CN110472457A - 低分辨率人脸图像识别、还原方法、设备及存储介质 - Google Patents
低分辨率人脸图像识别、还原方法、设备及存储介质 Download PDFInfo
- Publication number
- CN110472457A CN110472457A CN201810442710.8A CN201810442710A CN110472457A CN 110472457 A CN110472457 A CN 110472457A CN 201810442710 A CN201810442710 A CN 201810442710A CN 110472457 A CN110472457 A CN 110472457A
- Authority
- CN
- China
- Prior art keywords
- generator
- image
- resolution image
- low
- arbiter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims description 14
- 230000000644 propagated effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 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 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 28
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 210000000026 apposition eye Anatomy 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及低分辨率图像处理领域,尤其是一种低分辨率人脸图像识别、还原方法、设备及存储介质。本发明是基于生成对抗网络的低分辨率人脸识别的方法。通过对低分辨率图像经过本发明训练出的生成对抗网络来获取对应的高分辨率的图像,构建包括原高分辨率图像以及高分辨率图像对应的低分辨率图像的图像对;通过图像对训练生成对抗网络,即图像对中低分辨率图像输入到生成对抗网络的生成器G中,得到生成器的高分辨率图像;然后将所述生成器的高分辨率图像与原高分辨率图像输入到生成对抗网络的判别器进行计算;对生成器与判别器进行训练,直到生成对抗网络中的生成器和判别器达到均衡态势。
Description
技术领域
本发明涉及低分辨率图像处理领域,尤其是一种低分辨率人脸图像识别、还原方法、设备及存储介质。
背景技术
随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求,生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性,并且具有很强的自身稳定性及个体差异性,生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有:指纹识别,视网膜识别,虹膜识别,步态识别,静脉识别,人脸识别等。与其他识别方法相比,人脸识别由于具有直接,友好,方便的特点,使用者无任何心理障碍,易于为用户所接受,从而得到了广泛的研究与应用。人脸识别技术具有更直观、简便、准确、可靠及可扩展性良好等众多优势,是当前模式识别和人工智能领域的一个研究热点。除此之外,我们还能够对人脸识别的结果作进一步的分析,得到有关人的性别,表情,年龄等诸多额外的丰富信息,扩展了人脸识别的应用前景。
视频监控正在快速普及,视频中人脸识别应用正越来越多。人脸识别在视频中的应用更加是基于人的面部特征信息,从视频中实时查找人脸,并与人脸数据库进行实时比对,从而实现快速身份识别的一种技术。在双动态应用环境中,亦指在视频采集端与目标物均处于运动的复杂多变的环境下,例如,行驶车辆上的摄像头采集路边行人图像,由于高速运动、车辆抖动、距离变化等因素,为抓全道路二侧人脸,将不可避免的抓到大量小图人脸,小图人脸识别率低,甚至无法识别人脸身份,这就造成抓取的人脸中利用率低。另外,在固定天眼系统中,公安部门在街道设置的很多天网视频为了监控更大的范围,往往得到的图像由于尺度的原因,大小往往差距很大,对于小的图像就不能正确识别人脸,这样就可能导致一些案件侦破上的难点。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供一种低分辨率人脸图像识别、还原方法、设备及存储介质。本专利是基于生成对抗网络的低分辨率(小尺寸图像)人脸识别的方法。通过对低分辨率图像经过本发明训练出的生成对抗网络(包括生成器G和判别器D)来获取对应的高分辨率的图像;进一步的,将要待识别的低分辨率图像通过生成对抗网络生成器处理后,输入到人脸识别网络中进行识别,可以有效保证低分辨率图像(小尺寸图像)人脸识别的准确率。
