CN110598603A - 人脸识别模型获取方法、装置、设备和介质 - Google Patents
人脸识别模型获取方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN110598603A CN110598603A CN201910821398.8A CN201910821398A CN110598603A CN 110598603 A CN110598603 A CN 110598603A CN 201910821398 A CN201910821398 A CN 201910821398A CN 110598603 A CN110598603 A CN 110598603A
- Authority
- CN
- China
- Prior art keywords
- network model
- face
- training
- face recognition
- image set
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及人脸识别技术领域,具体涉及一种基于迁移学习的人脸识别模型获取方法、装置、设备和介质,其中方法包括:利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型,利用教师网络模型对图像集中的每张人脸图像进行特征提取获取其对应的特征向量,并将该特征向量作为该张人脸图像的特征标签;根据教师网络模型生成一个与学生网络模型;利用带有特征标签的图像集训练学生网络模型得到人脸识别模型,用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。采用该人脸识别模型对人脸图像进行识别时,对存储内存要求低,计算速度快,同时具有和大型教师网络模型近似的识别精度。
Description
技术领域
本发明涉及人脸识别技术领域,具体涉及一种基于迁移学习的人脸识别模型获取方法、装置、设备和介质。
背景技术
近年来,深度神经网络在计算机视觉领域取得了极大成功,深度学习技术的发展推动了人脸识别任务的精度。得益于深度学习技术的发展,深度神经网络在人脸识别任务上的表现得到了极大的提高,已经超越人类的识别率。为了在人脸识别任务上取得高精度,通常会设计参数数量大、网络层数多的模型在大量的人工标注数据上进行训练,非常费时费力。更重要的是,大型神经网络模型在部署到实际应用场景时会面临极大的瓶颈,主要表现在大型网络需要的计算资源较多,而实际场景的计算资源有限;大型网络推理时间更长,无法满足实际场景中的实时要求。综上,高精度的模型往往包含大量的参数,这需要更大的存储空间和更长的推理时间,在资源受限和高时延要求的实际应用场景中大模型的应用会受到限制。
发明内容
本实施例提供一种基于迁移学习的人脸识别模型获取方法、装置、设备和介质,其目的在于在占用少量存储空间和计算资源的同时,还具有与大型神经网络模型相近的识别能力,以提高人脸识别的精确度。
一种基于迁移学习的人脸识别模型获取方法,包括:
利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型,用于基于所述人脸图像集中的人脸图像的特征对所述人脸图像进行分类;
利用所述教师网络模型对所述图像集中的每张人脸图像进行特征提取获取其对应的特征向量,并将所述特征向量作为该张人脸图像的特征标签;
根据所述教师网络模型生成一个学生网络模型;学生网络模型与教师网络模型相比,学生网络模型更加轻量化,参数量更少,推理时间更短。
利用带有特征标签的图像集训练所述学生网络模型得到人脸识别模型,用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。
其中,所述利用带有身份标签的人脸图像集训练一深度神经网络模型包括:
对所述人脸图像集中的图像进行归一化处理,使其中所有图像的像素值均位于预设范围内;
采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练,并根据提取出的初始特征对所述人脸图像进行分类。
进一步的,还包括:
在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练时采用交叉熵损失函数作为监督信号,以提高所述神经网络模型的特征提取能力。
其中,在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练之后还包括:
采用梯度下降法对所述深度神经网络模型进行反复多次训练,以提高该深度神经网络模型分类的精确度。
其中,利用带有特征标签的图像集训练所述学生网络模型,得到人脸识别模型时还包括:
获取所述图像集中的至少一张人脸图像,对于任意一张人脸图像分别通过所述教师网络模型和学生网络模型获取两个特征向量,并计算两个特征向量之间的相似度,判定所述相似度是否超过预设值,若是则判定所述学生网络模型达到预设训练要求,则将该学生网络模型作为人脸识别模型。
一种基于迁移学习的人脸识别模型获取装置,应用于人脸识别设备,所述装置包括:
第一训练模块,用于利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型,所述教师网络模型用于基于所述人脸图像集中的人脸图像的特征对所述人脸图像进行分类;
特征提取模块,用于利用所述教师网络模型对所述图像集中的每张人脸图像进行特征提取获取其对应的特征向量,并将所述特征向量作为该张人脸图像的特征标签;
学生网络生成模块,用于根据所述教师网络模型生成一个学生网络模型;
第二训练模块,用于采用带有特征标签的图像集训练所述学生网络模型得到人脸识别模型,所述人脸识别模型用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。
其中,还包括预处理模块,用于在利用带有身份标签的人脸图像集训练一深度神经网络模型之前,对所述人脸图像集中的图像进行归一化处理,使其中所有图像的像素值均位于预设范围内。
其中,所述第一训练模块还用于采用梯度下降法对所述深度神经网络模型进行反复多次训练,以提高该深度神经网络模型分类的精确度。
一种人脸识别装置,所述装置包括人脸识别模块,所述人脸识别模块中设有人脸识别模型,用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。
一种基于迁移学习的人脸识别模型获取设备,所述人脸识别设备包括存储器和处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如上所述的方法。
一种计算机可读存储介质,包括程序,所述程序能够被处理器执行以实现如上所述的方法。
依据上述实施例的人脸识别模型获取方法和装置,首先采用带身份标签的人脸图像集训练一个深度神经网络模型作为教师网络模型,用于对人脸图像进行高精度识别,并采用训练好的教师网络模型对图像集中每个图像进行特征提取,获取其特征向量作为该图像的特征标签。根据训练好的教师网络模型得到一个小型的学生网络模型,采用带特征标签的图像集对该学生网络模型进行训练,得到人脸识别模型,采用该人脸识别模型对人脸图像进行识别时,对存储内存要求低,计算速度快,同时具有和大型教师网络模型同等的识别精度。
附图说明
图1为本申请实施例的人脸识别方法流程图;
图2为本申请实施例的人脸识别装置结构框图;
图3为本申请实施例的人脸识别装置结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力地认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
本申请提供一种人脸识别方法和装置,该方法首先采用带身份标签的人脸图像集训练一个深度神经网络模型作为教师网络模型,用于对人脸图像进行高精度识别;并采用训练好的教师网络模型对图像集中每个图像进行特征提取,获取其特征向量作为该图像的特征标签。根据训练好的教师网络模型得到一个学生网络模型,该学生网络模型与教师网络模型相比,学生网络模型更加轻量化,参数量更少,推理时间更短。采用带特征标签的图像集对该学生网络模型进行训练,得到人脸识别模型,采用该人脸识别模型对人脸图像进行识别时,对存储内存要求低,计算速度快,同时具有和大型教师网络模型同等的识别精度。
实施例一:
请参考图1,本实施例提供一种基于迁移学习的人脸识别模型获取方法,该方法包括:
步骤101:利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型,用于基于人脸图像集中的人脸图像的特征对人脸图像进行分类。
具体的,在步骤101中,利用带有身份标签的人脸图像集训练一深度神经网络模型包括:
步骤1011:对人脸图像集中的图像进行归一化处理,使其中所有图像的像素值均位于预设范围内;归一化的作用是使得训练过程更加稳定。
步骤1012:采用深度神经网络模型对人脸图像集中每个图像进行特征提取训练,并根据提取出的初始特征对人脸图像进行分类,使用交叉熵损失函数作为监督信息,监督深度神经网络模型的训练过程,使得该深度神经网络能够学习到高效的特征提取能力。
进一步的,在采用深度神经网络模型对人脸图像集中每个图像进行特征提取训练之后还包括:
步骤1013:采用梯度下降法对深度神经网络模型进行反复多次训练,即使得该深度神经网络模型的参数得到更新和优化,以提高该深度神经网络模型分类的精确度。交叉熵可以用来衡量两个概率分布的相似程度,交叉熵损失函数经常被用来在深度神经网络的训练过程中计算网络预测的分布和实际的分布之间的距离,交叉熵损失函数的定义如下:
H(p,q)=-∑p(x)log q(x)
这里p(x)表示实际分布,q(x)表示网络预测的分布。为了保证网络预测的分布是是一个概率分布,本实施例中使用softmax函数对网络的预测值进行处理。假设网络的输出y1,y2,y3,…,yn,那么经过softmax回归处理之后的输出为:
其中,i取值为1-n中任意值,softmax(y)i表示该深度神经网络的任意一个输出值,使用softmax函数将网络的输出转换为一个概率分布,在得到预测值的概率分布后就可以使用交叉熵损失函数来计算预测分布与实际分布的距离,并使用梯度下降法来对模型的参数进行优化,以得到最优的模型参数。
步骤102:利用教师网络模型对图像集中的每张人脸图像进行特征提取获取其对应的特征向量,并将特征向量作为该张人脸图像的特征标签;这样图像集中每张人脸图像都有对应的特征标签。
步骤103:根据教师网络模型生成一个学生网络模型;学生网络模型相对于教师网络模型来说就是小模型,其占用存储空间和内存都比较小,同时对计算机处理能力要求低,在实际应用中反应更快。
步骤104:利用带有特征标签的图像集训练学生网络模型得到人脸识别模型;该人脸识别模型用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。采用人脸识别模型对待识别的人脸图像进行特征向量提取,并根据提取的特征向量即可进行人脸识别。
其中,采用步骤102中的带有特征标签的图像集来训练学生网络模型,将训练好的学生网络模型作为人脸识别模型,学生网路模型输出的也是特征向量,学习的目标由教师神经网络模型提取出的对应的特征向量。为了衡量学生网络模型的训练效果,需要比较学生网络模型的提取的特征向量与教师神经网络模型提取的特征向量之间的相似度,判定相似度是否超过预设值,若是则判定人脸识别模型达到预设训练要求。常用的相似度的计算方法有两种,一种是计算两个特征向量之间的欧式距离,假设高精度的教师网络模型和学生网络模型对于同一张人脸图片提取出的特征分别为:
Ft=(a1,a2,a3,...,an)和Fs=(b1,b2,b3,...,bn)
那么两个特征向量之间的欧式距离的平方为
d(s,t)=(a1-b1)2+(a2-b2)2+…+(an-bn)2
计算出两个特征向量之间的欧式距离,若该欧式距离小于预设值,则认为两个特征向量之间的相似度超过预设值,则认为学生网络模型达到预设训练要求,则将该学生网络模型作为人脸识别模型。采用该人脸识别模型提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。
另一种计算相似度的方法为:计算两个特征向量之间的余弦相似度,计算余弦相似度时要求特征向量的模长为1,此时对两个特征向量的模长进行归一化后分别为:
和
则上述两个归一化后的特征向量之间的余弦距离为:
1-cos(Ft′,Fs′)
判断两个归一化后的特征向量之间的余弦距离是否小于预设值,若是则认为学生网络模型达到预设训练要求,则将该学生网络模型作为人脸识别模型。
采用本实施例的方法得到人脸识别模型,采用该人脸识别模型对人脸图像进行识别时,对存储内存要求低,计算速度快,同时具有和大型教师网络模型同等的识别精度。
实施例二:
请参考图2,本实施例提供一种基于迁移学习的人脸识别模型获取装置,该装置应用于人脸识别设备,所述装置包括:
第一训练模块201,用于利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型;该教师网络模型用于基于人脸图像集中的人脸图像的特征对人脸图像进行分类。具体的训练方法和实施例1中相同,此处不再赘述。
其中,第一训练模块201还用于采用梯度下降法对深度神经网络模型进行反复多次训练,以提高该深度神经网络模型分类的精确度。
其中,该装置还包括预处理模块200,预处理模块200用于在利用带有身份标签的人脸图像集训练一深度神经网络模型之前,对人脸图像集中的图像进行归一化处理,使其中所有图像的像素值均位于预设范围内。
特征提取模块202,用于利用教师网络模型对图像集中的每张人脸图像进行特征提取获取其对应的特征向量,并将特征向量作为该张人脸图像的特征标签;这样图像集中每张人脸图像都有对应的特征标签。
学生网络生成模块203,用于根据教师网络模型生成一个与该教师网络模型结构相同的学生网络模型;学生网络模型相对于教师网络模型来说就是小模型,其占用存储空间和内存都比较小,同时对计算机处理能力要求低,在实际应用中反应更快。
第二训练模块204,用于采用带有特征标签的图像集训练学生网络模型得到人脸识别模型,人脸识别模型用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。本模块中预设的具体训练方法和实施例中相同,此处不再赘述。
采用本实施例的装置对人脸图像进行特征向量提取,并根据提取的特征向量进行人脸识别时,对存储内存要求低,计算速度快,同时具有和大型教师网络模型同等的识别精度。
实施例3
如图3,本实施例提供一种人脸识别装置,该装置包括人脸识别模块301,该人脸识别模块301中设有人脸识别模型3011,该人脸识别模型3011用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。其中,人脸识别模型3011的获取方法和实施例1中相同,此处不再赘述。
实施例4
本实施例提供一种基于迁移学习的人脸识别设备,该人脸识别设备包括存储器和处理器,存储器中存储有计算机程序指令,计算机程序指令被处理器读取并运行时,执行如实施例1所述的人脸识别方法。采用本实施例的设备对待识别的人脸图像进行特征向量提取,并根据提取的特征向量进行人脸识别时,对存储内存要求低,计算速度快,同时具有和大型教师网络模型相近的识别精度。
实施例5
本实施例提供一种计算机可读存储介质,该存储介质中包括程序,该程序能够被处理器执行以实现如实施例1提供的人脸识别方法。
以上应用了具体个例对本发明进行阐述,只是用于帮助理解本发明,并不用以限制本发明。对于本发明所属技术领域的技术人员,依据本发明的思想,还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种基于迁移学习的人脸识别模型获取方法,其特征在于,包括:
利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型,用于基于所述人脸图像集中的人脸图像的特征对所述人脸图像进行分类;
利用所述教师网络模型对所述图像集中的每张人脸图像进行特征提取获取其对应的特征向量,并将所述特征向量作为该张人脸图像的特征标签;
根据所述教师网络模型生成一个学生网络模型;
利用带有特征标签的图像集训练所述学生网络模型得到人脸识别模型。
2.如权利要求1所述的人脸识别方法,其特征在于,所述利用带有身份标签的人脸图像集训练一深度神经网络模型包括:
对所述人脸图像集中的图像进行归一化处理,使其中所有图像的像素值均位于预设范围内;
采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练,并根据提取出的初始特征对所述人脸图像进行分类。
3.如权利要求2所述的人脸识别方法,其特征在于,还包括:
在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练时采用交叉熵损失函数作为监督信号,以提高所述神经网络模型的特征提取能力。
4.如权利要求2所述的人脸识别方法,其特征在于,在采用所述深度神经网络模型对所述人脸图像集中每个图像进行特征提取训练之后还包括:
采用梯度下降法对所述深度神经网络模型进行反复多次训练,以提高该深度神经网络模型分类的精确度。
5.如权利要求1所述的人脸识别方法,其特征在于,利用带有特征标签的图像集训练所述学生网络模型,得到人脸识别模型时还包括:
获取所述图像集中的至少一张人脸图像,对于任意一张人脸图像分别通过所述教师网络模型和学生网络模型获取两个特征向量,并计算两个特征向量之间的相似度,判定所述相似度是否超过预设值,若是则判定所述学生网络模型达到预设训练要求,则将该学生网络模型作为人脸识别模型。
6.一种基于迁移学习的人脸识别模型获取装置,其特征在于,应用于人脸识别设备,所述装置包括:
第一训练模块,用于利用带有身份标签的人脸图像集训练一深度神经网络模型作为教师网络模型,所述教师网络模型用于基于所述人脸图像集中的人脸图像的特征对所述人脸图像进行分类;
特征提取模块,用于利用所述教师网络模型对所述图像集中的每张人脸图像进行特征提取获取其对应的特征向量,并将所述特征向量作为该张人脸图像的特征标签;
学生网络生成模块,用于根据所述教师网络模型生成一个学生网络模型;
第二训练模块,用于采用带有特征标签的图像集训练所述学生网络模型得到人脸识别模型。
7.如权利要求6所述的人脸识别模型获取装置,其特征在于,还包括预处理模块,用于在利用带有身份标签的人脸图像集训练一深度神经网络模型之前,对所述人脸图像集中的图像进行归一化处理,使其中所有图像的像素值均位于预设范围内。
8.一种人脸识别装置,其特征在于,所述装置包括人脸识别模块,所述人脸识别模块中设有人脸识别模型,用于提取待识别图像的特征向量并根据该特征向量识别该人脸图像的身份标签。
9.一种基于迁移学习的人脸识别模型获取设备,其特征在于,所述人脸识别设备包括存储器和处理器,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器读取并运行时,执行如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,包括程序,所述程序能够被处理器执行以实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821398.8A CN110598603A (zh) | 2019-09-02 | 2019-09-02 | 人脸识别模型获取方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910821398.8A CN110598603A (zh) | 2019-09-02 | 2019-09-02 | 人脸识别模型获取方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598603A true CN110598603A (zh) | 2019-12-20 |
Family
ID=68856802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910821398.8A Pending CN110598603A (zh) | 2019-09-02 | 2019-09-02 | 人脸识别模型获取方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598603A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144417A (zh) * | 2019-12-27 | 2020-05-12 | 创新奇智(重庆)科技有限公司 | 基于教师学生网络的智能货柜小目标检测方法及检测系统 |
CN111209832A (zh) * | 2019-12-31 | 2020-05-29 | 华瑞新智科技(北京)有限公司 | 变电站巡检机器人辅助避障训练方法、设备及介质 |
CN111553333A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 人脸图像识别模型训练方法、识别方法、装置和电子设备 |
CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及介质 |
CN111753877A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
CN111814717A (zh) * | 2020-07-17 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置及电子设备 |
CN111950638A (zh) * | 2020-08-14 | 2020-11-17 | 厦门美图之家科技有限公司 | 基于模型蒸馏的图像分类方法、装置和电子设备 |
CN112766422A (zh) * | 2021-03-15 | 2021-05-07 | 山东大学 | 一种基于轻量级人脸识别模型的隐私保护方法 |
CN112560978B (zh) * | 2020-12-23 | 2023-09-12 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024641A1 (en) * | 2015-07-22 | 2017-01-26 | Qualcomm Incorporated | Transfer learning in neural networks |
CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
CN108133238A (zh) * | 2017-12-29 | 2018-06-08 | 国信优易数据有限公司 | 一种人脸识别模型训练方法和装置及人脸识别方法和装置 |
CN108664893A (zh) * | 2018-04-03 | 2018-10-16 | 福州海景科技开发有限公司 | 一种人脸检测方法及存储介质 |
CN109800821A (zh) * | 2019-01-31 | 2019-05-24 | 北京市商汤科技开发有限公司 | 训练神经网络的方法、图像处理方法、装置、设备和介质 |
CN110033077A (zh) * | 2019-02-11 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 神经网络训练方法以及装置 |
CN110147456A (zh) * | 2019-04-12 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 一种图像分类方法、装置、可读存储介质及终端设备 |
CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置和存储介质 |
-
2019
- 2019-09-02 CN CN201910821398.8A patent/CN110598603A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170024641A1 (en) * | 2015-07-22 | 2017-01-26 | Qualcomm Incorporated | Transfer learning in neural networks |
CN107909101A (zh) * | 2017-11-10 | 2018-04-13 | 清华大学 | 基于卷积神经网络的半监督迁移学习字符识别方法及系统 |
CN108133238A (zh) * | 2017-12-29 | 2018-06-08 | 国信优易数据有限公司 | 一种人脸识别模型训练方法和装置及人脸识别方法和装置 |
CN108664893A (zh) * | 2018-04-03 | 2018-10-16 | 福州海景科技开发有限公司 | 一种人脸检测方法及存储介质 |
CN110163234A (zh) * | 2018-10-10 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置和存储介质 |
CN109800821A (zh) * | 2019-01-31 | 2019-05-24 | 北京市商汤科技开发有限公司 | 训练神经网络的方法、图像处理方法、装置、设备和介质 |
CN110033077A (zh) * | 2019-02-11 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 神经网络训练方法以及装置 |
CN110147456A (zh) * | 2019-04-12 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 一种图像分类方法、装置、可读存储介质及终端设备 |
Non-Patent Citations (1)
Title |
---|
葛仕明等: "基于深度特征蒸馏的人脸识别", 《北京交通大学学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144417A (zh) * | 2019-12-27 | 2020-05-12 | 创新奇智(重庆)科技有限公司 | 基于教师学生网络的智能货柜小目标检测方法及检测系统 |
CN111209832A (zh) * | 2019-12-31 | 2020-05-29 | 华瑞新智科技(北京)有限公司 | 变电站巡检机器人辅助避障训练方法、设备及介质 |
CN111209832B (zh) * | 2019-12-31 | 2023-07-25 | 华瑞新智科技(北京)有限公司 | 变电站巡检机器人辅助避障训练方法、设备及介质 |
CN111753877A (zh) * | 2020-05-19 | 2020-10-09 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
CN111753877B (zh) * | 2020-05-19 | 2024-03-05 | 海克斯康制造智能技术(青岛)有限公司 | 一种基于深度神经网络迁移学习的产品质量检测方法 |
CN111553333B (zh) * | 2020-07-10 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 人脸图像识别模型训练方法、识别方法、装置和电子设备 |
CN111553333A (zh) * | 2020-07-10 | 2020-08-18 | 支付宝(杭州)信息技术有限公司 | 人脸图像识别模型训练方法、识别方法、装置和电子设备 |
CN111814717A (zh) * | 2020-07-17 | 2020-10-23 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置及电子设备 |
CN111814717B (zh) * | 2020-07-17 | 2022-09-27 | 腾讯科技(深圳)有限公司 | 人脸识别方法、装置及电子设备 |
CN111950638A (zh) * | 2020-08-14 | 2020-11-17 | 厦门美图之家科技有限公司 | 基于模型蒸馏的图像分类方法、装置和电子设备 |
CN111950638B (zh) * | 2020-08-14 | 2024-02-06 | 厦门美图之家科技有限公司 | 基于模型蒸馏的图像分类方法、装置和电子设备 |
CN111709409A (zh) * | 2020-08-20 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及介质 |
CN111709409B (zh) * | 2020-08-20 | 2020-11-20 | 腾讯科技(深圳)有限公司 | 人脸活体检测方法、装置、设备及介质 |
CN112560978B (zh) * | 2020-12-23 | 2023-09-12 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、电子设备及存储介质 |
CN112766422A (zh) * | 2021-03-15 | 2021-05-07 | 山东大学 | 一种基于轻量级人脸识别模型的隐私保护方法 |
CN112766422B (zh) * | 2021-03-15 | 2022-11-15 | 山东大学 | 一种基于轻量级人脸识别模型的隐私保护方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598603A (zh) | 人脸识别模型获取方法、装置、设备和介质 | |
CN111554268B (zh) | 基于语言模型的语言识别方法、文本分类方法和装置 | |
EP3971772A1 (en) | Model training method and apparatus, and terminal and storage medium | |
EP3696729A1 (en) | Method, apparatus, device and readable storage medium for image-based data processing | |
CN110837846B (zh) | 一种图像识别模型的构建方法、图像识别方法及装置 | |
CN110866140A (zh) | 图像特征提取模型训练方法、图像搜索方法及计算机设备 | |
CN112732871B (zh) | 一种机器人催收获取客户意向标签的多标签分类方法 | |
WO2024060684A1 (zh) | 模型训练方法、图像处理方法、设备及存储介质 | |
Chen et al. | Learning capsules for vehicle logo recognition | |
CN112820301A (zh) | 一种融合分布对齐和对抗学习的无监督跨域声纹识别方法 | |
CN110968725A (zh) | 图像内容描述信息生成方法、电子设备及存储介质 | |
CN109255339A (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
Hoxha et al. | Remote sensing image captioning with SVM-based decoding | |
CN111242114B (zh) | 文字识别方法及装置 | |
CN116994021A (zh) | 图像检测方法、装置、计算机可读介质及电子设备 | |
KR101334858B1 (ko) | 나비종 자동분류 시스템 및 방법, 이를 이용한 나비종 자동분류 기능이 구비된 휴대 단말기 | |
CN116168274A (zh) | 对象检测方法以及对象检测模型训练方法 | |
CN115222047A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN115359296A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114913871A (zh) | 目标对象分类方法、系统、电子设备及存储介质 | |
CN110163222B (zh) | 一种图像识别的方法、模型训练的方法以及服务器 | |
CN115017321A (zh) | 一种知识点预测方法、装置、存储介质以及计算机设备 | |
CN112949672A (zh) | 商品识别方法、装置、设备以及计算机可读存储介质 | |
CN116912920B (zh) | 表情识别方法及装置 |
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 |