CN110689066B - 一种人脸识别数据均衡与增强相结合的训练方法 - Google Patents

一种人脸识别数据均衡与增强相结合的训练方法 Download PDF

Info

Publication number
CN110689066B
CN110689066B CN201910906343.7A CN201910906343A CN110689066B CN 110689066 B CN110689066 B CN 110689066B CN 201910906343 A CN201910906343 A CN 201910906343A CN 110689066 B CN110689066 B CN 110689066B
Authority
CN
China
Prior art keywords
enhancement
data
label
face recognition
sample
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.)
Active
Application number
CN201910906343.7A
Other languages
English (en)
Other versions
CN110689066A (zh
Inventor
张芮铭
沈复民
孔繁昊
奚兴
张艳明
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.)
Chengdu Koala Youran Technology Co ltd
Original Assignee
Chengdu Koala Youran 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 Chengdu Koala Youran Technology Co ltd filed Critical Chengdu Koala Youran Technology Co ltd
Priority to CN201910906343.7A priority Critical patent/CN110689066B/zh
Publication of CN110689066A publication Critical patent/CN110689066A/zh
Application granted granted Critical
Publication of CN110689066B publication Critical patent/CN110689066B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种人脸识别数据均衡与增强相结合的训练方法，首先通过数据集训练一个预训练模型，达到复现的效果；再通过预训练模型筛选出增强样本基，增强样本基是每一类聚类标签id中质量较高的图片，通过筛选出增强样本基进行识别，可以增加人脸识别的精准度；对增强样本基进行线下增强，线下增强选择丰富大尺度的增强程度来进行，可以使得增强样本基更加多样化，再通过相似度区间（a,b）筛选出增强效果较大，但是不至于将图片增强为面目全非无法识别的样本；再通过设计一个数据均衡的方法，对数据进行均衡，使得每一个聚类标签id所选择的样本数量相近；最后对均衡后的数据进行一次线下增强。本发明通过以上步骤实现了人脸识别的数据均衡与增强。

