CN110956116B - 基于卷积神经网络的人脸图像性别识别模型及识别方法 - Google Patents

基于卷积神经网络的人脸图像性别识别模型及识别方法 Download PDF

Info

Publication number
CN110956116B
CN110956116B CN201911175072.9A CN201911175072A CN110956116B CN 110956116 B CN110956116 B CN 110956116B CN 201911175072 A CN201911175072 A CN 201911175072A CN 110956116 B CN110956116 B CN 110956116B
Authority
CN
China
Prior art keywords
layer
convolution
network
face image
layers
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
CN201911175072.9A
Other languages
English (en)
Other versions
CN110956116A (zh
Inventor
阴紫微
陈淑荣
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 Maritime University
Original Assignee
Shanghai Maritime 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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201911175072.9A priority Critical patent/CN110956116B/zh
Publication of CN110956116A publication Critical patent/CN110956116A/zh
Application granted granted Critical
Publication of CN110956116B publication Critical patent/CN110956116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于卷积神经网络的人脸图像性别识别方法及识别模型，双路深浅网络分别采用不同尺度的卷积核对图像进行特征提取，得到不同尺度、语义的特征，考虑到深层网络的计算量，在网络中加入Slice层和Eltwise层，极大地精简了模型也增强了特征响应，此外还引入了L‑Softmax Loss作为输出层，在简化网络反向传播计算量的同时有效调节了类间和类内距离，在保证准确度不损失的前提下，极大减少了计算机的运算量。

Description

基于卷积神经网络的人脸图像性别识别模型及识别方法
技术领域
本发明涉及一种基于卷积神经网络的人脸图像性别识别方法及识别模型，尤其涉及一种基于多尺度双路深浅卷积神经网络的人脸图像性别识别模型及识别方法。
背景技术
人脸图像的性别识别是人脸分析的重要任务，性别识别在现今的人脸识别中常常作为必备的属性展示在身份验证中(图1为常见的人脸识别)。早期的识别方法多基于手工提取特征方法，如SVM，PCA，贝叶斯决策。以上的方法大多忽略了人脸图像的中像素的二维相关性，因此在分类准确率上并没有满意的效果。随着深度学习的兴起，卷积神经网络也常用于人脸性别识别，该卷积神经网络采用稀疏连接和权值共享等简化网络操作，卷积层和采样层交替进行，简化了模型的复杂度。实验表明，卷积神经网络结构有效地克服了光照、旋转等因素的影响，具有较好的鲁棒性，但在人脸图像不清晰及人脸姿态变化大的图像中识别的精度并不高。
发明内容
本发明提供一种基于卷积神经网络的人脸图像性别识别模型及识别方法，提高了识别准确度，并减少了运算量。
为了达到上述目的，本本发明提供一种基于卷积神经网络的人脸图像性别识别模型，包含：
输入层，用于输入经过预处理后统一大小的人脸图像；
深层网络卷积层，其提取的特征中包含更丰富和更完整的语义特征；
浅层网络卷积层，其提取的特征中包含细部纹理边缘信息；
融合层，用于将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；
全连接层，用于将卷积池化后的特征图转换为向量；
输出层，用于采用L-Softmax Loss函数对特征进行分类输出。
所述的深层网络卷积层包含：
多个卷积层，用于提取人脸图像中的特征，所述的卷积层的数量为10～20；
多个池化层，用于对卷积层提取到的特征进行降维处理；
多个Slice层，用于将经过卷积层提取到的多个特征图均分为两部分；
多个Eltwise层，用于从两部分特征图中对比选取特征响应最高的特征图。
所述的浅层网络卷积层包含：
多个卷积层，用于提取人脸图像中的特征，所述的卷积层的数量为小于10；
多个池化层，用于对卷积层提取到的特征进行降维处理。
本发明还提供一种基于卷积神经网络的人脸图像性别识别方法，包含以下步骤：
深层网络卷积层和浅层网络卷积层分别提取输入层中输入的人脸图像中的特征；
融合层将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；
全连接层将卷积池化后的特征图转换为向量；
输出层采用L-Softmax Loss函数对特征进行分类输出。
输入层输入统一大小的人脸图像。
所述的深层网络卷积层提取人脸图像中特征的方法包含：
卷积层提取人脸图像中的特征；
池化层对卷积层提取到的特征进行降维处理；
Slice层将经过卷积层提取到的多个特征图均分为两部分特征图；
Eltwise层进行对比取最大值操作，从两部分特征图中选取特征响应最高的特征图。
所述的浅层网络卷积层提取人脸图像中特征的方法包含：
卷积层提取人脸图像中的特征；
池化层对卷积层提取到的特征进行降维处理。
本发明中的深浅网络分别采用不同尺度的卷积核对图像进行特征提取，得到不同尺度、语义的特征，考虑到深层网络的计算量，在网络中加入Slice层和Eltwise层，极大地精简了模型也增强了特征响应，此外还引入了L-Softmax Loss作为输出层，在简化网络反向传播计算量的同时有效调节了类间和类内距离，在保证准确度不损失的前提下，极大减少了计算机的运算量。
附图说明
图1是背景技术中的人脸图像性别识别示意图。
图2是本发明提供的一种基于卷积神经网络的人脸图像性别识别模型的示意图。
图3是图2中R部分的展开图。
图4是Slice层和Eltwise层的示意图。
图5是L-Softmax Loss函数的原理图。
具体实施方式
以下根据图2～图5，具体说明本发明的较佳实施例。
如图2所示，在本发明的一个实施例中，提供一种基于卷积神经网络的人脸图像性别识别模型，包含：
输入层input，用于输入经过预处理后统一大小的人脸图像；
深层网络卷积层deep-CNN，其提取的特征中包含更丰富和更完整的语义特征；
浅层网络卷积层shallow-CNN，其提取的特征中包含细部纹理边缘信息；
融合层concat，用于将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；
全连接层FC，用于将卷积池化后的特征图转换为向量；
输出层，用于采用L-Softmax Loss函数对特征进行分类输出；本实施例中，f和m代表输出结果，f(female)表示女性，m(male)表示男性。
具体地，所述的深层网络卷积层进一步包含：
卷积层convolution，用于提取人脸图像中的特征；本实施例中，所述的卷积层的数量为10～20；
池化层pooling，用于对卷积层提取到的特征进行降维处理；
Slice层，用于将经过卷积层提取到的多个特征图均分为两个部分；
Eltwise层，用于从两部分特征图中对比选取特征响应最高的特征图。
在本实施例中，采用vgg16卷积网络，深层网络卷积层包含5大层卷积层，5大层前两层卷积层各包括2个小卷积层，后三层卷积层各包括3个卷积层，共13个卷积层，5大层卷积层后面都有Slice层+Eltwise层，共5个组合层即Slice层+Eltwise层，5个池化层，深层网络最终提取特征图所包含更全面整体、语义信息较丰富的特征。
所述的浅层网络卷积层进一步包含：
卷积层，用于提取人脸图像中的特征；本实施例中，所述的卷积层的数量为小于10；
池化层，用于对卷积层提取到的特征进行降维处理。
在本实施例中，浅层网络卷积层包含3个卷积层和卷积层相连的3个池化层，浅层网络输出的特征图含有原始图像较强的细部纹理边缘信息。
如图3所示，在本发明的一个实施例中，将深层网络卷积层中的卷积层的卷积核设置为3×3大小，将浅层网络卷积层中的卷积层的卷积核设为7×7和5×5大小，通过融合层concat进行特征融合，丰富了特征的语义，使得特征更加有辨别性。因为刚开始的图片相对来说包含的信息较多，所以采用较大的卷积核即7×7大小先提取特征，后面改用较小即5×5大小，继续提取特征；卷积核大小常见的有3×3，5×5，7×7大小，数量没有要求，一般是参照一些比较大型的网络，如vgg\goolenet\残差网络的参数设置，来调整本文模型的参数。
Slice层的作用是按照输入层(bottom)的设置需要分解成多个输出层。
Eltwise层的输出可用下式表示：
其中，f(z)为Eltwise层的输出，SUM是对输入层bottom对应的元素进行相加，PRODUCT是对输入层bottom对应的元素进行相乘，MAX是对输入层bottom对应的元素取最大值，N为Slice层划分特征图的层数。
如图4所示，在本发明的一个实施例中，Slice层将输入的特征图分为两部分，Eltwise层选取MAX运算，对输入的特征图选取最大值，Eltwise层输出的特征图筛除掉了响应较低的特征图。
如图5所示，在本发明的一个实施例中，L-Softmax Loss函数优势就是通过增加一个正整数变量m，从而产生一个决策余量，进而更加严格地约束不等式，即下式：
||W1||||x||cos(θ1)≥|W||x|cos(mθ1)＞|W2||x|cos(θ2)
其中，W表示类别的权重，x表示输入向量。如果w1和w2能满足|W1||||x||cos(mθ1)＞|W2||||x||cos(θ2)，那么必然满足||W1||||x||cos(θ1)＞||W2|||x||cos(θ2)角度m使得类1和类2有了更宽的分类决策边界。能够有效地引导网络学习类内距离较小、类间距离较大的特征。
在本发明的一个实施例中，还提供一种基于卷积神经网络的人脸图像性别识别方法，包含以下步骤：
步骤S1、输入层输入经过预处理后统一大小的人脸图像；本实施例中，预处理包含裁剪、旋转以及调节曝光度等操作，能更好的规范图片；
步骤S2、深层网络卷积层和浅层网络卷积层分别提取人脸图像中的特征；
深层网络卷积层提取的特征中包含更丰富和更完整的语义特征，浅层网络卷积层提取的特征中包含细部纹理边缘信息；
步骤S3、融合层将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；
步骤S4、全连接层将卷积池化后的特征图转换为向量；
步骤S5、输出层采用L-Softmax Loss函数对特征进行分类输出。
具体地，所述的深层网络卷积层提取人脸图像中特征的方法进一步包含以下步骤：
步骤a、卷积层提取人脸图像中的特征；
步骤b、池化层对卷积层提取到的特征进行降维处理；
步骤c、Slice层将提取到的多个特征图均分为两部分；
步骤d、Eltwise层从两部分特征图中选取特征响应最高的特征图。
在本发明的实施例中，卷积神经网络CNN模型可采用网络VGGnet-16，Resnet-50和CaffeNet等网络进行训练，并且可以在人脸数据库上(如Adience数据集、WIKI数据集、FERET数据集)进行实验。本实施例中，使用深度学习框架Caffe来实现本发明提供的一种基于卷积神经网络的人脸图像性别识别方法。为了验证本发明的有效性，选择VGGnet-16和CaffeNet卷积神经网络模型在Adience数据集上进行实验，实验所用的硬件配置如下：
GPU：NVIDIA GeForce GTX 1060显卡；
CPU：Intel Core i5处理器。
该实验进一步证明了本发明提供的一种基于卷积神经网络的人脸图像性别识别方法在保证检测精度损失较小的情况下，网络模型减少为原来的1/24倍，极大程度的减少了计算机的运算量。
为解决人脸尺度多样性及人脸角度变化大的问题，本发明提出一种双路卷积神经网络利用不同尺度的卷积核对特征进行多尺度提取的方法。
本发明具有以下优点：
1、本发明设计了双路深浅卷积神经网络模型，与传统的CNN相比，两路网络可分别提取不同尺度、语义的特征，最后在网络池化层输出特征进行融合，得到具有更高语义信息的特征。通过设置两个网络分支的性别识别训练模型，可以更好地解决因人脸尺度大小差异造成识别准确率低的问题，与深度卷积神经网络模型相比，该网络模型提取特征的区分性更强，在性别识别时准确率更高，提高了人脸性别识别的综合性能。
2、使用两路卷积网络需要较大的存储空间和计算量，尤其是深层网络层数较多，造成计算机的内存运算量非常大。本发明提出的Slice层和Eltwise层能对提取到的特征做最大值的运算，减少了特征图的个数，强化了人脸特征，使得网络模型体积大大减小，可保证性别识别准确率损失较小的同时释放内存从而减小了计算机损耗。
3、引入了L-Softmax Loss作为输出层，在简化网络反向传播的计算量同时有效调节类间和类内距离，在保证准确度不损失的前提下，也减少了计算机的运算量。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (3)

1.一种基于卷积神经网络的人脸图像性别识别模型，其特征在于，包含：
输入层，用于输入经过预处理后统一大小的人脸图像；
深层网络卷积层，其提取的特征中包含更丰富和更完整的语义特征；
浅层网络卷积层，其提取的特征中包含细部纹理边缘信息；
融合层，用于将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；
全连接层，用于将卷积池化后的特征图转换为向量；
输出层，用于采用L-Softmax Loss函数对特征进行分类输出；
所述的深层网络卷积层包含：
多个卷积层，用于提取人脸图像中的特征，所述的卷积层的数量为10～20；
多个池化层，用于对卷积层提取到的特征进行降维处理；
多个Slice层，用于将经过卷积层提取到的多个特征均分为两部分；
多个Eltwise层，用于从两部分特征图中对比选取特征响应最高的特征图；
所述的浅层网络卷积层包含：
多个卷积层，用于提取人脸图像中的特征，所述的卷积层的数量为小于10；
多个池化层，用于对卷积层提取到的特征进行降维处理。
2.一种基于卷积神经网络的人脸图像性别识别方法，其特征在于，包含以下步骤：
深层网络卷积层和浅层网络卷积层分别提取输入层中输入的人脸图像中的特征；
融合层将深层网络卷积层提取的特征和浅层网络卷积层提取的特征进行特征融合；
全连接层将卷积池化后的特征图转换为向量；
输出层采用L-Softmax Loss函数对特征进行分类输出；
所述的深层网络卷积层提取人脸图像中特征的方法包含：
卷积层提取人脸图像中的特征；
池化层对卷积层提取到的特征进行降维处理；
Slice层将经过卷积层提取到的多个特征图均分为两部分；
Eltwise层进行对比取最大值操作，从两部分特征图中选取特征响应最高的特征图；
所述的浅层网络卷积层提取人脸图像中特征的方法包含：
卷积层提取人脸图像中的特征；
池化层对卷积层提取到的特征进行降维处理。
3.如权利要求2所述的基于卷积神经网络的人脸图像性别识别方法，其特征在于，输入层输入统一大小的人脸图像。
CN201911175072.9A 2019-11-26 2019-11-26 基于卷积神经网络的人脸图像性别识别模型及识别方法 Active CN110956116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911175072.9A CN110956116B (zh) 2019-11-26 2019-11-26 基于卷积神经网络的人脸图像性别识别模型及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911175072.9A CN110956116B (zh) 2019-11-26 2019-11-26 基于卷积神经网络的人脸图像性别识别模型及识别方法

Publications (2)

Publication Number Publication Date
CN110956116A CN110956116A (zh) 2020-04-03
CN110956116B true CN110956116B (zh) 2023-09-29

Family

ID=69976935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911175072.9A Active CN110956116B (zh) 2019-11-26 2019-11-26 基于卷积神经网络的人脸图像性别识别模型及识别方法

Country Status (1)

Country Link
CN (1) CN110956116B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832475B (zh) * 2020-07-10 2022-08-12 电子科技大学 一种基于语义特征的人脸误检筛除方法
CN112785564B (zh) * 2021-01-15 2023-06-06 武汉纺织大学 一种基于机械臂的行人检测跟踪系统与方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824054A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联深度神经网络的人脸属性识别方法
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法
CN107766850A (zh) * 2017-11-30 2018-03-06 电子科技大学 基于结合人脸属性信息的人脸识别方法
CN108256426A (zh) * 2017-12-15 2018-07-06 安徽四创电子股份有限公司 一种基于卷积神经网络的人脸表情识别方法
CN109101869A (zh) * 2018-06-14 2018-12-28 深圳市博威创盛科技有限公司 多任务学习深度网络的测试方法、设备及存储介质
CN110188708A (zh) * 2019-06-03 2019-08-30 西安工业大学 一种基于卷积神经网络的人脸表情识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018071424A1 (en) * 2016-10-10 2018-04-19 University Of Maryland, College Park All-in-one convolutional neural network for face analysis

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824054A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联深度神经网络的人脸属性识别方法
CN106778584A (zh) * 2016-12-08 2017-05-31 南京邮电大学 一种基于深层特征与浅层特征融合的人脸年龄估计方法
CN107766850A (zh) * 2017-11-30 2018-03-06 电子科技大学 基于结合人脸属性信息的人脸识别方法
CN108256426A (zh) * 2017-12-15 2018-07-06 安徽四创电子股份有限公司 一种基于卷积神经网络的人脸表情识别方法
CN109101869A (zh) * 2018-06-14 2018-12-28 深圳市博威创盛科技有限公司 多任务学习深度网络的测试方法、设备及存储介质
CN110188708A (zh) * 2019-06-03 2019-08-30 西安工业大学 一种基于卷积神经网络的人脸表情识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多特征融合CNN的人脸识别算法研究;罗金梅等;《航空计算技术》;20190525(第03期);全文 *
基于深度卷积神经网络的图像分类算法;陈瑞瑞;《河南科技学院学报(自然科学版)》;20180907(第04期);全文 *

Also Published As

Publication number Publication date
CN110956116A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
Jiang et al. DeepFood: food image analysis and dietary assessment via deep model
William et al. Face recognition using facenet (survey, performance test, and comparison)
EP3084682B1 (en) System and method for identifying faces in unconstrained media
CN105518668B (zh) 基于内容的图像检索
CN107679513B (zh) 图像处理方法、装置及服务器
Leng et al. 3D object understanding with 3D convolutional neural networks
Guo et al. Facial expression recognition using ELBP based on covariance matrix transform in KLT
WO2022042043A1 (zh) 机器学习模型的训练方法、装置和电子设备
CN107886062B (zh) 图像处理方法、系统及服务器
US9129152B2 (en) Exemplar-based feature weighting
CN109948467A (zh) 人脸识别的方法、装置、计算机设备和存储介质
CN104915684B (zh) 一种基于鲁棒多平面支持向量机的图像识别方法及装置
CN110956116B (zh) 基于卷积神经网络的人脸图像性别识别模型及识别方法
Zhang et al. Retargeting semantically-rich photos
Li et al. Facial age estimation by using stacked feature composition and selection
Liu et al. Shape context based mesh saliency detection and its applications: A survey
JP6713162B2 (ja) 画像認識装置、画像認識方法、及び画像認識プログラム
CN110287973B (zh) 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法
CN116959125A (zh) 一种数据处理方法以及相关装置
Fan et al. [Retracted] Accurate Recognition and Simulation of 3D Visual Image of Aerobics Movement
Feng et al. Study on the optimization of CNN based on image identification
Wang et al. A study of convolutional sparse feature learning for human age estimate
Wang et al. Feature extraction method of face image texture spectrum based on a deep learning algorithm
Hossain et al. A Real-time Machine Learning-Based Person Recognition System With Ear Biometrics
Johnson et al. A study on eye fixation prediction and salient object detection in supervised saliency

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