和分割，得到人脸区域图；例如MTCNN模型实现照片中人脸区域的定位和分割，得到人脸区域图像，如图7所示。
步骤2，对人脸区域图进行landmark关键点检测，得到正面人脸中共计68个特征关键点；得到正面人脸区域中共计68个特征关键点通过级联回归树算法实现。如图8所示。
步骤3，根据关键点，主要根据嘴角、鼻梁和双眼部分关键点，综合三个方向上的连线计算矫正所需的旋转矩阵，利用仿射变换的方式得到矫正后的人脸图片。如图3，流程如图9所示。
具体实施例3：
注意力特征计算和加权需要结合多层级注意力模块、残差模块和辅助输出模块综合计算，处理流程如下：
步骤1，将网络模型分为多个层级后，每个层级由一个残差模块、一个辅助输出模块和一个注意力模块组成，每个层级输入前的数据首先经残差模块计算，根据当前所处是训练或是验证预测阶段得到的残差特征数据分别分为三路和两路，第一路送入注意力模块中进行计算，得到与输入数据在2D方向上同尺寸的权重掩膜；
步骤2，对步骤1得到的权重掩膜，直接与步骤1中得到的残差特征数据进行按位相乘操作，得到带有注意力权重的特征数据；
步骤3，根据系统所处的阶段性质不同，如果处于训练阶段，需要将步骤1得到的残差特征送入辅助输出模块，得到当前层级的辅助输出数据；如果处于验证预测阶段，该步骤可免除。
步骤4，每个层级重复步骤1~3的操作，通过最后一层的残差模块得到最后输出数据；
步骤5，步骤4中得到的最后输出数据根据阶段性质不同，如处于训练阶段：最后输出数据和多层级的辅助输出数据分别计算误差，更新模型，如处于验证预测阶段，直接将最后输出数据进行对应标签类的概率得分，得到最终结果。
具体实施例4：
图5是现实世界的人脸照片；图6 经过预处理得到的人脸区域图像；图7 经人脸检测得到的人脸区域图；图8 landmark关键点检测；图9 矫正后人脸图像。
从网络公开源中搜集了8类遗传病照片共1492张作为自建数据集合，经过训练后在测试集上的识别正确率为89.4%
由于以上所述仅为本发明的具体实施方式，但本发明的保护不限于此，任何本技术领域的技术人员所能想到本技术方案技术特征的等同的变化或替代，都涵盖在本发明的保护范围之内。
Claims (9)
1.深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：辅助诊断系统通过信息采集、预处理、注意力特征计算、注意力加权和数据输出步骤，实现数据的采集输入、数据计算分析和数据结果的输出，步骤具体内容如下：
步骤1：信息采集：利用数码相机、手机、摄像头等采集到现实世界的人脸照片，得到原始数据；
步骤2，预处理：原始数据的图片经过预处理模块进行处理得到矫正和特征对齐的人脸图像；
步骤3，注意力特征计算：预处理后图像数据经多层注意力模块来生成各自层对应的注意力权重掩膜；
步骤4，注意力加权：将各层级的注意力模块计算得到的权重掩膜与对应层级的残差模块计算得到的数据进行相加，得到注意力加权的特征数据；
步骤5，数据输出：根据流程当前的功能阶段可以分为训练阶段和验证使用阶段，当处于验证使用阶段时，直接输出识别结果；而当处于训练阶段时，步骤4中每个层级得到的加权计算数据直接通过对应层级的辅助输出模块作为输出的一部分，跟最终输出数据一样分别与训练数据标签进行计算误差，根据误差的反向传播计算并确定梯度下降最快方向，迭代计算直至网络模型收敛，最终完成训练模型。
2.根据权利要求1所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的预处理模块功能实现的流程步骤如下：
步骤1，人脸检测算法，实现照片中人脸区域定位和分割，得到人脸整图；
步骤2，人脸整图进行landmark关键点检测，得到正面人脸中共计68个特征关键点；
步骤3，根据关键点，主要根据嘴角、鼻梁和双眼部分关键点，综合三个方向上的连线计算矫正所需的旋转矩阵，利用仿射变换的方式得到矫正后的人脸图片。
3.根据权利要求1所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的多层级注意力模块、残差模块和辅助输出模块相结合，处理流程如下：
步骤1，将网络模型分为多个层级后，每个层级由一个残差模块、一个辅助输出模块和一个注意力模块组成，每个层级输入前的数据首先经残差模块计算，根据当前所处是训练或是验证预测阶段得到的残差特征数据分别分为三路和两路，第一路送入注意力模块中进行计算，得到与输入数据在2D方向上同尺寸的权重掩膜；
步骤2，对步骤1得到的权重掩膜，直接与步骤1中得到的残差特征数据进行按位相乘操作，得到带有注意力权重的特征数据；
步骤3，根据系统所处的阶段性质不同，如果处于训练阶段，需要将步骤1得到的残差特征送入辅助输出模块，得到当前层级的辅助输出数据；如果处于验证预测阶段，该步骤可免除；
步骤4，每个层级重复步骤1~3的操作，通过最后一层的残差模块得到最后输出数据；
步骤5，步骤4中得到的最后输出数据根据阶段性质不同，如处于训练阶段：最后输出数据和多层级的辅助输出数据分别计算误差，更新模型，如处于验证预测阶段，直接将最后输出数据进行对应标签类的概率得分，得到最终结果。
4.根据权利要求1所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的注意力特征计算，多层级的残差模块、注意力模块和辅助输出模块组合。
5.根据权利要求2所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的人脸区域定位和分割通过MTCNN模型实现。
6.根据权利要求2所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的得到正面人脸中共计68个特征关键点通过级联回归树算法实现。
7.根据权利要求3所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的注意力模块，通过计算得到与输入同样尺寸的权重掩膜。