本发明采用的技术方案如下:
一种低分辨率人脸图像识别方法包括:
构建包括原高分辨率图像以及原高分辨率图像对应的低分辨率图像的图像对;
通过图像对训练生成对抗网络的生成器与判别器,即将所述图像对中低分辨率图像输入到生成对抗网络的生成器G中,得到生成器的高分辨率图像;然后将所述生成器的高分辨率图像与所述图像对中的原高分辨率图像输入到生成对抗网络的判别器,计算所述生成器的高分辨率图像或原高分辨率图像的输出概率;
当生成对抗网络中的生成器和判别器达到均衡态势,停止生成对抗网络训练。
进一步的,所述生成器和判别器达到均衡态势是根据判别器的输出预测值、
生成器的代价函数值以及判别器的代价函数值是否满足条件进行判断:
其中1)判别器的输出预测值是否满足条件判断过程为:
步骤1:随机梯度下降优化算法(SGD)来优化;具体为:
其中L代表代价函数LG或者LD;
具体wj表示生成对抗网络中的一个参数,lr表示学习率,L表示代价函数。可以理解为网络参数权重的更新速度,lr越大权重更新速度越快,耗时少,但容易更新失败;反之则更新速度慢,比较容易更新成功,但耗时较多。
步骤2:判别器输出通过生成器生成图像对中低分辨率图像对应的高分辨率图像或者原高分辨率图像时,判别器的代价函数值LD基本保持不变,即判断判别器的输出预测值是否处于0.5左右,如长时间处于(最优值是0.5),则认为生成对抗网络处于均衡态势;
2)判别器代价函数以及生成器代价函数参数判断:
图像对中的低分辨率图像输入到生成器,计算生成器的高分辨率图像时,相邻两次生成器的代价函数值的差值小于第一阈值T1;同时,
所述生成器高分辨率图像与所述图像对中的原高分辨率图像输入到判别器进行计算时,相邻两次判别器的误差函数值的差值小于第二阈值T2。
进一步的,所述生成器的代价函数值LG(G(x),H)通过以下两种方式之一实现:
方式一:
方式二:
其中,φj代表生成器G的第j层;φj(G(x))代表生成器G的第j层的高分辨率图像的特征,通过生成器前向传播实现;φj(H)代表生成器G的第j层的原高分辨率图像的特征,通过生成器前向传播实现;Cj、Hj、Wj分别表示第j层的通道数、高和宽;‖ ‖2代表norm2距离;‖‖代表norm1距离;代价函数值LG表示生成器生成的高分辨率图像G(x)和原高分辨率图像H在视觉上的差异。
进一步的,所述判别器的代价函数值LD计算过程如下两种方式之一:
方式一:
方式二:通过softmaxloss函数计算,
其中,yi表示生成对抗网络的判别器训练时,输入m张图像对中原高分辨率图像中的第i张的识别概率,m表示一次训练数据输入的样本数量。
所述图像对中原高分辨率图像对应的低分辨率图像生成过程是:
x=D(H)*Ffilter*T+N;
H代表原高分辨率图像,D表示图像下采样,x表示通过上述模型生成的原高分辨率图像对应的低分辨率图像,T表示仿射变换矩阵,Ffilter表示滤波器,N表示随机噪声。
基于所述识别方法的低分辨率图像还原方法,其特征在于还包括:
将待还原的低分辨率图像输入至训练完成的生成对抗网络的生成器,得到对应还原的高分辨率图像,将该还原的高分辨率图像输入至人脸识别网络,得到还原后的高分辨率图像的人脸识别概率。当该还原后的高分辨率图像的人脸识别概率大于概率阈值T,则该还原后的高分辨率图像被成功识别。
一种存储设备存储有多条指令,所述指令适用于由处理器加载并执行任意一项所述的识别方法的步骤。
一种存储设备存储有多条指令,所述指令适用于由处理器加载并执行所述的识别方法的步骤。
一种基于生成对抗网络的低分辨率人脸图像识别设备包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行上述任意一项所述的低分辨率人脸图像识别方法。
一种低分辨率图像还原设备包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行上述任意一项所述的低分辨率图像还原方法。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
低分辨率图像由于像素值有限,故人脸所含的生物特征较少,因而后续的人脸识别能捕捉到的可以用来识别的特征就少,极大的影响了识别的准确率。生成对抗网络是一种能力强大的生成式网络,专注于提升识别图像问题中图像特征的真实性问题。为此,通过预处理(插值)后的平滑图像输入到端到端的生成对抗网络中,通过深度学习的理论,训练出从平滑图像到清晰图像之间的映射关系,得到高分辨率图像后,就可以对高分辨率图像进行人脸识别,这样可以有效的提高人脸识别的精度。
