CN110490027A - 一种用于人脸识别的人脸特征提取训练方法及系统 - Google Patents

一种用于人脸识别的人脸特征提取训练方法及系统 Download PDF

Info

Publication number
CN110490027A
CN110490027A CN201810458824.1A CN201810458824A CN110490027A CN 110490027 A CN110490027 A CN 110490027A CN 201810458824 A CN201810458824 A CN 201810458824A CN 110490027 A CN110490027 A CN 110490027A
Authority
CN
China
Prior art keywords
classification
loss
face
picture
training
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.)
Granted
Application number
CN201810458824.1A
Other languages
English (en)
Other versions
CN110490027B (zh
Inventor
李晓宇
肖洪波
陆凡
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.)
Touch Vision Technology (beijing) Co Ltd
Original Assignee
Touch Vision Technology (beijing) Co Ltd
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 Touch Vision Technology (beijing) Co Ltd filed Critical Touch Vision Technology (beijing) Co Ltd
Priority to CN201810458824.1A priority Critical patent/CN110490027B/zh
Publication of CN110490027A publication Critical patent/CN110490027A/zh
Application granted granted Critical
Publication of CN110490027B publication Critical patent/CN110490027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06V40/168—Feature extraction; Face representation
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种用于人脸识别的人脸特征提取训练方法，包括如下步骤：接收用于训练的人脸图像以及相应的分类标签；对所述人脸图像进行运算处理并获取所述人脸图像的图片特征；对所述人脸图像进行图片分类并计算分类损失；选择与所述分类标签一致的图片特征进行聚类并计算聚类损失；根据所述分类损失和所述聚类损失计算总损失。本发明还公开一种人脸特征提取训练系统。本发明人脸特征提取训练方法及系统，在训练过程中，把特征的分类与聚类结合起来考虑，只对分类正确的特征进行聚类，这样有效的防止了训练过程中特征聚类损失的不收敛，使训练出的模型泛化能力更好。