8.根据权利要求 3 所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的辅助输出模块，通过多层级的辅助输出与最终输出协助完成模型的训练。
9.根据权利要求 3 所述的深度学习和人脸生物特征信息的遗传病辅助诊断系统，其特征在于：所述的更新模型为嘴角、鼻梁和眼角的对应连线，综合计算得到旋转矩阵，据此利用仿射变换完成正人脸面矫正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652357.0A CN110415815A (zh) | 2019-07-19 | 2019-07-19 | 深度学习和人脸生物特征信息的遗传病辅助诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652357.0A CN110415815A (zh) | 2019-07-19 | 2019-07-19 | 深度学习和人脸生物特征信息的遗传病辅助诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110415815A true CN110415815A (zh) | 2019-11-05 |
Family
ID=68362042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910652357.0A Pending CN110415815A (zh) | 2019-07-19 | 2019-07-19 | 深度学习和人脸生物特征信息的遗传病辅助诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110415815A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN111341459A (zh) * | 2020-02-28 | 2020-06-26 | 上海交通大学医学院附属上海儿童医学中心 | 分类深度神经网络模型的训练方法、遗传病检测方法 |
| CN111368672A (zh) * | 2020-02-26 | 2020-07-03 | 苏州超云生命智能产业研究院有限公司 | 一种用于遗传病面部识别模型的构建方法及装置 |
| WO2021097594A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN113284613A (zh) * | 2021-05-24 | 2021-08-20 | 暨南大学 | 一种基于深度学习的人脸诊断系统 |
| CN113782184A (zh) * | 2021-08-11 | 2021-12-10 | 杭州电子科技大学 | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069304A (zh) * | 2015-08-18 | 2015-11-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于机器学习的评估预测asd的方法 |
| CN105559802A (zh) * | 2015-07-29 | 2016-05-11 | 北京工业大学 | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 |
| CN109508459A (zh) * | 2018-11-06 | 2019-03-22 | 杭州费尔斯通科技有限公司 | 一种从新闻中提取主题和关键信息的方法 |
| US20190336085A1 (en) * | 2018-04-10 | 2019-11-07 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
| CN111797683A (zh) * | 2020-05-21 | 2020-10-20 | 台州学院 | 一种基于深度残差注意力网络的视频表情识别方法 |
| CN112541409A (zh) * | 2020-11-30 | 2021-03-23 | 北京建筑大学 | 一种融入注意力的残差网络表情识别方法 |
-
2019
- 2019-07-19 CN CN201910652357.0A patent/CN110415815A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105559802A (zh) * | 2015-07-29 | 2016-05-11 | 北京工业大学 | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 |
| CN105069304A (zh) * | 2015-08-18 | 2015-11-18 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于机器学习的评估预测asd的方法 |
| US20190336085A1 (en) * | 2018-04-10 | 2019-11-07 | Hill-Rom Services, Inc. | Patient risk assessment based on data from multiple sources in a healthcare facility |
| CN109508459A (zh) * | 2018-11-06 | 2019-03-22 | 杭州费尔斯通科技有限公司 | 一种从新闻中提取主题和关键信息的方法 |
| CN111797683A (zh) * | 2020-05-21 | 2020-10-20 | 台州学院 | 一种基于深度残差注意力网络的视频表情识别方法 |