本专利提出了基于生成对抗网络的小尺寸人脸身份识别,充分利用了生成对抗网络无监督学习的优秀特性和学习能力,可以使用大量未标注标签的图像来训练网络,生成的高分辨率图像包含的有效细节特征明显多余其它传统方法,提高在实际监控视频中小尺寸人脸识别的准确率,扩展了视频监控的使用范围和功能,增强了人脸识别在视频监控中的实用性。
采用对抗生成网络学到了高分辨率图像的细节特征,故生成的高分辨率图像包含更多有效细节特征,对外部的各种干扰,如动态模糊、离焦等有较好的鲁棒性,最终使得小尺寸人脸识别的准确率也有一个比较明显的提高。
附图说明
图1是低分辨率图像还原方法示意图。
图2是生成器处理前后人脸图像的特征长度对比示意图。
图3是低分辨率图像与生成器生成的高分辨率图像识别ROC曲线示意图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明相关解释:
1、低分辨率图像指的是分辨率低于50*50像素的图像。
2、高分辨率图像指的是分辨率高于200*200像素的图像。
一、生成对抗网络介绍:
生成对抗网络包括生成器G和判别器D。
1、生成器G以低分辨率图像x为输入,通过生成器输出高分辨率图像G(x);
2、判别器D指的是判断输入的图像为原高分辨率图像H或者低分辨率图像通过生成器G生成的高分辨率图像G(x),并输出输入图像是原高分辨率图像的概率pD,输出原高分辨率图像的概率与输出生成器生成的高分辨率图像的概率D(a)之和为1。
生成器G生成的高分辨率图像G(x)由两部分组成:
第一部分:图像对中的低分辨率图像直接通过插值得到的图像Bicubic(x),例如:使用双三次立方插值、双线性插值、最近邻插值等方法实现Bicubic(x)。
第二部分:生成器G生成的图像DNN(x);DNN表示生成对抗网络内的深度卷积网络,具体高分辨率图像G(x)计算如下:
G(x)=α*Bicubic(x)+(1-α)*DNN(x);
其中,α是对应结果的权重,即表示最终的生成结果是双三次立方插值的结果和生成对抗网络的结果按照加权求和得到的结果。
二、技术方案:
一)、一种低分辨率人脸图像识别方法包括:
步骤1:构建包括原高分辨率图像以及原高分辨率图像对应的低分辨率图像的图像对;其中原高分辨率图像至少为10万张;
图像对中原高分辨率图像生成对应的低分辨率图像具体过程是:
x=D(H)*Ffilter*T+N;
其中,H表示原高分辨率图像,x表示通过上述模型生成的原高分辨率图像对应的低分辨率图像,D表示图像下采样,T表示仿射变换矩阵,Ffilter表示滤波器,N表示随机噪声。经过变换,我们可以得到高分辨率对应的低分辨率图像,以此来构建训练所用的图像对。
步骤2:通过图像对训练生成对抗网络的生成器与判别器,即将所述图像对中低分辨率图像输入到生成对抗网络的生成器G中,得到生成器的高分辨率图像;然后将所述生成器的高分辨率图像与所述图像对中的原高分辨率图像输入到生成对抗网络的判别器,计算所述生成器的高分辨率图像或原高分辨率图像的输出概率;重复步骤2,当生成对抗网络中的生成器和判别器达到均衡态势,停止生成对抗网络训练。
其中,1)所述生成器和判别器达到均衡态势是根据判别器的输出预测值、生成器的代价函数值以及判别器的代价函数值是否满足条件进行判断:
11)判别器的输出预测值是否满足条件判断过程为:
步骤1:随机梯度下降优化算法(SGD)来优化判别器和生成器;具体为:
其中L代表代价函数LG或者LD
具体wj表示生成对抗网络中的一个参数,lr表示学习率,L表示代价函数。可以理解为网络参数权重的更新速度,lr越大权重更新速度越快,耗时少,但容易更新失败;反之则更新速度慢,比较容易更新成功,但耗时较多。
步骤3:判别器输出通过生成器生成图像对中低分辨率图像对应的高分辨率图像或者原高分辨率图像时,判别器的代价函数值LD基本保持不变,即判断判别器的输出预测值是否处于0.5左右,如长时间处于(最优值是0.5),则认为生成对抗网络处于均衡态势;12)判别器代价函数值以及生成器代价函数值进行判断,具体过程是:
图像对中的低分辨率图像输入到生成器,计算生成器的高分辨率图像时,相邻两次生成器的代价函数值的差值小于第一阈值T1;同时,
所述生成器高分辨率图像与所述图像对中的原高分辨率图像输入到判别器进行计算时,相邻两次判别器的误差函数值的差值小于第二阈值T2;T1、T2和生成对抗网络参数及训练集有关,例如:T1范围是小于等于1;T2阈值是小于等于2。
2)生成器的代价函数值LG(G(x),H)通过以下两种方式之一实现:
方式一:
方式二:
其中,φj代表生成器G的第j层;φj(G(x))代表生成器G的第j层的高分辨率图像的特征,通过生成器前向传播实现;φj(H)代表生成器G的第j层的原高分辨率图像的特征,通过生成器前向传播实现;Cj、Hj、Wj分别表示第j层的通道数、高和宽;‖ ‖2代表norm2距离;‖‖代表norm1距离;代价函数值LG表示生成器生成的高分辨率图像G(x)和原高分辨率图像H在视觉上的差异
3)判别器的代价函数值LD计算过程如下两种方式之一:
方式一:
方式二:通过softmaxloss函数计算,
其中yi通过下列公式计算,例如:sigmoid函数计算:
e是一个常数,约为2.718281828459,w表示网络内参数的权重,xinput是输入特征,b是偏置项。
二)、低分辨率图像还原方法包括:
步骤1:构建包括原高分辨率图像以及原高分辨率图像对应的低分辨率图像的图像对;
步骤2:通过图像对训练生成对抗网络的生成器与判别器,即将所述图像对中低分辨率图像输入到生成对抗网络的生成器G中,得到生成器的高分辨率图像;然后将所述生成器的高分辨率图像与所述图像对中的原高分辨率图像输入到生成对抗网络的判别器,计算所述生成器的高分辨率图像或原高分辨率图像的输出概率;重复步骤2,当生成对抗网络中的生成器和判别器达到均衡态势,停止生成对抗网络训练;
步骤3:将待还原的低分辨率图像输入至训练完成的生成对抗网络的生成器,得到对应待还原的高分辨率图像,将该还原得到的高分辨率图像输入至人脸识别网络,得到还原后的高分辨率图像的人脸识别概率,当该还原后的高分辨率图像的人脸识别概率大于概率阈值T,则该还原后的高分辨率图像被成功识别。
其中,概率阈值T根据不同的人脸识别模型和算法有不同的设置,一般通过ROC曲线和具体的工程项目需求和算法识别需求来设置,范围是0~1之间。
具体实施例:
在人脸识别网络中,特征层输出特征的长度大小往往体现在输入图像与人脸的相似程度。通常来说,特征的长度越长,表示人脸特征越清晰,人脸的特征越趋向于一张人脸,人脸识别中也会得到更高的识别准确率。实验中,我们对生成对抗网络处理后的图像随机挑选27张进行结果对比,证明了上述的有效性。图2即为生成对抗网络处理前后图像的识别特征长度(512维)对比结果。在图像中,横坐标为对比的图的序号,纵坐标即为该图的特征长度,我们可以清楚的得出生成器生成的高分辨率图像的人脸特征有着明显的加强。
识别结果对比:
实验采用4500张从监控视频采集的人脸图像,其分辨率为45*45~60*60,统一尺寸归一化到50*50,进行识别的阈值范围为[-1.00,1.00]。图3是监控原始的小分辨率图像(50*50)和生成器G生成后的200*200的图像的识别ROC曲线图。可以明显看出,低分辨率图像经过生成器G进行处理后,图像的识别准确率有了较为明显的提升。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种低分辨率人脸图像识别方法,其特征在于包括:
构建包括原高分辨率图像以及原高分辨率图像对应的低分辨率图像的图像对;
通过图像对训练生成对抗网络的生成器与判别器,即将所述图像对中低分辨率图像输入到生成对抗网络的生成器中,得到生成器的高分辨率图像;然后将所述生成器的高分辨率图像与所述图像对中的原高分辨率图像输入到生成对抗网络的判别器,计算所述生成器的高分辨率图像或原高分辨率图像的输出概率;
当生成对抗网络中的生成器和判别器达到均衡态势,停止生成对抗网络训练。
2.根据权利要求1所述的识别方法,其特征在于所述生成器和判别器达到均衡态势是根据判别器的输出预测值、生成器的代价函数值以及判别器的代价函数值是否满足条件进行判断。
3.根据权利要求2所述的识别方法,其特征在于所述生成器的代价函数值LG(G(x),H)通过以下两种方式之一实现:
方式一:
方式二:
其中,φj代表生成器G的第j层;φj(G(x))代表生成器G的第j层的高分辨率图像的特征,通过生成器前向传播实现;φj(H)代表生成器G的第j层的原高分辨率图像的特征,通过生成器前向传播实现;Cj、Hj、Wj分别表示第j层的通道数、高和宽;‖‖2代表norm2距离;‖‖代表norm1距离。
4.根据权利要求2所述的识别方法,其特征在于所述判别器的代价函数值LD计算过程如下两种方式之一:
方式一:
方式二:通过softmaxloss函数计算,
其中,yi表示生成对抗网络的判别器训练时,输入m张图像对中原高分辨率图像中的第i张的识别概率,m表示一次训练数据输入的样本数量。
5.根据权利要求1至4之一所述的识别方法,其特征在于所述图像对中原高分辨率图像对应的低分辨率图像生成过程是:
x=D(H)*Ffilter*T+N;
H代表原高分辨率图像,D表示图像下采样,x表示通过上述模型生成的原高分辨率图像对应的低分辨率图像,T表示仿射变换矩阵,Ffilter表示滤波器,N表示随机噪声。
6.基于权利要求5所述识别方法的低分辨率图像还原方法,其特征在于还包括:
将待还原的低分辨率图像输入至训练完成的生成对抗网络的生成器,得到对应还原的高分辨率图像,将该还原的高分辨率图像输入至人脸识别网络,得到还原后的高分辨率图像的人脸识别概率;当该还原后的高分辨率图像的人脸识别概率大于概率阈值T,则该还原后的高分辨率图像被成功识别。
7.一种存储设备,其中存储有多条指令,所述指令适用于由处理器加载并执行如权利要求1至5任意一项所述的识别方法的步骤。
8.一种存储设备,其中存储有多条指令,所述指令适用于由处理器加载并执行如权利要求6述的识别方法的步骤。
9.一种低分辨率人脸图像识别设备,其特征在于包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行上述权利要求1至5任意一项所述的识别方法。
10.一种低分辨率图像还原设备,其特征在于包括处理器,适于实现各指令;以及存储设备,适于存储多条指令,所述指令适于由处理器加载并执行上述权利要求6任意一项所述的低分辨率图像还原方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442710.8A CN110472457A (zh) | 2018-05-10 | 2018-05-10 | 低分辨率人脸图像识别、还原方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442710.8A CN110472457A (zh) | 2018-05-10 | 2018-05-10 | 低分辨率人脸图像识别、还原方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472457A true CN110472457A (zh) | 2019-11-19 |
Family
ID=68503911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810442710.8A Pending CN110472457A (zh) | 2018-05-10 | 2018-05-10 | 低分辨率人脸图像识别、还原方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472457A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753462A (zh) * | 2020-05-22 | 2020-10-09 | 北京邮电大学 | 一种环境信号值确定方法及装置 |
CN112749788A (zh) * | 2020-12-17 | 2021-05-04 | 郑州金惠计算机系统工程有限公司 | 超分辨率图片模型生成方法、装置、电子设备及存储介质 |
CN113470027A (zh) * | 2021-09-03 | 2021-10-01 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN107464210A (zh) * | 2017-07-06 | 2017-12-12 | 浙江工业大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
-
2018
- 2018-05-10 CN CN201810442710.8A patent/CN110472457A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN106683048A (zh) * | 2016-11-30 | 2017-05-17 | 浙江宇视科技有限公司 | 一种图像超分辨率方法及设备 |
CN107154023A (zh) * | 2017-05-17 | 2017-09-12 | 电子科技大学 | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 |
CN107464210A (zh) * | 2017-07-06 | 2017-12-12 | 浙江工业大学 | 一种基于生成式对抗网络的图像风格迁移方法 |
CN107358626A (zh) * | 2017-07-17 | 2017-11-17 | 清华大学深圳研究生院 | 一种利用条件生成对抗网络计算视差的方法 |
CN107909621A (zh) * | 2017-11-16 | 2018-04-13 | 深圳市唯特视科技有限公司 | 一种基于双生成对抗网络的医学图像合成方法 |
Non-Patent Citations (1)
Title |
---|