Description

一种用于人脸识别的人脸特征提取训练方法及系统
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种用于人脸识别的人脸特征提 取训练方法及系统。
背景技术
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。 用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪 人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、 面部识别。在深度学习方面，已经提出了很多的人脸识别训练方法，但是这些 方法需要对训练数据进行特别的处理与分配，实施起来比较复杂。最近提出的 中心点损失训练方法，虽然简单易用，但是常会发生训练过程的不收敛导致训 练崩溃。现在急需一种数据处理简单并且训练过程稳定可容易收敛的人脸识别 训练系统，来解决这样的问题。
发明内容
基于此，有必要针对目前人脸识别训练系统存在的数据处理复杂、训练过 程不稳定容易崩溃等问题，提供一种数据处理简单并且训练过程稳定可容易收 敛的人脸识别训练系统及方法。
根据本发明的目的，提供一种用于人脸识别的人脸特征提取训练方法，包 括如下步骤：
接收用于训练的人脸图像以及相应的分类标签；
对所述人脸图像进行运算处理并获取所述人脸图像的图片特征；
根据分类标签对所述人脸图像进行图片分类并计算分类损失；
选择与所述分类标签一致的图片特征进行聚类并计算聚类损失；
根据所述分类损失和所述聚类损失计算总损失。
在其中一个实施例中，所述对所述人脸图像进行运算处理的步骤包括对所 述人脸图像进行卷积运算和下采样运算。
在其中一个实施例中，对所述人脸图像进行图片分类的步骤为根据softmax 分类函数进行分类。
在其中一个实施例中，所述计算分类损失为根据下述公式进行计算：
其中，Ls为分类损失，m为每次输入的图片数量，0≤j＜m；
YPj为经过softmax函数分类后预测的类别，0≤YPj≤r，其中r为进行训练 的r个人的人脸图像；yj为第j张输入图片的标签。
在其中一个实施例中，所述选择与所述分类标签一致的图片特征进行聚类 的步骤为：
判断分类结果与分类标签是否一致，统计各个类别分类正确的数量k：
其中yq为输入的图片相应的类别标签，0≤q<r，0＜yq<r-1；
对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的 均值中心Cq，丢弃分类不正确的图片特征：
在其中一个实施例中，所述计算聚类损失的步骤为：
计算所有类别特征的均值中心的损失Lc：
其中，cop为上一次的特征均值中心。
在其中一个实施例中，还包括：
计算聚类损失后对每一个类别的特征均值中心cop进行更新：
cop＝cq-Δc (1-5)
其中，
在其中一个实施例中，所述根据所述分类损失和所述聚类损失计算总损失 的步骤为：
Ltotal＝Ls+γ*Lc (1-7)
其中，γ表示控制聚类特征损失对总损失的贡献程度，0＜γ<1。
根据本发明的目的，还提供一种人脸特征提取训练系统，用于进行人脸识 别，包括：
人脸图片输入模块，用于接收用于训练的人脸图像；
图片分类标签模块，用于接收用于训练的人脸图像相应的分类标签；
隐藏层，用于对所述人脸图像进行卷积运算与下采样运算；
第一全连接层，用于获取所述人脸图像的图片特征；
第二全连接层，用于对所述人脸图像进行图片分类；
Softmax分类层，用于接收所述第二全连接层信息，使用softmax分类函数 对输入的图片进行分类；
Softmax分类损失层，用于根据分类结果以及输入的人脸图片的类别标签计 算分类损失；
聚类层，用于根据分类结果以及输入的人脸图片的类别标签，选择与所述 分类标签一致的图像特征进行聚类；
聚类损失层，用于计算所有类别特征的均值中心的损失；
总损失层，用于根据所述分类损失和所述聚类损失计算总损失。
在其中一个实施例中，还包括：
更新层，用于计算聚类损失后更新每一个类别的特征均值中心值。
本发明的有益效果包括：一种人脸特征提取训练方法及系统，用于人脸识 别，包括如下步骤：接收用于训练的人脸图像以及相应的分类标签；对所述人 脸图像进行运算处理并获取所述人脸图像的图片特征；对所述人脸图像进行图 片分类并计算分类损失；选择分类正确的图片特征进行聚类并计算聚类损失； 根据所述分类损失和所述聚类损失计算总损失。本发明人脸特征提取训练方法 及系统，在训练过程中，把特征的分类与聚类结合起来考虑，只对分类正确的 特征进行聚类，这样有效的防止了训练过程中特征聚类损失的不收敛，使训练 出的模型泛化能力更好。
附图说明
图1为本发明一实施例的人脸特征提取训练方法流程图；
图2为本发明一实施例的人脸特征提取训练系统示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本 发明实施例的人脸检测的方法及装置的具体实施方式进行说明。应当理解，此 处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如上所述，在深度学习方面，已经提出了很多的人脸识别训练方法，但是 这些方法需要对训练数据进行特别的处理与分配，实施起来比较复杂。最近提 出的中心点损失训练方法，虽然简单易用，但是常会发生训练过程的不收敛导 致训练崩溃。现在急需一种数据处理简单并且训练过程稳定可容易收敛的人脸 识别训练系统，来解决这样的问题。而本发明人脸特征提取训练方法及系统， 在训练过程中，把特征的分类与聚类结合起来考虑，只对分类正确的特征进行 聚类，这样有效的防止了训练过程中特征聚类损失的不收敛，使训练出的模型 泛化能力更好。
以下结合附图1-2对本发明进行进一步详细地阐述。
参考图1，为本发明一种人脸特征提取训练方法100，用于人脸识别该方法 100包括如下步骤：
步骤S110:接收用于训练的人脸图像以及相应的分类标签。
步骤S120:对所述人脸图像进行运算处理。
所述对所述人脸图像进行运算处理的步骤包括对所述人脸图像进行卷积运 算和下采样运算。
步骤S130:获取所述人脸图像的图片特征。
步骤S140:对所述人脸图像进行图片分类。
具体为根据softmax分类函数进行分类。首先输出训练数据人的类别个数， 比如，有100个不同的人，则此层输出100个值，用于softmax分类。然后，根 据softmax分类函数进行分类。
步骤S150:计算分类损失。
所述计算分类损失为根据下述公式进行计算：
其中，Ls为分类损失，m为每次输入的图片数量，0≤j＜m；
YPj为经过softmax函数分类后预测的类别，0≤YPj≤r，其中r为进行训练 的r个人的人脸图像；yj为第j张输入图片的标签。
步骤S160:选择与所述分类标签一致的图片特征进行聚类。所述选择与所 述分类标签一致的图片特征进行聚类的步骤为：
判断分类结果与分类标签是否一致，统计各个类别分类正确的数量k：
其中yq为输入的图片相应的类别标签，0≤q<r，0＜yq<r-1；
对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的 均值中心Cq，丢弃分类不正确的图片特征：
系统在训练时每次输入m张图片，图片经过隐藏层的处理之后输出到第一 全连接层，第一全连接层获取人脸图像的图片特征，处理后提取到的图片特征 为n维的向量(f1,f2,…,fn)。
步骤S170:计算聚类损失。
所述计算聚类损失的步骤为：
计算所有类别特征的均值中心的损失Lc：
其中，cop为上一次的特征均值中心。
步骤S180:根据所述分类损失和所述聚类损失计算总损失。
所述根据所述分类损失和所述聚类损失计算总损失的步骤为：
Ltotal＝Ls+γ*Lc (1-7)
其中，γ表示控制聚类特征损失对总损失的贡献程度，0＜γ<1。
在另一个实施例中，上述方法100还可以包括如下步骤：计算聚类损失后 对每一个类别的特征均值中心cop进行更新：
cop＝cq-Δc (1-5)
其中，
参考图2，本发明还公开一种人脸特征提取训练系统200，用于进行人脸识 别。该系统200包括：人脸图片输入模块201，图片分类标签模块202，隐藏层 203，第一全连接层204(全连接层1)，第二全连接层205(全连接层2)，Softmax 分类层206，Softmax分类损失层207，聚类层208，聚类损失层209和总损失层 210。
人脸图片输入模块201，用于接收用于训练的人脸图像；图片分类标签模块 202，用于接收用于训练的人脸图像相应的分类标签；隐藏层203，用于对所述 人脸图像进行卷积运算与下采样运算；第一全连接层204，用于获取所述人脸图 像的图片特征；第二全连接层205，用于对所述人脸图像进行图片分类。第二个 全连接层输出训练数据人的类别个数，比如有100个不同的人，则此层输出100 个值，用于softmax分类。Softmax分类层206，用于接收所述第二全连接层信 息，使用softmax分类函数对输入的图片进行分类；Softmax分类损失层207， 用于根据分类结果以及输入的人脸图片的类别标签计算分类损失；聚类层208，用于根据分类结果以及输入的人脸图片的类别标签，选择与所述分类标签一 致的图像特征进行聚类；聚类损失层209，用于计算所有类别特征的均值中心的 损失；总损失层210，用于根据所述分类损失和所述聚类损失计算总损失。
在另一实施例中，该系统还可以包括：更新层(图未示)，用于计算聚类损 失后更新每一个类别的特征均值中心值。
本发明人脸特征提取训练方法及系统，在训练过程中，把特征的分类与聚 类结合起来考虑，只对分类正确的特征进行聚类，这样有效的防止了训练过程 中特征聚类损失的不收敛，使训练出的模型泛化能力更好。
下面以一具体实施例对上述训练方法进行详细说明：
系统在模型训练阶段，训练的人脸图片有r个人，并分别为输入的图片标记 为0～r-1的r类，则在训练过程中人脸特征的聚类分为r类进行特征聚类。
在训练时每次给系统输入m张图片，图片经过隐藏层的处理之后输出到全 连接层1，全连接层1处理后提取到的图片特征为n维的向量(f1,f2,…,fn)。
输入的m张图片最终经softmax分类之后预测的类别为YPj(0≤j<m)，YPj 的取值为0到r-1的整数。计算分类损失按照公式(1-1)来计算，其中yj为第 j张输入图片的标签。
过滤层(聚类层)根据softmax层的分类结果来对输入的m张图片进行各 个类别的统计，统计输入的m张图片里各个类别分类正确的数量分别是多少， 由公式(1-2)来计算，其中yq为输入的图片的相应的类别标签，取值范围为 0～r-1的整数。然后才对每个类别的正确的分类特征进行聚类，丢弃掉分类不正 确的特征。即，分别计算每个类别的特征向量的均值中心Cq，由公式(1-3)来 计算。之后在特征的聚类损失层由公式(1-4)来计算所有类别特征的均值中心 的损失Lc，其中cop为上一次的特征均值中心。
此次计算完聚类损失之后，对每一个类别的特征均值中心cop进行更新， 由公式(1-5)和(1-6)来计算。最终系统的总的损失Ltotal由公式(1-7)来计 算，γ(0＜γ＜1)用来控制聚类特征损失对总损失的贡献程度。
由于训练已经使得全连接层1具有了描述人脸脸部特征的能力，因此在模 型的应用识别阶段，舍弃掉了全连接层1之后的网络，利用全连接层1进行输 入的人脸图片的特征提取。在识别时，可以用距离来衡量提取到的两个人脸图 片特征n维向量(f1,f2,…,fn)之间的相似度，并且设置一阈值h_value，若距离 小于等于h_value则两个图片中人脸为同一人，若大于h_value，则不是同一个 人。距离算法可以采用欧式距离、余弦距离等。
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(RandomAccess Memory，RAM)等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细， 但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域 的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和 改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附 权利要求为准。

Claims (10)

1.一种用于人脸识别的人脸特征提取训练方法，其特征在于，包括如下步骤：
接收用于训练的人脸图像以及相应的分类标签；
对所述人脸图像进行运算处理并获取所述人脸图像的图片特征；
对所述人脸图像进行图片分类并计算分类损失；
选择与所述分类标签一致的图片特征进行聚类并计算聚类损失；
根据所述分类损失和所述聚类损失计算总损失。
2.根据权利要求1所述的人脸特征提取训练方法，其特征在于，所述对所述人脸图像进行运算处理的步骤包括对所述人脸图像进行卷积运算和下采样运算。
3.根据权利要求1所述的人脸特征提取训练方法，其特征在于，对所述人脸图像进行图片分类的步骤为根据softmax分类函数进行分类。
4.根据权利要求3所述的人脸特征提取训练方法，其特征在于，所述计算分类损失为根据下述公式进行计算：
其中，Ls为分类损失，m为每次输入的图片数量，0≤j＜m；
YPj为经过softmax函数分类后预测的类别，0≤YPj≤r，其中r为进行训练的r个人的人脸图像；yj为第j张输入图片的标签。
5.根据权利要求5所述的人脸特征提取训练方法，其特征在于，所述选择与所述分类标签一致的图片特征进行聚类的步骤为：
判断分类结果与分类标签是否一致，统计各个类别分类正确的数量k：
δ(1)＝1，其他均为0，0≤q＜r (1-2)
其中yq为输入的图片相应的类别标签，0≤q<r，0＜yq<r-1；
对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的均值中心Cq，丢弃分类不正确的图片特征：
6.根据权利要求5所述的人脸特征提取训练方法，其特征在于，所述计算聚类损失的步骤为：
计算所有类别特征的均值中心的损失Lc：
其中，cop为上一次的特征均值中心。
7.根据权利要求6所述的人脸特征提取训练方法，其特征在于，还包括：
计算聚类损失后对每一个类别的特征均值中心cop进行更新：
cop＝cq-Δc (1-5)
其中，
8.根据权利要求6或7所述的人脸特征提取训练方法，其特征在于，所述根据所述分类损失和所述聚类损失计算总损失的步骤为：
Ltotal＝Ls+γ*Lc (1-7)
其中，γ表示控制聚类特征损失对总损失的贡献程度，0＜γ<1。
9.一种人脸特征提取训练系统，用于进行人脸识别，其特征在于，包括：
人脸图片输入模块，用于接收用于训练的人脸图像；
图片分类标签模块，用于接收用于训练的人脸图像相应的分类标签；
隐藏层，用于对所述人脸图像进行卷积运算与下采样运算；
第一全连接层，用于获取所述人脸图像的图片特征；
第二全连接层，用于对所述人脸图像进行图片分类；
Softmax分类层，用于接收所述第二全连接层信息，使用softmax分类函数对输入的图片进行分类；
Softmax分类损失层，用于根据分类结果以及输入的人脸图片的类别标签计算分类损失；
聚类层，用于根据分类结果以及输入的人脸图片的类别标签，选择与所述分类标签一致的图像特征进行聚类；
聚类损失层，用于计算所有类别特征的均值中心的损失；
总损失层，用于根据所述分类损失和所述聚类损失计算总损失。
10.根据权利要求9所述的人脸特征提取训练系统，其特征在于，还包括：
更新层，用于计算聚类损失后更新每一个类别的特征均值中心值。
CN201810458824.1A 2018-05-15 2018-05-15 人脸特征提取训练方法及系统 Active CN110490027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810458824.1A CN110490027B (zh) 2018-05-15 2018-05-15 人脸特征提取训练方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810458824.1A CN110490027B (zh) 2018-05-15 2018-05-15 人脸特征提取训练方法及系统

Publications (2)

Publication Number Publication Date
CN110490027A true CN110490027A (zh) 2019-11-22
CN110490027B CN110490027B (zh) 2023-06-16

Family

ID=68545032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810458824.1A Active CN110490027B (zh) 2018-05-15 2018-05-15 人脸特征提取训练方法及系统

Country Status (1)

Country Link
CN (1) CN110490027B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632351A (zh) * 2020-12-28 2021-04-09 北京百度网讯科技有限公司 分类模型的训练方法、分类方法、装置及设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6303394B1 (en) * 1998-11-03 2001-10-16 Advanced Micro Devices, Inc. Global cluster pre-classification methodology
US6771813B1 (en) * 1998-12-09 2004-08-03 Fujitsu Limited Image processing apparatus and pattern extraction apparatus
JP2008084076A (ja) * 2006-09-28 2008-04-10 Toshiba Corp 画像処理装置、方法およびプログラム
US20130268535A1 (en) * 2011-09-15 2013-10-10 Kabushiki Kaisha Toshiba Apparatus and method for classifying document, and computer program product
US20140270495A1 (en) * 2013-03-14 2014-09-18 Microsoft Corporation Multiple Cluster Instance Learning for Image Classification
CN104239900A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于k均值和深度svm的极化sar图像分类方法
US20150003723A1 (en) * 2013-06-27 2015-01-01 Chevron U.S.A. Inc. System and method of detecting objects in scene point cloud
CN105745659A (zh) * 2013-09-16 2016-07-06 佰欧迪塞克斯公司 利用借助正则化组合多个微型分类器的分类器生成方法及其应用
CN105808732A (zh) * 2016-03-10 2016-07-27 北京大学 一种基于深度度量学习的一体化目标属性识别与精确检索方法
CN106991355A (zh) * 2015-09-10 2017-07-28 天津中科智能识别产业技术研究院有限公司 基于拓扑保持的解析型字典学习模型的人脸识别方法
CN107305565A (zh) * 2016-04-21 2017-10-31 富士通株式会社 信息处理装置、信息处理方法以及信息处理设备
CN107563410A (zh) * 2017-08-04 2018-01-09 中国科学院自动化研究所 基于局部类别一致聚类和多任务学习的分类方法及设备
CN107871314A (zh) * 2016-09-23 2018-04-03 商汤集团有限公司 一种敏感图像鉴别方法和装置
CN107944410A (zh) * 2017-12-01 2018-04-20 中国科学院重庆绿色智能技术研究院 一种基于卷积神经网络的跨领域面部特征解析方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6303394B1 (en) * 1998-11-03 2001-10-16 Advanced Micro Devices, Inc. Global cluster pre-classification methodology
US6771813B1 (en) * 1998-12-09 2004-08-03 Fujitsu Limited Image processing apparatus and pattern extraction apparatus
JP2008084076A (ja) * 2006-09-28 2008-04-10 Toshiba Corp 画像処理装置、方法およびプログラム
US20130268535A1 (en) * 2011-09-15 2013-10-10 Kabushiki Kaisha Toshiba Apparatus and method for classifying document, and computer program product
US20140270495A1 (en) * 2013-03-14 2014-09-18 Microsoft Corporation Multiple Cluster Instance Learning for Image Classification
US20150003723A1 (en) * 2013-06-27 2015-01-01 Chevron U.S.A. Inc. System and method of detecting objects in scene point cloud
CN105745659A (zh) * 2013-09-16 2016-07-06 佰欧迪塞克斯公司 利用借助正则化组合多个微型分类器的分类器生成方法及其应用
CN104239900A (zh) * 2014-09-11 2014-12-24 西安电子科技大学 基于k均值和深度svm的极化sar图像分类方法
CN106991355A (zh) * 2015-09-10 2017-07-28 天津中科智能识别产业技术研究院有限公司 基于拓扑保持的解析型字典学习模型的人脸识别方法
CN105808732A (zh) * 2016-03-10 2016-07-27 北京大学 一种基于深度度量学习的一体化目标属性识别与精确检索方法
CN107305565A (zh) * 2016-04-21 2017-10-31 富士通株式会社 信息处理装置、信息处理方法以及信息处理设备
CN107871314A (zh) * 2016-09-23 2018-04-03 商汤集团有限公司 一种敏感图像鉴别方法和装置
CN107563410A (zh) * 2017-08-04 2018-01-09 中国科学院自动化研究所 基于局部类别一致聚类和多任务学习的分类方法及设备
CN107944410A (zh) * 2017-12-01 2018-04-20 中国科学院重庆绿色智能技术研究院 一种基于卷积神经网络的跨领域面部特征解析方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112632351A (zh) * 2020-12-28 2021-04-09 北京百度网讯科技有限公司 分类模型的训练方法、分类方法、装置及设备
CN112632351B (zh) * 2020-12-28 2024-01-16 北京百度网讯科技有限公司 分类模型的训练方法、分类方法、装置及设备

Also Published As

Publication number Publication date
CN110490027B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
US11188783B2 (en) Reverse neural network for object re-identification
CN106557726B (zh) 一种带静默式活体检测的人脸身份认证系统及其方法
US20090290791A1 (en) Automatic tracking of people and bodies in video
US20030179911A1 (en) Face detection in digital images
CN110569731A (zh) 一种人脸识别方法、装置及电子设备
US9025882B2 (en) Information processing apparatus and method of processing information, storage medium and program
CN110827432B (zh) 一种基于人脸识别的课堂考勤方法及系统
CN113449704B (zh) 人脸识别模型训练方法、装置、电子设备及存储介质
KR101558547B1 (ko) 얼굴 포즈 변화에 강한 연령 인식방법 및 시스템
JP2010108494A (ja) 画像内の顔の特性を判断する方法及びシステム
CN109635647B (zh) 一种基于约束条件下的多图片多人脸的聚类方法
CN112150692A (zh) 一种基于人工智能的门禁控制方法及系统
Mady et al. Efficient real time attendance system based on face detection case study “MEDIU staff”
US9002115B2 (en) Dictionary data registration apparatus for image recognition, method therefor, and program
JPH07302327A (ja) 物体画像検出方法及び検出装置
CN111666976A (zh) 基于属性信息的特征融合方法、装置和存储介质
EP2998928B1 (en) Apparatus and method for extracting high watermark image from continuously photographed images
CN110490027A (zh) 一种用于人脸识别的人脸特征提取训练方法及系统
CN110766093A (zh) 一种基于多帧特征融合的视频目标重识别方法
Geetha et al. 3D face recognition using Hadoop
Karungaru et al. Face recognition in colour images using neural networks and genetic algorithms
Wijaya et al. Phonographic image recognition using fusion of scale invariant descriptor
Kalsi et al. A classification of emotion and gender using approximation image Gabor local binary pattern
JP2018036870A (ja) 画像処理装置及びプログラム
Lin et al. Robust face recognition with partially occluded images based on a single or a small number of training samples

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