Description

一种人脸识别数据均衡与增强相结合的训练方法
技术领域
本发明属于基于深度学习的图像分类领域，具体地讲，涉及一种人脸识别数据均衡与增强相结合的训练方法。
背景技术
近年来，随着计算机技术的迅速发展，人脸自动识别技术得到广泛研究与开发，人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一。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识别的一系列相关技术。人脸识别通常也叫做人像识别、面部识别。人脸识别技术可将新接受到的人脸图片与底库中图片进行对比，确认是否为已知人员。这项技术可应用于安防，门禁等多种场景。基于深度学习的人脸识别系统可达到精度高，误识别低的效果。
深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
基于深度学习的人脸识别系统可达到精度高，误识别低的效果。但人脸识别模型的训练是一个漫长的过程，为了达到足够的泛化性，需要训练上万个聚类标签id的人脸图片(如glint数据集包含18万个聚类标签id，超过500万张人脸图片)。故现有的基于深度学习的人脸识别的模型训练具有以下不足：
1)对于大规模的数据集进行处理，难以保证数据均衡，即让每一个聚类标签id的图片数量相近，而数据的不均衡会导致人脸识别模型的训练结果的偏移；
2)数据集过于清晰，与现实场景有一定的差异性，影响现实监控场景中的识别。
发明内容
本发明针对现有技术中数据不均衡、数据与现实场景有差异的问题，提出了一种人脸识别数据均衡与增强相结合的训练方案，通过线上线下的数据增强与取样，实现了人脸识别的数据均衡与增强。
本发明通过以下方案来实现：
一种人脸识别数据均衡与增强相结合的训练方法，包含以下步骤：
S1.使用数据集所有聚类标签id包含的照片生成训练预模型；
S2.筛选出数据集所有聚类标签id中的增强样本图片基；所述增强样本图片基为每一类聚类标签id中质量最高的图片；
S3.对增强样本图片基进行线下增强，并筛选出增强样本图片基中每一个聚类标签id中经过线下增强后与所在聚类标签id的类中心相似度在相似度区间(a,b)之间的n个样本图片；
S4.设计一个数据均衡的方法对样本图片进行数据均衡；
S5.对进行数据均衡后的样本图片再进行线上增强。
为了更好地实现本发明，进一步地，所述S2具体包括以下以下步骤：
S2.1.使用S1生成的预模型来确定数据集的每一类聚类标签id的类中心；
S2.2.根据每一类聚类标签id所确定的类中心筛选出对应聚类标签id中与类中心相似度高于参数t的图片。
为了更好地实现本发明，进一步地，所述参数t可根据数据集的大小与现实需求进行调整。
为了更好地实现本发明，进一步地，所述S3中的线下增强包括以下处理：
1)调节亮度、对比度和饱和度；
2)通过仿射变换模拟完成运动模糊；
3)去除随机噪声点和进行随机滤波；所述随机滤波包括中值滤波、高斯滤波和均值滤波；
4)进行投影变换；
5)进行伽马变换。
为了更好地实现本发明，进一步地，所述S4具体包括以下步骤：
S4.1.设计一个以聚类标签id序号以及抽取次数m来实现从样本图片中选取图片的函数；
S4.2.生成一项以数据集中所有聚类标签id的聚类标签id序号为内容的epoch序列，将生成的epoch序列随机打乱，且保证每一个聚类标签id在一个epoch中出现的次数m相等；
S4.3.通过S4.1设计的函数从S4.2.生成的epoch序列中生成训练数据epoch，实现数据均衡；
S4.4.当某一个聚类标签id所筛选出样本图片的数量值n大于m时，进行(n％m)抽样操作，从n张样本图片中选出m张样本图片。
为了更好地实现本发明，进一步地，所述n为不定数，是每一类聚类标签id中经过线下增强且与类中心相似度介于相似度区间(a,b)之间的样本图片的具体数目，不同的聚类标签id对应的n数值不一样。
为了更好地实现本发明，进一步地，所述相似度区间(a,b)根据实验需求与数据库大小进行调整。
本发明与现有技术相比，具有以下优点及有益效果：
1)数据的均衡性更加高，每个聚类标签id的图片数量相近；
2)数据更加接近现实监控环境；
3)人脸识别训练收敛更快，loss收敛值更低，且模型的精确度以及泛化能力都得到提升。
附图说明
图1为投影变换的展示图；
图2为通过训练预训练模型来得到样本图片的流程图；
图3为样本图片增强的流程图；
图4是线下增强效果图；
图5为总流程框图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
一种人脸识别数据均衡与增强相结合的训练方法，如图1所示，包含以下步骤：
S1.使用数据集所有聚类标签id包含的照片生成训练预模型；
S2.筛选出数据集所有聚类标签id中的增强样本图片基；所述增强样本图片基为每一类聚类标签id中质量满足一定条件的图片；
S3.对增强样本图片基进行线下增强，并筛选出增强样本图片基中每一个聚类标签id中经过线下增强后与所在聚类标签id的类中心相似度在相似度区间(a,b)之间的n个样本图片；
S4.设计一个数据均衡的方法对样本图片进行数据均衡；
S5.对进行数据均衡后的样本图片再进行线上增强。
工作原理：首先通过数据集训练一个预训练模型，达到复现的效果；再通过预训练模型筛选出增强样本基，增强样本基是每一类聚类标签id中质量较高的图片，通过筛选出增强样本基，只使用增强样本基进行识别，可以增加人脸识别的精准度；对增强样本基进行线下增强，线下增强选择丰富大尺度的增强程度来进行，可以使得增强样本基更加多样化，再通过相似度区间(a,b)筛选出增强效果较大，但是不至于将图片增强为面目全非无法识别的样本；再通过设计一个数据均衡的方法，对数据进行均衡，使得每一个聚类标签id所选择的样本数量相近，达到数据均衡的目的；最后再对均衡后的数据再进行一次强度小于线下增强的线下增强。
实施例2：
为了更好地实现本发明，进一步地，结合图2所示，所述S2具体包括以下以下步骤：S2.1.使用S1生成的预模型来确定数据集的每一类聚类标签id的类中心；
S2.2.根据每一类聚类标签id所确定的类中心筛选出对应聚类标签id中与类中心相似度高于参数t的图片。
工作原理：通过预训练模型来确定每一个聚类标签id的类中心，例如glint数据集有18万个聚类标签id，即生成180000×512的矩阵保存，每一个类中心的计算公式如下：emb_i＝model(img_i)
mid_emb＝(emb_0+emb_1+….emb_n)/nmid_emb.shape:1×512；
通过预训练模型确定了每一个聚类标签id的类中心以后，我们可以通过类中心来确定筛选出数据集之中与类中心相似度高于t的图片，通过这种类中心的评判筛选后选择出的这些图片都是高质量的图片，从而让人脸识别的精准度得到保障。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
为了更好地实现本发明，进一步地，所述参数t可根据数据集的大小与现实需求进行调整。
工作原理：通过相似度参数t可以筛选出数据集之中的与类中心相似的图片，因为线下增强属于大尺度增强范畴，只选用近类中心的数据来进行，设置相似度参数t进行筛选，可以去除一些outlayer以及一些处于类边缘的数据；本发明经过多次实验后，选择参数t数值为0.65，但若选用的数据集不同，以及对实验时想要取得的精准度等要求不同，可自主上下调节相似度参数t的具体数值。
本实施例的其他部分与上述实施例1-2相同，故不再赘述。
实施例4：
为了更好地实现本发明，进一步地，结合图1、图3和图4所示，所述S3中的线下增强包括以下处理：
1)调节亮度、对比度和饱和度；
2)通过仿射变换模拟完成运动模糊；
3)去除随机噪声点和进行随机滤波；所述随机滤波包括中值滤波、高斯滤波和均值滤波；
4)进行投影变换；
5)进行伽马变换。
工作原理：线下增强为大幅度的增强，本发明具体试验中，将饱和度调节±(0-0.15)、亮度±(0-0.25)、±对比度(0-0.25)；如图1所示，本发明中投影变换具体操作为将图片4个角内部取z*z的正方形，z默认大小为15，共四个正方形，从每个正方形中随机取出一点，连成四边形，投影成原图尺寸，由此模拟出镜头畸变以及完成随机裁剪的增强；本发明通过调节亮度、对比度和饱和度，进行运动模糊、去噪滤波、投影变换和伽马变换等达到线下增强的目的。
本实施例的其他部分与上述实施例1-3相同，故不再赘述。
实施例5：
为了更好地实现本发明，进一步地，结合图3所示，所述S4具体包括以下步骤：
S4.1.设计一个以聚类标签id序号以及抽取次数m来实现从样本图片中选取图片的函数；
S4.2.生成一项以数据集中所有聚类标签id的聚类标签id序号为内容的epoch序列，将生成的epoch序列随机打乱，且保证每一个聚类标签id在一个epoch中出现的次数m相等；所述抽取次数m为样本的均值加上x，所述x为5。
S4.3.通过S4.1设计的函数从S4.2.生成的epoch序列中生成训练数据epoch，实现数据均衡；
S4.4.当某一个聚类标签id所筛选出样本图片的数量值n大于m时，进行(n％m)抽样操作，从n张样本图片中选出m张样本图片。
工作原理：生成一项以聚类标签id号为内容的epoch序列，保证每个聚类标签id在一个epoch中出现的次数m相等，并将此序列随机打乱，其中根据对样本丰富性需求，取m为均值+x，目前根据具体的试验总结，默认x设置为5，若需要更多更丰富的样本，可增加x的值；设计一项以聚类标签id序号名以及抽取次数来实现的从该聚类标签id样本中选取图片的函数。并用这个函数，从上一步聚类标签id序列中生成训练数据epoch；当有某一个聚类标签id所筛选出的样本数量大于每一个样本所需上限时，就要对所筛选样本进行一次抽样，只选用训练所需上限均值+x个样本就可以了，最终大多数聚类标签id选的都是均值+x个样本，少部分聚类标签id是少于均值+x个样本，每一个聚类标签id所选样本数近似，从而实现数据均衡。
本实施例的其他部分与上述实施例1-4相同，故不再赘述。
实施例6：
为了更好地实现本发明，进一步地，所述n为不定数，是每一类聚类标签id中经过线下增强且与类中心相似度介于相似度区间(a,b)之间的样本图片的具体数目，不同的聚类标签id对应的n数值不一样。
工作原理：因为现实中每一个聚类标签id中所含数据图片数量不一样，满足筛选条件的数量也不一样，故n是一个未知的不确定的数目。
本实施例的其他部分与上述实施例1-5相同，故不再赘述。
实施例7：
为了更好地实现本发明，进一步地，所述相似度区间(a,b)根据实验需求与数据库大小进行调整。
工作原理：我们选出的样本增强基是可识别的图片，进行线下增强后如果识别率高于0.55，那证明其的确是可识别的图片，但这些图片对于虽然丰富了多样性，但并没有起到最实质的作用，那就是将原本不可识别的样本识别出来，这就是b值的意义；其中b的取值0.55是通过反复的试验后得出的最适合的值。但在不同的环境中时，例如对于监控场景下的非限制人脸，希望尽可能的找到犯罪分子，我们将阈值调低至0.55。而在火车站安检处的人证对比，希望尽可能确信人证合一，我们将阈值调高至0.6。而只有b一个限制是不够的，例如将一些图片过度增强后其识别率只是0.1，将这种样本放进去训练模型导致的结果是：误识率大增，因为已经把面目全非的特征加到某一个id里，而各id都有一些面目全非的照片，这样无法将不同id的特征区分开来，所以需要一个阈值下线a来筛除一些面目全非的图片，本发明经过多次实际试验，阈值下线a选择0.45是最佳的；所以选取的(a,b)区间为(0.45,0.55)。
本实施例的其他部分与上述实施例1-6相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (7)

1.一种人脸识别数据均衡与增强相结合的训练方法，其特征在于，包含以下步骤：
S1.使用数据集所有聚类标签id包含的照片生成训练预模型；
S2.筛选出数据集所有聚类标签id中的增强样本图片基；
S3.对增强样本图片基进行线下增强，并筛选出增强样本图片基中每一个聚类标签id中经过线下增强后与所在聚类标签id的类中心相似度在相似度区间(a,b)之间的n个样本图片；
S4.设计一个数据均衡的方法对样本图片进行数据均衡；
S5.对进行数据均衡后的样本图片再进行线上增强。
2.如权利要求1所述的一种人脸识别数据均衡与增强相结合的训练方法，其特征在于，所述S2具体包括以下以下步骤：
S2.1.使用S1生成的预模型来确定数据集的每一类聚类标签id的类中心；
S2.2.根据每一类聚类标签id所确定的类中心筛选出对应聚类标签id中与类中心相似度高于参数t的图片。
3.如权利要求2所述的一种人脸识别数据均衡与增强相结合的训练方法，其特征在于，所述参数t可根据数据集的大小与现实需求进行调整。
4.如权利要求1所述的一种人脸识别数据均衡与增强相结合的训练方法，其特征在于，所述S3中的线下增强包括以下处理：
调节亮度、对比度和饱和度；
通过仿射变换模拟完成运动模糊；
去除随机噪声点和进行随机滤波；所述随机滤波包括中值滤波、高斯滤波和均值滤波；
进行投影变换；
进行伽马变换。
5.如权利要求1所述的一种人脸识别数据均衡与增强相结合的训练方法，其特征在于，所述S4具体包括以下步骤：
S4.1.设计一个以聚类标签id序号以及抽取次数m来实现从样本图片中选取图片的函数；
S4.2.生成一项以数据集中所有聚类标签id的聚类标签id序号为内容的epoch序列，将生成的epoch序列随机打乱，且保证每一个聚类标签id在一个epoch中出现的次数m相等；所述抽取次数m为样本的均值加上x，所述x为增加样本丰富度的变量取值;
S4.3.通过S4.1设计的函数从S4.2.生成的epoch序列中生成训练数据epoch，实现数据均衡；
S4.4.当某一个聚类标签id所筛选出样本图片的数量值n大于m时，进行(n％m)抽样操作，从n张样本图片中选出m张样本图片。
6.如权利要求5所述的一种人脸识别数据均衡与增强相结合的训练方法，其特征在于，所述样本图片的数量值n为不定数，是每一类聚类标签id中经过线下增强且与类中心相似度介于相似度区间(a,b)之间的样本图片的具体数目，不同的聚类标签id对应的样本图片的数量值n大小不一样。
7.如权利要求1或6所述的一种人脸识别数据均衡与增强相结合的训练方法，其特征在于，所述相似度区间(a,b)的区间范围根据实验需求与数据库大小进行调整。
CN201910906343.7A 2019-09-24 2019-09-24 一种人脸识别数据均衡与增强相结合的训练方法 Active CN110689066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910906343.7A CN110689066B (zh) 2019-09-24 2019-09-24 一种人脸识别数据均衡与增强相结合的训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910906343.7A CN110689066B (zh) 2019-09-24 2019-09-24 一种人脸识别数据均衡与增强相结合的训练方法

Publications (2)

Publication Number Publication Date
CN110689066A CN110689066A (zh) 2020-01-14
CN110689066B true CN110689066B (zh) 2020-06-16

Family

ID=69110581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910906343.7A Active CN110689066B (zh) 2019-09-24 2019-09-24 一种人脸识别数据均衡与增强相结合的训练方法

Country Status (1)

Country Link
CN (1) CN110689066B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259874B (zh) * 2020-05-06 2020-07-28 成都派沃智通科技有限公司 一种基于深度学习的校园安全视频监测方法
CN111738319B (zh) * 2020-06-11 2021-09-10 佳都科技集团股份有限公司 一种基于大规模样本的聚类结果评价方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101155229A (zh) * 2006-09-28 2008-04-02 郑大勇 一种分布式防伪和产品信息追踪的方法和系统
CN108319938A (zh) * 2017-12-31 2018-07-24 奥瞳系统科技有限公司 用于高性能人脸识别系统的高质量训练数据准备系统
CN109034078A (zh) * 2018-08-01 2018-12-18 腾讯科技（深圳）有限公司 年龄识别模型的训练方法、年龄识别方法及相关设备

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106874862B (zh) * 2017-01-24 2021-06-04 复旦大学 基于子模技术和半监督学习的人群计数方法
CN106952229A (zh) * 2017-03-15 2017-07-14 桂林电子科技大学 基于数据增强的改进型卷积网络的图像超分辨率重建方法
CN107506702B (zh) * 2017-08-08 2020-09-11 江西高创保安服务技术有限公司 基于多角度的人脸识别模型训练及测试系统及方法
CN107578071A (zh) * 2017-10-13 2018-01-12 北京工业大学 基于Epoch的解决数据不均衡方法
CN107945875A (zh) * 2017-11-17 2018-04-20 合肥工业大学 基于数据增强的肺结节检测方法及系统
CN107909572A (zh) * 2017-11-17 2018-04-13 合肥工业大学 基于图像增强的肺结节检测方法及系统
CN108595558B (zh) * 2018-04-12 2022-03-15 福建工程学院 一种数据均衡策略和多特征融合的图像标注方法
CN108710831B (zh) * 2018-04-24 2021-09-21 华南理工大学 一种基于机器视觉的小数据集人脸识别算法
CN109145937A (zh) * 2018-06-25 2019-01-04 北京达佳互联信息技术有限公司 一种模型训练的方法及装置
CN109544204B (zh) * 2018-10-15 2021-05-11 浙江工业大学 一种基于轻量化多任务卷积神经网络的导购行为分析方法
CN109614907B (zh) * 2018-11-28 2022-04-19 安徽大学 基于特征强化引导卷积神经网络的行人再识别方法及装置
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
CN110211087B (zh) * 2019-01-28 2023-06-30 南通大学 可分享的半自动糖尿病眼底病变标注方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101155229A (zh) * 2006-09-28 2008-04-02 郑大勇 一种分布式防伪和产品信息追踪的方法和系统
CN108319938A (zh) * 2017-12-31 2018-07-24 奥瞳系统科技有限公司 用于高性能人脸识别系统的高质量训练数据准备系统
CN109034078A (zh) * 2018-08-01 2018-12-18 腾讯科技（深圳）有限公司 年龄识别模型的训练方法、年龄识别方法及相关设备

Also Published As

Publication number Publication date
CN110689066A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
Montserrat et al. Deepfakes detection with automatic face weighting
Wodajo et al. Deepfake video detection using convolutional vision transformer
CN109165552B (zh) 一种基于人体关键点的姿态识别方法、系统及存储器
Ohn-Bar et al. To boost or not to boost? on the limits of boosted trees for object detection
CN108334848B (zh) 一种基于生成对抗网络的微小人脸识别方法
CN106599907A (zh) 多特征融合的动态场景分类方法与装置
CN108537119B (zh) 一种小样本视频识别方法
Ganiyusufoglu et al. Spatio-temporal features for generalized detection of deepfake videos
CN109919977A (zh) 一种基于时间特征的视频运动人物跟踪与身份识别方法
WO2017088537A1 (zh) 一种元件分类方法及装置
Chintha et al. Leveraging edges and optical flow on faces for deepfake detection
CN112488229B (zh) 一种基于特征分离和对齐的域自适应无监督目标检测方法
Li et al. Face anti-spoofing with deep neural network distillation
CN110689066B (zh) 一种人脸识别数据均衡与增强相结合的训练方法
CN110599463A (zh) 一种基于轻量级联神经网络的舌像检测及定位算法
CN112001219A (zh) 一种多角度多人脸识别考勤方法及系统
Xu et al. Violent video classification based on spatial-temporal cues using deep learning
Liu et al. Attack-Agnostic Deep Face Anti-Spoofing
CN108229285A (zh) 物体分类方法、物体分类器的训练方法、装置和电子设备
CN108197593B (zh) 基于三点定位方法的多尺寸人脸表情识别方法及装置
Zheng et al. Capturing micro deformations from pooling layers for offline signature verification
Li et al. Chinese face dataset for face recognition in an uncontrolled classroom environment
Satwashil et al. English text localization and recognition from natural scene image
CN114022938A (zh) 视素识别的方法、装置、设备和存储介质
CN109325521B (zh) 用于虚拟人物的检测方法及装置

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A training method combining equalization and enhancement of face recognition data

Effective date of registration: 20220105

Granted publication date: 20200616

Pledgee: Agricultural Bank of China Limited Chengdu Jincheng sub branch

Pledgor: CHENGDU KOALA YOURAN TECHNOLOGY CO.,LTD.

Registration number: Y2022510000006