李方彪: "生成式对抗神经网络的多帧红外图像超分辨率重建", 《红外与激光工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753462A (zh) * | 2020-05-22 | 2020-10-09 | 北京邮电大学 | 一种环境信号值确定方法及装置 |
CN111753462B (zh) * | 2020-05-22 | 2023-02-03 | 北京邮电大学 | 一种环境信号值确定方法及装置 |
CN112749788A (zh) * | 2020-12-17 | 2021-05-04 | 郑州金惠计算机系统工程有限公司 | 超分辨率图片模型生成方法、装置、电子设备及存储介质 |
CN113470027A (zh) * | 2021-09-03 | 2021-10-01 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
CN113470027B (zh) * | 2021-09-03 | 2022-03-25 | 广东电网有限责任公司惠州供电局 | 基于生成对抗的绝缘护套识别方法、装置、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DeVries et al. | Learning confidence for out-of-distribution detection in neural networks | |
KR102184755B1 (ko) | 안면 특화 초 고화질 심층 신경망 학습 장치 및 방법 | |
CN108921051B (zh) | 基于循环神经网络注意力模型的行人属性识别网络及技术 | |
CN112396027B (zh) | 基于图卷积神经网络的车辆重识别方法 | |
CN108491874B (zh) | 一种基于生成式对抗网络的图像单分类方法 | |
Massoli et al. | MOCCA: Multilayer one-class classification for anomaly detection | |
CN103605972B (zh) | 一种基于分块深度神经网络的非限制环境人脸验证方法 | |
CN108830145B (zh) | 一种基于深度神经网络的人数统计方法及存储介质 | |
CN105787472B (zh) | 一种基于时空拉普拉斯特征映射学习的异常行为检测方法 | |
CN110084228A (zh) | 一种基于双流卷积神经网络的危险行为自动识别方法 | |
CN107194346A (zh) | 一种汽车疲劳驾驶预测方法 | |
CN106951867A (zh) | 基于卷积神经网络的人脸识别方法、装置、系统及设备 | |
CN109086773A (zh) | 基于全卷积神经网络的断层面识别方法 | |
Chen et al. | Convolutional neural network based dem super resolution | |
CN106056059B (zh) | 多方向slgs特征描述及性能云加权融合的人脸识别方法 | |
CN110472457A (zh) | 低分辨率人脸图像识别、还原方法、设备及存储介质 | |
Zhang et al. | Energy theft detection in an edge data center using threshold-based abnormality detector | |
CN112307883B (zh) | 训练方法、装置、电子设备以及计算机可读存储介质 | |
CN106503661A (zh) | 基于烟花深度信念网络的人脸性别识别方法 | |
CN103268484A (zh) | 用于高精度人脸识别的分类器设计方法 | |
CN109766934A (zh) | 一种基于深度Gabor网络的图像目标识别方法 | |
CN114842343A (zh) | 一种基于ViT的航空图像识别方法 | |
Zhang et al. | MultiResolution attention extractor for small object detection | |
Barua et al. | Quality evaluation of gans using cross local intrinsic dimensionality | |
CN113205103A (zh) | 一种轻量级的文身检测方法 |
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: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |