CN110490133A - 一种基于生成对抗网络由父母照片生成子女照片的方法 - Google Patents

一种基于生成对抗网络由父母照片生成子女照片的方法 Download PDF

Info

Publication number
CN110490133A
CN110490133A CN201910766818.7A CN201910766818A CN110490133A CN 110490133 A CN110490133 A CN 110490133A CN 201910766818 A CN201910766818 A CN 201910766818A CN 110490133 A CN110490133 A CN 110490133A
Authority
CN
China
Prior art keywords
facial image
son
photo
network
generator
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.)
Withdrawn
Application number
CN201910766818.7A
Other languages
English (en)
Inventor
章东平
束元
陈思瑶
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN201910766818.7A priority Critical patent/CN110490133A/zh
Publication of CN110490133A publication Critical patent/CN110490133A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于生成对抗网络由父母照片生成子女照片的方法，将人脸图像数据行划分为训练样本集与测试样本集，并对训练样本集中的人脸图像进行数据预处理。之后，重新构建生成对抗中生成器的卷积神经网络结构，加入了反卷积。然后，将训练样本集和对应人脸照片的年龄信息一同输入到模型中进行训练，并保存各生成器、判断器和相似度模型的网络参数。最后，利用经过数据预处理后的测试样本集对生成器和判断器模型进行测试，获得测试结果。本发明旨在当需要对一个人通过人脸图像进行身份识别而一时只有其父母的人脸图像的情况下，能够迅速的对其身份进行初步认证。

Description

一种基于生成对抗网络由父母照片生成子女照片的方法
技术领域
本发明属于深度学习图像识别领域，涉及到生成对抗网络、卷积神经网络、深度学习和图像匹配等技术，具体涉及到一种基于生成对抗网络由父母照片生成子女照片的方法。
背景技术
近年来，随着计算机技术的迅速发展，图像识别技术得到广泛研究与开发，例如人脸识别和行人识别就是近30年里模式识别和图像处理中最热门的研究主题之一，它们的目的分别是从人脸和行人图像中抽取人的个性化特征，并以此来识别人的身份。
在人脸识别和行人识别的工作中，制作合适的数据集往往是一个巨大的难题。以人脸识别为例，想要通过人脸来进行身份识别需要采集同一摄像头下大量不同角度的人脸图像。同时还要将光照、天气、角度、遮挡等常见因素，甚至时间因素考虑在内，这就导致了人脸图像的短期内不同标签数据量悬殊的问题。
2014年Goodfellow Ian提出生成对抗网络Generative Adversarial Nets(GAN)概念后，GAN瞬间风靡了整个学术圈，利用GAN来根据需求自由生成目标图像以起到扩充数据集的作用。
GAN主要包括了两个部分，即生成器generator与判别器discriminator。生成器主要用来学习真实图像分布从而让自身生成的图像更加真实，以骗过判别器。判别器则需要对接收的图片进行真假判别。这就使得在整个过程中，生成器努力地让生成的图像更加真实，而判别器则努力地去识别出图像的真假。随着时间的推移，生成器和判别器在不断地进行对抗的过程中，两个网络最终达到了一个动态均衡：即生成器生成的图像接近于真实图像分布，而判别器识别不出真假图像，对于给定图像的预测为真的概率基本接近0.5。
发明内容
本发明的目的在于提供一种基于生成对抗网络由父母照片生成子女照片的方法，以解决上述技术问题。其具体技术方案如下：
一种基于生成对抗网络由父母照片生成子女照片的方法，按照如下步骤进行：
步骤1：收集同一家庭的不同全家福照片中的人脸图像作为训练数据集，将训练数据依据家庭关系分为4类，分别为：父亲、母亲、儿子、女儿，并对图像的大小进行归一化预处理；
步骤2：基于生成对抗网络的由父母照片生成子女照片的模型由3个模块组成，分别为生成对抗网络中的生成器G(ij)k(i,j＝1,2且i≠j,k＝3,4)、生成对抗网络中的判断器Dk(k＝3,4)以及相似度模型S；
其中，生成器G(ij)k采用残差卷积神经网络结构，输入为一张父亲的人脸图像、一张母亲的人脸图像以及两人对应照片上的年龄，输出得到一张儿子或女儿的人脸图像，其损失函数记为LG；
判断器Dk，其输入为一张真实的儿子或女儿的人脸图像和一张由生成器G(ij)k生成的儿子或女儿的人脸图像，输出值表示将输入图像判断为真实的儿子或女儿的人脸图像的概率，其损失函数记为LD；
相似度模型S，直接使用预训练好的人脸识别模型，分别将两张人脸图像输入到相似度模型中，提取特征层中特征计算欧式距离，输出的是两张人脸图像的相似度，其损失函数记为LS；
步骤3：输入两张类别分别为i和j的人脸图像Xi和Xj，以及对应的年龄Ai和Aj,通过生成器G(ij)k生成人脸图像X(ij)k；
步骤4：再将X(ij)k和类别k的真实人脸图像Xk输入判断器Dk中，得到判断生成的虚拟图像X(ij)k为真实的人脸图像Xk的概率p；
步骤5：将X(ij)k、Xi和X(ij)k、Xj分别输入至相似度模型S中，得到真实的父亲人脸图像与生成的儿子或女儿人脸图像之间的相似度，以及真实的母亲人脸图像与生成的儿子或女儿人脸图像之间的相似度s；
步骤6：损失函数L＝LG+LD+Ls，遍历i，j，k(i，j＝1，2且i≠j，k＝3，4)，调整G(ij)k和相似度模型S的参数使得L值最小，调整Dk的参数使得L值最大；
步骤7：保持判断器Dk的参数不变，反复执行步骤2至步骤6，调整对应生成器网络和相似度模型的参数，使得L值逐渐变小直至稳定；
步骤8：保持各个生成器和相似度模型的参数不变，反复执行步骤2至步骤6，调整对应判断器Dk的网络参数，使得L值逐渐变大直至稳定；
步骤9：重复步骤7和步骤8，直至损失函数L收敛。
作为优选，步骤2中生成对抗网络的训练过程为：
将父母的人脸图像输入至预训练好的年龄识别网络中，分别得到父母的年龄Ai和Aj，再将父母的人脸图像与对应的年龄信息一同输入至生成器G(ij)k中，从而生成儿子或女儿的人脸图像，并且生成的儿子或女儿的人脸有年龄限制，即对应生成的儿子或女儿的年龄在[min(Ai,Aj)-b-a,min(Ai,Aj)-b+a]的范围内，其中，a、b为一个人为设定的常数。
作为优选，步骤2中生成器的网络结构为：
生成器的网络结构采用卷积与反卷积所构成的U形网络，同时加入残差的思想构成新的网络结构，网络的最后一层用1x1的卷积层代替sigmod层，其中卷积层N层与反卷积层M层，并且采用残差的思想将第k层卷积层输出的特征图输入至网络倒数第k层反卷积层中，每隔k层进行一次上述操作，每个卷积层后的激活函数采用线性整流函数：ReLU函数。
作为优选，步骤2中各个损失函数为：
损失函数LG的计算公式为：
其中，f是构造出的一个含参数w的连续函数，w代表一组在一定范围内的参数，x～Pg表示x取自生成器G的输出图像集；
损失函数LD的计算公式为：
其中，x～Pr表示x取自真实图像集；
损失函数LS的计算公式为：
LS＝αLf+βLm
其中，Lf和Lm分别表示父亲与儿子或女儿以及母亲与儿子或女儿的人脸相似度损失，且α和β为常数系数，其表达式分别为：
其中，xi～Pdata(xi)表示xi取自类别i的真实图像集；φf(xi)表示xi通过相似度模型S后特征层的输出值；d(φf(xi),φf(xk))计算φf(xi)和φf(xk)的欧式距离。
与现有的技术相比，本发明具有如下优点：
本发明的基于生成对抗网络由父母照片生成子女照片的方法，同时训练多个生成器和判断器，将改进的传统GAN损失和相似度损失相结合，共同作为训练过程中的目标函数。首先，将人脸图像数据行划分为训练样本集与测试样本集，并对训练样本集中的人脸图像进行数据预处理。之后，重新构建生成对抗中生成器的卷积神经网络结构，加入了反卷积。然后，将训练样本集和对应人脸照片的年龄信息一同输入到模型中进行训练，并保存各生成器、判断器和相似度模型的网络参数。最后，利用经过数据预处理后的测试样本集对生成器和判断器模型进行测试，获得测试结果。本发明旨在当需要对一个人通过人脸图像进行身份识别而一时只有其父母的人脸图像的情况下，能够迅速的对其身份进行初步认证。
附图说明
图1是一种基于生成对抗网络由父母照片生成儿子照片的方法实施例流程图；
图2是一种基于生成对抗网络由父母照片生成儿子照片的方法实施例中生成对抗网络生成器G的网络结构；
图3：一种基于生成对抗网络由父母照片生成儿子照片的方法实施例中生成器G输入的父母人脸图像；
图4：一种基于生成对抗网络由父母照片生成儿子照片的方法实施例中真实的儿子人脸图像。
图5：一种基于生成对抗网络由父母照片生成儿子照片的方法实施例中生成的虚拟儿子人脸图像。
具体实施方式
下面结合实施例对本发明做进一步的描述。
以下实施例用于说明本发明，但不能用来限制本发明的保护范围。实施例中的条件可以根据具体条件做进一步的调整，在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。
如图1所示，本发明的基于生成对抗网络由父母照片生成儿子照片的方法，按照如下步骤进行：
步骤1：收集同一家庭的不同全家福照片中的人脸图像作为数据集，将训练数据依据家庭关系分为3类，分别为：父亲、母亲、儿子，并对图像的大小进行归一化预处理；
步骤2：基于生成对抗网络的由父母照片生成儿子照片的模型由3个模块组成，分别为生成对抗网络中的生成器G(ij)3(i,j＝1,2)、生成对抗网络中的判断器D3以及相似度模型S；
其中，生成器G(ij)3采用残差卷积神经网络结构，输入为一张父亲的人脸图像、一张母亲的人脸图像以及两人对应照片上的年龄，输出得到一张儿子的人脸图像，其损失函数记为LG；
判断器D3，其输入为一张真实的儿子的人脸图像和一张由生成器G(ij)3生成的儿子的人脸图像，输出值表示将输入图像判断为真实的儿子的人脸图像的概率p，一般，当判断器D3的输出值p大于等于0.8时，认为生成的儿子的虚拟人脸图像可以当做真实的儿子人脸图像，并在实际中应用，其损失函数记为LD；
相似度模型S，直接使用预训练好的人脸识别模型，输入同一家庭中一张父亲(或母亲)的真实人脸图像和一张由生成器生成的儿子的虚拟人脸图像到相似度模型S中，提取特征层中特征计算欧式距离，输出的是两张人脸图像的相似度s，一般情况下相似度s大于等于0.4时，认为这两个人是父子或者母子关系，其损失函数记为LS；
步骤3：输入两张类别分别为i和j的人脸图像Xi和Xj，以及对应的年龄Ai和Aj,通过生成器G(ij)3生成人脸图像X(ij)3；
步骤4：再将X(ij)3和真实人脸图像X3输入判断器D3中，得到判断生成的虚拟图像X(ij)3为真实的人脸图像X3的概率p；
步骤5：将X(ij)3、Xi和X(ij)3、Xj分别输入至相似度模型S中，得到真实的父亲人脸图像与生成的儿子人脸图像之间的相似度，以及真实的母亲人脸图像与生成的儿子人脸图像之间的相似度s；
步骤6：损失函数L＝LG+LD+Ls，遍历i，j，k(i，j＝1，2且i≠j，k＝3)，调整G(ij)3和相似度模型S的参数使得L值最小，调整D3的参数使得L值最大；
步骤7：保持判断器D3的参数不变，反复执行步骤2至步骤6，调整对应生成器网络和相似度模型的参数，使得L值逐渐变小直至稳定；
步骤8：保持各个生成器和相似度模型的参数不变，反复执行步骤2至步骤6，调整对应判断器Dk的网络参数，使得L值逐渐变大直至稳定；
步骤9：重复步骤7和步骤8，直至损失函数L收敛。
其中，步骤2中生成对抗网络的训练过程为：
将父母的人脸图像输入至预训练好的年龄识别网络中，分别得到父母的年龄A1和A2，再将父母的人脸图像与对应的年龄信息一同输入至生成器G(ij)3中，从而生成儿子的人脸图像，并且生成的儿子的人脸有年龄限制，即对应生成的儿子或女儿的年龄在[min(Ai,Aj)-b-a,min(Ai,Aj)-b+a]的范围内，其中，a＝2、b＝20。当父亲40岁，母亲35岁时，对应生成的儿子或女儿的照片年龄在[13，17]之间。
步骤2中生成器的网络结构为：
生成器的网络结构采用卷积与反卷积所构成的U形网络，同时加入残差的思想构成新的网络结构，网络的最后一层用1x1的卷积层代替sigmod层，其中卷积层7层与反卷积层7层，并且采用残差的思想将第2层卷积层输出的特征图输入至网络倒数第2层反卷积层中，每隔2层进行一次上述操作，每个卷积层后的激活函数采用线性整流函数：ReLU函数。
步骤2中各个损失函数为：
损失函数LG的计算公式为：
其中，f是构造出的一个含参数w的连续函数，w代表一组在[2，5]范围内的参数，一般采用即w＝3，x～Pg表示x取自生成器G的输出图像集；
损失函数LD的计算公式为：
其中，x～Pr表示x取自真实图像集；
损失函数LS的计算公式为：
LS＝αLf+βLm
其中，Lf和Lm分别表示父亲与儿子或女儿以及母亲与儿子或女儿的人脸相似度损失，且α和β为常数系数，实例中若选择生成儿子则一般取α＝0.7、β＝0.3，若选择生成女儿则一般取α＝0.3、β＝0.7，其表达式分别为：
其中，xi～Pdata(xi)表示xi取自类别i的真实图像集；φf(xi)表示xi通过相似度模型S后特征层的输出值；d(φf(xi),φf(xk))计算φf(xi)和φf(xk)的欧式距离。
如图3所示，输入至生成器G的父母人脸图像的尺寸大小均为358像素×441像素，其中父亲和母亲的年龄分别为40岁和35岁；如图4所示为真实的儿子人脸图像，图5所示为通过本发明提供的生成器G生成的虚拟儿子人脸图像。
下表为各个人脸图像之间的相似度数据：
从上表中可以看出，1、虚拟的儿子人脸图像与父亲和母亲的相似度分别达到0.547和0.438，均大于0.4的临界值，即可得出结论：虚拟的儿子人脸图像与真实的父母人脸图像可以认定为父子和母子关系；2、虚拟的儿子人脸图像和真实的儿子人脸图像的相似度值为0.912，大于临界值0.8，因此，生成的虚拟的儿子人脸图像可以作为真实的儿子人脸图像做实际使用。
本发明的一种基于生成对抗网络由父母照片生成子女照片的方法，通过收集有限的父母照片数据集，过程中建立基于对抗网络的生成器、判断器以及相似度三个模块，通过调整生成器和相似度模型得到符合条件的损失函数L值，得到可作为实际应用的生成的虚拟子女图像。实际应用中，在仅有父母人脸图像数据的情况下，可迅速对目标人物进行初步人脸识别。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于生成对抗网络由父母照片生成子女照片的方法，其特征在于，按照如下步骤进行：
步骤1：收集同一家庭的不同全家福照片中的人脸图像作为训练数据集，将训练数据依据家庭关系分为4类，分别为：父亲、母亲、儿子、女儿，并对图像的大小进行归一化预处理；
步骤2：基于生成对抗网络的由父母照片生成子女照片的模型由3个模块组成，分别为生成对抗网络中的生成器G(ij)k(i,j＝1,2且i≠j,k＝3,4)、生成对抗网络中的判断器Dk(k＝3,4)以及相似度模型S；
其中，生成器G(ij)k采用残差卷积神经网络结构，输入为一张父亲的人脸图像、一张母亲的人脸图像以及两人对应照片上的年龄，输出得到一张儿子或女儿的人脸图像，其损失函数记为LG；
判断器Dk，其输入为一张真实的儿子或女儿的人脸图像和一张由生成器G(ij)k生成的儿子或女儿的人脸图像，输出值表示将输入图像判断为真实的儿子或女儿的人脸图像的概率，其损失函数记为LD；
相似度模型S，直接使用预训练好的人脸识别模型，分别将两张人脸图像输入到相似度模型中，提取特征层中特征计算欧式距离，输出的是两张人脸图像的相似度，其损失函数记为LS；
步骤3：输入两张类别分别为i和j的人脸图像Xi和Xj，以及对应的年龄Ai和Aj,通过生成器G(ij)k生成人脸图像X(ij)k；
步骤4：再将X(ij)k和类别k的真实人脸图像Xk输入判断器Dk中，得到判断生成的虚拟图像X(ij)k为真实的人脸图像Xk的概率p；
步骤5：将X(ij)k、Xi和X(ij)k、Xj分别输入至相似度模型S中，得到真实的父亲人脸图像与生成的儿子或女儿人脸图像之间的相似度，以及真实的母亲人脸图像与生成的儿子或女儿人脸图像之间的相似度；
步骤6：损失函数L＝LG+LD+Ls，遍历i，j，k(i，j＝1，2且i≠j，k＝3，4)，调整G(ij)k和相似度模型S的参数使得L值最小，调整Dk的参数使得L值最大；
步骤7：保持判断器Dk的参数不变，反复执行步骤2至步骤6，调整对应生成器网络和相似度模型的参数，使得L值逐渐变小直至稳定；
步骤8：保持各个生成器和相似度模型的参数不变，反复执行步骤2至步骤6，调整对应判断器Dk的网络参数，使得L值逐渐变大直至稳定；
步骤9：重复步骤7和步骤8，直至损失函数L收敛。
2.如权利要求1所述的一种基于生成对抗网络由父母照片生成子女照片的方法，其特征在于：步骤2中生成对抗网络的训练过程为：
将父母的人脸图像输入至预训练好的年龄识别网络中，分别得到父母的年龄Ai和Aj，再将父母的人脸图像与对应的年龄信息一同输入至生成器G(ij)k中，从而生成儿子或女儿的人脸图像，并且生成的儿子或女儿的人脸有年龄限制，即对应生成的儿子或女儿的年龄在[min(Ai,Aj)-b-a,min(Ai,Aj)-b+a]的范围内，其中，a、b为人为设定的常数。
3.如权利要求1所述的一种基于生成对抗网络由父母照片生成子女照片的方法，其特征在于：步骤2中生成器的网络结构为：
生成器的网络结构采用卷积与反卷积所构成的U形网络，同时加入残差的思想构成新的网络结构，网络的最后一层用1x1的卷积层代替sigmod层，其中卷积层N层与反卷积层M层，并且采用残差的思想将第k层卷积层输出的特征图输入至网络倒数第k层反卷积层中，每隔k层进行一次上述操作，每个卷积层后的激活函数采用线性整流函数：ReLU函数。
4.如权利要求1所述的一种基于生成对抗网络由父母照片生成子女照片的方法，其特征在于：步骤2中各个损失函数为：
损失函数LG的计算公式为：
其中，f是构造出的一个含参数w的连续函数，w代表一组在一定范围内的参数，x～Pg表示x取自生成器G的输出图像集；
损失函数LD的计算公式为：
其中，x～Pr表示x取自真实图像集；
损失函数LS的计算公式为：
LS＝αLf+βLm
其中，Lf和Lm分别表示父亲与儿子或女儿以及母亲与儿子或女儿的人脸相似度损失，且α和β为常数系数，其表达式分别为：
其中，xi～Pdata(xi)表示xi取自类别i的真实图像集；φf(xi)表示xi通过相似度模型S后特征层的输出值；d(φf(xi),φf(xk))计算φf(xi)和φf(xk)的欧式距离。
CN201910766818.7A 2019-08-19 2019-08-19 一种基于生成对抗网络由父母照片生成子女照片的方法 Withdrawn CN110490133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910766818.7A CN110490133A (zh) 2019-08-19 2019-08-19 一种基于生成对抗网络由父母照片生成子女照片的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910766818.7A CN110490133A (zh) 2019-08-19 2019-08-19 一种基于生成对抗网络由父母照片生成子女照片的方法

Publications (1)

Publication Number Publication Date
CN110490133A true CN110490133A (zh) 2019-11-22

Family

ID=68552074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910766818.7A Withdrawn CN110490133A (zh) 2019-08-19 2019-08-19 一种基于生成对抗网络由父母照片生成子女照片的方法

Country Status (1)

Country Link
CN (1) CN110490133A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570349A (zh) * 2019-09-11 2019-12-13 中国计量大学 一种基于生成对抗网络由父母照片生成子女照片的方法
CN112669203A (zh) * 2020-12-30 2021-04-16 咪咕文化科技有限公司 图像中的人物性转方法、电子设备和存储介质
CN114708644A (zh) * 2022-06-02 2022-07-05 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570349A (zh) * 2019-09-11 2019-12-13 中国计量大学 一种基于生成对抗网络由父母照片生成子女照片的方法
CN112669203A (zh) * 2020-12-30 2021-04-16 咪咕文化科技有限公司 图像中的人物性转方法、电子设备和存储介质
CN112669203B (zh) * 2020-12-30 2024-04-12 咪咕文化科技有限公司 图像中的人物性转方法、电子设备和存储介质
CN114708644A (zh) * 2022-06-02 2022-07-05 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统
CN114708644B (zh) * 2022-06-02 2022-09-13 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统

Similar Documents

Publication Publication Date Title
CN107886064B (zh) 一种基于卷积神经网络的人脸识别场景适应的方法
CN109523463A (zh) 一种基于条件生成对抗网络的人脸老化方法
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN104866829B (zh) 一种基于特征学习的跨年龄人脸验证方法
CN109522853B (zh) 面向监控视频的人脸检测与搜索方法
CN106295584A (zh) 深度迁移学习在人群属性的识别方法
CN110349136A (zh) 一种基于深度学习的篡改图像检测方法
CN110929679B (zh) 一种基于gan的无监督自适应行人重识别方法
CN110490133A (zh) 一种基于生成对抗网络由父母照片生成子女照片的方法
CN108573243A (zh) 一种基于深度卷积神经网络的低质量人脸的比对方法
CN109902615A (zh) 一种基于对抗网络的多个年龄段图像生成方法
CN110472495B (zh) 一种基于图形推理全局特征的深度学习人脸识别方法
CN109359550B (zh) 基于深度学习技术的满文文档印章提取与去除方法
CN110084149A (zh) 一种基于难样本四元组动态边界损失函数的人脸验证方法
CN109344856B (zh) 一种基于多层判别式特征学习的脱机签名鉴别方法
CN104298973A (zh) 基于自编码器的人脸图像旋转方法
CN109766873A (zh) 一种混合可变形卷积的行人再识别方法
CN109886153A (zh) 一种基于深度卷积神经网络的实时人脸检测方法
CN109871892A (zh) 一种基于小样本度量学习的机器人视觉认知系统
CN112784779A (zh) 一种基于特征金字塔多级特征融合的遥感影像场景分类方法
CN110069992B (zh) 一种人脸图像合成方法、装置、电子设备及存储介质
CN108427740A (zh) 一种基于深度度量学习的图像情感分类与检索算法
CN109241814A (zh) 基于yolo神经网络的行人检测方法
CN110222607A (zh) 人脸关键点检测的方法、装置及系统
CN107679501A (zh) 一种基于标签自提纯的深度学习方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20191122

WW01 Invention patent application withdrawn after publication