| CN112541409A (zh) * | 2020-11-30 | 2021-03-23 | 北京建筑大学 | 一种融入注意力的残差网络表情识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| FEI WANG: "Residual Attention Network for Image Classification", 《ARXIV.ORG/PDF/1704.06904.PDF》 * |
| HELLOWORLD: "注意力机制之Residual Attetion Network", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/62438746》 * |
| 姜润松: "人脸识别技术在唐氏综合征青少年筛查中的应用", 《中国博士学位论文全文数据库医药卫生科技辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091604A (zh) * | 2019-11-18 | 2020-05-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| WO2021097594A1 (zh) * | 2019-11-18 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN111091604B (zh) * | 2019-11-18 | 2022-02-01 | 中国科学院深圳先进技术研究院 | 快速成像模型的训练方法、装置及服务器 |
| CN111368672A (zh) * | 2020-02-26 | 2020-07-03 | 苏州超云生命智能产业研究院有限公司 | 一种用于遗传病面部识别模型的构建方法及装置 |
| CN111341459A (zh) * | 2020-02-28 | 2020-06-26 | 上海交通大学医学院附属上海儿童医学中心 | 分类深度神经网络模型的训练方法、遗传病检测方法 |
| CN113284613A (zh) * | 2021-05-24 | 2021-08-20 | 暨南大学 | 一种基于深度学习的人脸诊断系统 |
| CN113782184A (zh) * | 2021-08-11 | 2021-12-10 | 杭州电子科技大学 | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415815A (zh) | 深度学习和人脸生物特征信息的遗传病辅助诊断系统 | |
| CN112288706B (zh) | 一种自动化的染色体核型分析以及异常检测方法 | |
| CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
| CN112287940A (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
| US11194997B1 (en) | Method and system for thermal infrared facial recognition | |
| CN109615582A (zh) | 一种基于属性描述生成对抗网络的人脸图像超分辨率重建方法 | |
| CN112183471A (zh) | 一种现场人员防疫口罩规范佩戴的自动检测方法及系统 | |
| CN110263666B (zh) | 一种基于非对称多流的动作检测方法 | |
| CN110874577B (zh) | 一种基于深度学习的证件照的自动审核方法 | |
| US20100217743A1 (en) | Attribute estimation system, age estimation system, gender estimation system, age and gender estimation system and attribute estimation method | |
| CN112766229B (zh) | 基于注意力机制的人脸点云图像智能识别系统及方法 | |
| CN111666845B (zh) | 基于关键帧采样的小样本深度学习多模态手语识别方法 | |
| CN116188879B (zh) | 图像分类、图像分类模型训练方法、装置、设备及介质 | |
| CN109993269A (zh) | 基于注意力机制的单张图像人群计数方法 | |
| CN111476307A (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
| CN107402859A (zh) | 软件功能验证系统及其验证方法 | |
| CN111723852B (zh) | 针对目标检测网络的鲁棒训练方法 | |
| CN117333908A (zh) | 基于姿态特征对齐的跨模态行人重识别方法 | |
| CN116468935A (zh) | 一种基于多核卷积网络的交通标志阶梯式分类识别方法 | |
| CN116959099B (zh) | 一种基于时空图卷积神经网络的异常行为识别方法 | |
| CN117541574A (zh) | 一种基于ai语义分割和图像识别的舌诊检测方法 | |
| CN117392668A (zh) | 一种麦田小麦赤霉病状态评估方法、系统及电子设备 | |
| CN117079329A (zh) | 一种基于短间隔人脸图像边缘信息特征比对的身份验证方法 | |
| CN113343770B (zh) | 一种基于特征筛选的人脸防伪方法 | |
| CN112967216B (zh) | 人脸图像关键点的检测方法、装置、设备以及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |