CN110633698A - 基于循环生成对抗网络的红外图片识别方法、设备及介质 - Google Patents

基于循环生成对抗网络的红外图片识别方法、设备及介质 Download PDF

Info

Publication number
CN110633698A
CN110633698A CN201910945328.3A CN201910945328A CN110633698A CN 110633698 A CN110633698 A CN 110633698A CN 201910945328 A CN201910945328 A CN 201910945328A CN 110633698 A CN110633698 A CN 110633698A
Authority
CN
China
Prior art keywords
infrared
visible light
picture
countermeasure network
pictures
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
Application number
CN201910945328.3A
Other languages
English (en)
Inventor
康燕斌
张志齐
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.)
Shanghai Is According To Figure Network Technology Co Ltd
Shanghai Yitu Network Science and Technology Co Ltd
Original Assignee
Shanghai Is According To Figure Network Technology 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 Shanghai Is According To Figure Network Technology Co Ltd filed Critical Shanghai Is According To Figure Network Technology Co Ltd
Priority to CN201910945328.3A priority Critical patent/CN110633698A/zh
Publication of CN110633698A publication Critical patent/CN110633698A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

基于循环生成对抗网络的红外图片识别方法、设备及介质，方法包括：获得人脸的红外图片集 X、可见光图片集 Y；构建循环生成对抗网络，输入红外图片、可见光图片，并分别通过生成器G、F对红外图片、可见光图片进行相互转换；将转换结果分别置入判别器Dx和Dy中，判断是否是同一个人。本发明利用循环生成网络分别对一个人的可见光、红外人脸图片进行转换，解决红外场景人脸识别问题，并且对于数据的要求大大降低，提升红外场景人脸识别的性能。

Description

基于循环生成对抗网络的红外图片识别方法、设备及介质
技术领域
本发明涉及计算机图片处理领域，具体地说是一种基于循环生成对抗网络的红外图片识别方法、设备及介质。
背景技术
人脸识别技术属于生物识别领域，在安防、监控以及公司管理等场合具有广阔的应用前景。而其中，红外热成像中的人脸识别是近几年所关注的热点。与常见的彩色图像相比，红外图像既有彩色图像的鲁棒性特点，又有着更好的灰度对比度信息，可以一定程度上弥补可见光图像在人脸识别中的一些固有问题。
在人脸识别领域，在光线充足的场景下可以采用可见光图像进行人脸识别，而在光线微弱的场景下则一般通过红外图像进行人脸识别。为了能够更加有效地利用红外图像中的场景信息，行业内较多采用了融合可见光和红外图像的识别方法。
现有技术中，针对红外光下的人脸识别，通常需要专门的红外场景下的人脸识别模型，以训练专门的红外场景人脸识别模型，较为繁琐；而专门构建红外场景数据集(需要有足够多的红外人脸图)的数据量却少于可见光识别模型训练, 识别性能差于可见光模型，应用中存在较多不足。
循环生成对抗网络（CycleGAN）在2017年首次发表于文章《Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks》中；其功能特点是可以自动将某一类图片转换成另外一类图片。而传统的GAN是单向生成，CycleGAN则是互相生成。
循环生成对抗网络有两个镜像对称的GAN，因而构成了一个环形网络。由于其网络是个环形，所以命名中加入循环（Cycle）作为其特征。CycleGAN的实质，就是一个A→B单向GAN，加上一个B→A单向GAN；而两个GAN共享两个生成器，然后各自带一个判别器，总共有两个判别器和两个生成器。
CN201711219043.9号发明申请提供了一种图像生成方法、装置、系统和存储介质，方法包括：获取第一成像域的图像；利用训练好的环状对抗生成网络将所述获取的第一成像域的图像转换为第二成像域的图像，第一成像域的图像和所述第二成像域的图像为不同成像域的图像；环状对抗生成网络为能够用于所述第一成像域的图像和所述第二成像域的图像的相互转换的对抗生成网络，利用训练好的环状对抗生成网络能够将一个成像域的图像转换为另一个成像域的图像，解决另一个成像域的图像采集困难、生成困难的问题，从而提供大量的红外人脸图像用于识别。
发明内容
本发明为解决现有的问题，旨在提供基于循环生成对抗网络的红外图片识别方法、设备及介质。
为了达到上述目的，本发明采用的技术方案包括：
S1,获得人脸的红外图片集 X、可见光图片集 Y；
S2,构建循环生成对抗网络，输入红外图片、可见光图片，并分别通过生成器G、F对红外图片、可见光图片进行相互转换；
S3,将转换结果分别置入判别器Dx和Dy中，判断是否是同一个人。
进一步地，S3中，对生成器G、F的转换结果分别提取得到第一、第二特征向量，通过计算第一、第二特征向量之间的余弦相似度, 获得两张图是同一个人的概率。
进一步地，S2中，生成器G的损失函数为：
Figure 338446DEST_PATH_IMAGE001
。
进一步地，S2中，生成器F的损失函数为：
Figure 3914DEST_PATH_IMAGE002
。
进一步地，S2中，循环一致性损失函数为：
Figure 554981DEST_PATH_IMAGE003
。
其中，S3中，在判别器Dx和Dy中可以通过向A、B代入红外图片、可见光图片特征向量来计算余弦相似度, 来判断两个人是否是同一个人，计算公式：
Figure 562165DEST_PATH_IMAGE004
计算中切取一个阈值threshold，当similarity>=threshold时，则认为是同一个人；similarity<threshold时，认为是不同人。
一种人脸识别装置，包括存储模块，用于存储人脸的红外图片集 X、可见光图片集Y；生成模块，用于利用训练好的循环生成对抗网络来对红外图片、可见光图片进行相互转换；判断模块，判断红外图片、可见光图片是否是同一个人。
一种人脸识别系统，包括处理器、以及用于存储处理器的可执行指令的存储器，所述处理器运行时执行上述任一所述的方法。
一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令被处理执行时，实现上述任一所述的方法。
和现有技术相比，本发明利用循环生成网络分别对一个人的可见光、红外人脸图片进行转换，解决红外场景人脸识别问题，并且对于数据的要求大大降低, 只需要能够有足量的可见光照片、红外照片和一个已有的识别模型即可， 不再需要专门的用于训练红外光场景下识别模型的数据；可以获得一个不影响识别模型性能的生成器，可以将红外图片转化成可见光图片来进行人脸识别；人脸识别的性能得到提升, 可以直接利用现有的可见光人脸识别模型，并提升红外场景人脸识别的性能。
附图说明
图1为循环生成网络的结构示意图。
具体实施方式
现结合附图对本发明作进一步地说明。
本实施例使用NVIDIA DGX-1的深度学习机，包含8张Nvidia Tesla-V100计算卡，每个计算卡拥有超过210亿个晶体管，核心面积为815平方毫米(也可以采用其他等效提供算力的计算资源)；并使用tensorflow训练框架(或其他深度学习训练框架)，通过随机梯度下降和反向传播算法训练4个神经网络；当训练收敛时, 停止训练。
参见图1，图1为本实施例艘采用的循环生成网络的结构示意图。其中：
X 表示红外场景的数据图，Y表示可见光场景的数据图；
生成器G是一个卷积神经网络, 输入一张红外场景图, 可输出一个可见光场景图；生成器F是一个卷积神经网络, 输入一张可见光场景图, 可输出一个红外场景图；进一步地，生成器G、F都采用前馈卷积神经网络，并通过提取高级特征的感知损失函数，来生成高质量的图像。
判别器Dx是一个卷积神经网络, 输入一张图, 输出这张图是红外场景图的概率；判别器Dy是一个卷积神经网络, 输入一张图, 输出这张图是可见光场景图的概率；进一步地，判别器Dx、Dy都采用Resnet-50网络结构。
此外，实施例中的Z表示REC训练使用的可见光人脸图。
本实施例的大致整体流程为：获得人脸识别模型REC 和对应的人脸识别训练数据集 Z；收集红外场景数据集 X；收集可将光场景数据集 Y；在服务器上对网络进行训练；使用网络进行部署和应用。
首先，准备一定量的可见光场景的图片和红外场景的图片，并不需要数据之间有对应关系。
获得一个已有的可见光识别模型, 记为REC；该可见光识别模型可以是多任务卷积神经网络（MTCNN），MTCNN将人脸区域检测与人脸关键点检测放在一起，总体可分为P-Net、R-Net、和O-Net三层网络结构；也可以是FaceNet，该方法直接通过学习将特征变为欧式平面上的一个点，然后通过比较点之间的距离来进行判断。也可以是其他任何现有的可见光识别模型、方法来完成这一任务。本实施例中，REC的输入是一张人脸图, 输出是这个人脸的特征向量。
本实施例的红外场景的人脸识别问题, 在构建循环生成对抗网络后，可以理解为想循环生成网络中输入一张红外人脸图p_hw和一张可见光人脸图p_kj, 判断两个人是否是同一个人的概率的问题。即输入红外图片X、可见光图片Y，并分别通过生成器G、F对红外图片、可见光图片进行相互转换；
通过REC(p_kj)获得可见光人脸的特征向量，同样可以通过REC(G(p_hw)) 获得红外场景人脸的特征向量。然后在判别器Dx和Dy中可以通过向A、B分别代入REC(p_kj) 和 REC(G(p_hw)) 进而计算余弦相似度, 来判断两个人是否是同一个人。计算公式如下：
Figure 757654DEST_PATH_IMAGE005
计算中切取一个阈值threshold，当similarity>=threshold时，则认为是同一个人；similarity<threshold时，认为是不同人。
在测试集合上切取不同的threshold来，不同的误报率和召回率，根据场景选择阈值
在循环生成对抗网络中，整体的损失函数L由四部分组成：
Figure 718657DEST_PATH_IMAGE007
；
其中，生成器G的损失函数为：
而生成器F的损失函数LGAN (F, DX, X,Y) 和LGAN(G,DY,Y,X)相似，为：
Figure 845193DEST_PATH_IMAGE009
循环一致性损失函数为：
Figure 364030DEST_PATH_IMAGE010
Figure 105721DEST_PATH_IMAGE011
在本实施例中，对于两张转换后的图p1、 p2，通过计算特征向量REC(p1)和特征向量REC(p2)之间的余弦相似度, 就可以获得两张图是同一个人的概率。
在训练中，当损失函数值一天不再下降时, 降低学习率为之前的十分之一继续训练；当连续5次降低学习率都无法继续降低损失函数时认为训练收敛。
本实施例具有如下优势：
在解决红外场景人脸识别的问题上, 对于数据的要求大大降低。现有技术需要足够多的同一个人的红外照片和可见光照片, 以及训练可见光识别模型需要的数据, 以训练出红外场景下的识别模型；而本实施例对数据的要求大大降低, 只需要能够有足量的可见光照片、足量的红外照片和一个已有的识别模型, 不再需要专门的用于训练红外光场景下识别模型的数据。
本实施例可以获得一个不影响识别模型性能的生成器，可以将红外图片转化成可见光图片来进行人脸识别。
基于相同的技术构思，本实施例还提供一种人脸识别装置，包括存储模块，用于存储人脸的红外图片集 X、可见光图片集 Y；生成模块，用于利用训练好的循环生成对抗网络来对红外图片、可见光图片进行相互转换；判断模块，判断红外图片、可见光图片是否是同一个人。
基于相同的技术构思，本实施例还提供一种电子设备，包括至少一个处理器，以及至少一个用于存储处理器的可执行指令的存储器，本申请实施例中不限定处理器与存储器之间的具体连接介质，两者之间通过总线连接；而总线可以分为地址总线、数据总线、控制总线等。
处理器是电子设备的控制中心，
可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，可以实现或者执行本申请实施例，即可以利用各种接口和线路连接电子设备的各个部分，通过运行或执行存储在存储器内的指令以及调用存储在存储器内的数据，从而执行上述任一所述的方法。
本实施例还提供了一种计算机可读介质，其存储有可由电子设备执行的计算机程序，当程序在终端设备上运行时，所述计算机程序指令被处理执行时，实现上述任一所述的方法。计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本实施例直接利用可见光人脸识别模型，并提升红外场景人脸识别的性能，性能得到了提升。
上面结合附图及实施例描述了本发明的实施方式，实施例给出的结构并不构成对本发明的限制，本领域内熟练的技术人员可依据需要做出调整，在所附权利要求的范围内做出各种变形或修改均在保护范围内。

Claims (9)

1.一种基于循环生成对抗网络的红外图片识别方法，其特征在于：
S1,获得人脸的红外图片集 X、可见光图片集 Y；
S2,构建循环生成对抗网络，输入红外图片、可见光图片，并分别通过生成器G、F对红外图片、可见光图片进行相互转换；
S3,将转换结果分别置入判别器Dx和Dy中，判断是否是同一个人。
2.根据权利要求1所述的基于循环生成对抗网络的红外图片识别方法，其特征在于：S3中，对生成器G、F的转换结果分别提取得到第一、第二特征向量，通过计算第一、第二特征向量之间的余弦相似度, 获得两张图是同一个人的概率。
3.根据权利要求1所述的基于循环生成对抗网络的红外图片识别方法，其特征在于：S2中，生成器G的损失函数为：
Figure DEST_PATH_IMAGE001
。
4.根据权利要求3所述的基于循环生成对抗网络的红外图片识别方法，其特征在于：S2中，生成器F的损失函数为：
Figure 782910DEST_PATH_IMAGE002
。
5.根据权利要求4所述的基于循环生成对抗网络的红外图片识别方法，其特征在于：S2中，循环一致性损失函数为：
。
6.根据权利要求1或2所述的基于循环生成对抗网络的红外图片识别方法，其特征在于：S3中，在判别器Dx和Dy中可以通过向A、B代入红外图片、可见光图片特征向量来计算余弦相似度, 来判断两个人是否是同一个人，计算公式：
Figure 559105DEST_PATH_IMAGE004
计算中切取一个阈值threshold，当similarity>=threshold时，则认为是同一个人；similarity<threshold时，认为是不同人。
7.一种人脸识别装置，其特征在于：包括存储模块，用于存储人脸的红外图片集 X、可见光图片集 Y；
生成模块，用于利用训练好的循环生成对抗网络来对红外图片、可见光图片进行相互转换；
判断模块，判断红外图片、可见光图片是否是同一个人。
8.一种人脸识别系统，其特征在于：包括处理器、以及用于存储处理器的可执行指令的存储器，所述处理器运行时执行权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序指令，其特征在于：所述计算机程序指令被处理执行时，实现权利要求1-6中任一所述的方法。
CN201910945328.3A 2019-09-30 2019-09-30 基于循环生成对抗网络的红外图片识别方法、设备及介质 Pending CN110633698A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910945328.3A CN110633698A (zh) 2019-09-30 2019-09-30 基于循环生成对抗网络的红外图片识别方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910945328.3A CN110633698A (zh) 2019-09-30 2019-09-30 基于循环生成对抗网络的红外图片识别方法、设备及介质

Publications (1)

Publication Number Publication Date
CN110633698A true CN110633698A (zh) 2019-12-31

Family

ID=68975470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910945328.3A Pending CN110633698A (zh) 2019-09-30 2019-09-30 基于循环生成对抗网络的红外图片识别方法、设备及介质

Country Status (1)

Country Link
CN (1) CN110633698A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291885A (zh) * 2020-01-20 2020-06-16 北京百度网讯科技有限公司 近红外图像的生成方法、生成网络的训练方法和装置
CN111539255A (zh) * 2020-03-27 2020-08-14 中国矿业大学 基于多模态图像风格转换的跨模态行人重识别方法
CN112950732A (zh) * 2021-02-23 2021-06-11 北京三快在线科技有限公司 一种图像生成方法、装置、存储介质及电子设备
CN113537282A (zh) * 2021-05-31 2021-10-22 大连民族大学 低光照度交通场景可见光特征环境重构方法、系统和介质
WO2021237923A1 (zh) * 2020-05-26 2021-12-02 深圳壹账通智能科技有限公司 智能配音方法、装置、计算机设备和存储介质
CN114266937A (zh) * 2021-12-20 2022-04-01 北京百度网讯科技有限公司 模型训练、图像处理方法，装置，设备以及存储介质
CN116012258A (zh) * 2023-02-14 2023-04-25 山东大学 一种基于循环生成对抗网络的图像和谐化方法
CN117830806A (zh) * 2024-03-06 2024-04-05 广东琴智科技研究院有限公司 一种红外图像收集的方法及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577985A (zh) * 2017-07-18 2018-01-12 南京邮电大学 基于循环生成对抗网络的人脸头像卡通化的实现方法
CN108197585A (zh) * 2017-12-13 2018-06-22 北京深醒科技有限公司 脸部识别方法和装置
CN109815893A (zh) * 2019-01-23 2019-05-28 中山大学 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法
CN109934198A (zh) * 2019-03-22 2019-06-25 北京市商汤科技开发有限公司 人脸识别方法及装置
CN110046551A (zh) * 2019-03-18 2019-07-23 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577985A (zh) * 2017-07-18 2018-01-12 南京邮电大学 基于循环生成对抗网络的人脸头像卡通化的实现方法
CN108197585A (zh) * 2017-12-13 2018-06-22 北京深醒科技有限公司 脸部识别方法和装置
CN109815893A (zh) * 2019-01-23 2019-05-28 中山大学 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法
CN110046551A (zh) * 2019-03-18 2019-07-23 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备
CN109934198A (zh) * 2019-03-22 2019-06-25 北京市商汤科技开发有限公司 人脸识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FANGYU WU 等: "IMAGE-IMAGE TRANSLATION TO ENHANCE NEAR INFRARED FACE RECOGNITION", 《2019IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING(ICIP)》 *
KENNETH LAI等: "Multi-Metric Evaluation of Thermal-to-Visual Face Recognition", 《2019 EIGHTH INTERNATIONAL CONFERENCE ON EMERGING SECURITY TECHNOLOGIES (EST)》 *
邓重英 等: "基于深度学习的跨模态人脸识别方法研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291885A (zh) * 2020-01-20 2020-06-16 北京百度网讯科技有限公司 近红外图像的生成方法、生成网络的训练方法和装置
CN111291885B (zh) * 2020-01-20 2023-06-09 北京百度网讯科技有限公司 近红外图像的生成方法、生成网络的训练方法和装置
US11854118B2 (en) 2020-01-20 2023-12-26 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for training generative network, method for generating near-infrared image and device
CN111539255A (zh) * 2020-03-27 2020-08-14 中国矿业大学 基于多模态图像风格转换的跨模态行人重识别方法
WO2021237923A1 (zh) * 2020-05-26 2021-12-02 深圳壹账通智能科技有限公司 智能配音方法、装置、计算机设备和存储介质
CN112950732A (zh) * 2021-02-23 2021-06-11 北京三快在线科技有限公司 一种图像生成方法、装置、存储介质及电子设备
CN113537282A (zh) * 2021-05-31 2021-10-22 大连民族大学 低光照度交通场景可见光特征环境重构方法、系统和介质
CN114266937A (zh) * 2021-12-20 2022-04-01 北京百度网讯科技有限公司 模型训练、图像处理方法，装置，设备以及存储介质
CN116012258A (zh) * 2023-02-14 2023-04-25 山东大学 一种基于循环生成对抗网络的图像和谐化方法
CN116012258B (zh) * 2023-02-14 2023-10-13 山东大学 一种基于循环生成对抗网络的图像和谐化方法
CN117830806A (zh) * 2024-03-06 2024-04-05 广东琴智科技研究院有限公司 一种红外图像收集的方法及相关装置
CN117830806B (zh) * 2024-03-06 2024-05-07 广东琴智科技研究院有限公司 一种红外图像收集的方法及相关装置

Similar Documents

Publication Publication Date Title
CN110633698A (zh) 基于循环生成对抗网络的红外图片识别方法、设备及介质
Kumar et al. An object detection technique for blind people in real-time using deep neural network
CN111950424B (zh) 一种视频数据处理方法、装置、计算机及可读存储介质
Al-Dhabi et al. Deepfake video detection by combining convolutional neural network (cnn) and recurrent neural network (rnn)
CN109872279A (zh) 一种基于神经网络的智能云平台人脸识别并局部加密方法
CN115240280A (zh) 人脸活体检测分类模型的构建方法、检测分类方法及装置
CN116453232A (zh) 人脸活体检测方法、人脸活体检测模型的训练方法和装置
CN113689382B (zh) 基于医学影像和病理图像的肿瘤术后生存期预测方法及系统
Guo et al. Mgtr: End-to-end mutual gaze detection with transformer
CN112001285B (zh) 一种美颜图像的处理方法、装置、终端和介质
CN113807237B (zh) 活体检测模型的训练、活体检测方法、计算机设备及介质
CN115862097A (zh) 基于多注意力多尺度特征学习的遮挡人脸识别方法和装置
CN113723243B (zh) 一种戴面罩的热红外图像人脸识别方法及应用
CN114596609A (zh) 一种视听伪造检测方法及装置
Khan et al. Robust Multimodal Depth Estimation using Transformer based Generative Adversarial Networks
Yin Albert et al. Identifying and Monitoring Students’ Classroom Learning Behavior Based on Multisource Information
CN110647864A (zh) 基于生成对抗网络的单人多图特征识别方法、设备及介质
Liang et al. A progressive single-image dehazing network with feedback mechanism
Ngoan et al. Deep and Wide Features for Face Anti-Spoofing
Shekhawat et al. Realization of Smart and Highly Efficient IoTbased Surveillance System using Facial Recognition on FPGA
TWI734297B (zh) 共享多範圍特徵之多任務物件辨識系統
He et al. A Single-Frame Face Anti-Spoofing Algorithm With Circular CDC and Multi-Scale Spatial Attention
CN113128289B (zh) 人脸识别的特征提取计算方法及设备
Sun et al. Aerial Image Segmentation via Noise Dispelling and Content Distilling
GUO et al. Face Detection Face Detection, Alignment Alignment, Quality Assessmentand Attribute Analysis with Multi-TaskHybridConvolutionalNeuralNetworks

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191231