CN111382602A - 一种跨域人脸识别算法、存储介质及处理器 - Google Patents

一种跨域人脸识别算法、存储介质及处理器 Download PDF

Info

Publication number
CN111382602A
CN111382602A CN201811620088.1A CN201811620088A CN111382602A CN 111382602 A CN111382602 A CN 111382602A CN 201811620088 A CN201811620088 A CN 201811620088A CN 111382602 A CN111382602 A CN 111382602A
Authority
CN
China
Prior art keywords
cross
face recognition
neural network
domain
recognition algorithm
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
CN201811620088.1A
Other languages
English (en)
Inventor
刘若鹏
栾琳
赵盟盟
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.)
Shenzhen Kuang Chi Space Technology Co Ltd
Original Assignee
Shenzhen Kuang Chi Space 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 Shenzhen Kuang Chi Space Technology Co Ltd filed Critical Shenzhen Kuang Chi Space Technology Co Ltd
Priority to CN201811620088.1A priority Critical patent/CN111382602A/zh
Priority to PCT/CN2019/112514 priority patent/WO2020134409A1/zh
Publication of CN111382602A publication Critical patent/CN111382602A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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

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

Abstract

本发明提供了一种跨域人脸识别算法、存储介质及处理器。所述跨域人脸识别算法方法包括：搭建Facenet神经网络；在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten层，将特征向量变为单通道一维向量；用单通道一维向量计算最大均值差异损失；将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导。将原Facenet算法的网络结构进行改进，在特征维度最高层处计算不同域MMD值，将其加入合成损失函数中。由于改进后的算法消除了域间统计分布差异，达到了跨域人脸识别的效果。

Description

一种跨域人脸识别算法、存储介质及处理器
【技术领域】
本发明涉及人脸识别算法技术领域，尤其涉及一种跨域人脸识别算法、存储介质及处理器。
【背景技术】
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，通常也叫做人像识别、面部识别。
现有人脸识别算法大多可以解决单域人脸识别(即待识别图像和训练样本图像具有相同的统计分布特性)问题，Florian Schroff等人提出的 Facenet算法是目前效果较好的单域人脸识别算法。
FaceNet为一个通用人脸识别系统，采用深度卷积神经网络(CNN)学习将图像映射到欧式空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在空间中有较大的距离，可以用于人脸验证、识别和聚类。
在实际应用场景下，监控摄像头拍摄视频中提取出的人脸照片具有十分复杂的光照、角度、分辨率和表情等变化因素，这使得待识别图像与训练样本图像具有差异巨大的统计分布特性，即跨域识别问题。对于跨域识别，使用Facenet等传统的识别算法并不能取的很好效果，识别准确率低，识别效率低。
【发明内容】
本发明所要解决的技术问题是提供一种跨域人脸识别算法、存储介质及处理器，能够将原Facenet算法的网络结构进行改进，在特征维度最高层处计算不同域MMD值，将其加入合成损失函数中。由于改进后的算法消除了域间统计分布差异，达到了跨域人脸识别的效果。
为解决上述技术问题，一方面，本发明一实施例提供了一种跨域人脸识别算法，一种跨域人脸识别算法，包括：搭建Facenet神经网络；在Facenet 神经网络特征向量最高维层处加入平均池化层和Faltten层，将特征向量变为单通道一维向量；用单通道一维向量计算最大均值差异损失；将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导。
优选地，所述在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten层包括：
根据数据流中固定的排列方式，在Facenet神经网络特征向量最高维处分别取出两路数据，计算最大均值差异损失。
优选地，所述用单通道一维向量计算最大均值差异损失包括：根据数据流中固定的排列方式，在网络最后层分别取出两路数据，各自计算三元组损失。
优选地，所述将最大均值差异损失加入Facenet神经网络的损失函数中，包括：将损失函数对每一个网络参数求偏导数，根据求导链式法则计算出损失函数对参数的梯度值。
优选地，所述搭建Facenet神经网络包括：将原Facenet神经网络输入拆分为两路输入，分别对应不同域的图像集。
优选地，根据损失函数对参数的梯度求导结果，更新参数取值，使得损失函数沿着负梯度方向收敛至全局最优。
优选地，所述跨域人脸识别指的是：待识别人脸图像与训练样本人脸图像具有差异巨大的统计分布特性。
优选地，所述两路输入分别用于训练分类效果和消除域间差异。
另一方面，本发明一实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述的跨域人脸识别算法。
另一方面，本发明一实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的跨域人脸识别算法。
与现有技术相比，上述技术方案具有以下优点：将原Facenet算法的网络结构进行改进，在特征维度最高层处计算不同域MMD值，将其加入合成损失函数中。由于改进后的算法消除了域间统计分布差异，因此达到了跨域人脸识别的效果。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是现有技术中Facenet神经网络结构示意图。
图2是本发明跨域人脸识别算法模块结构示意图。
图3是本发明跨域人脸识别算法流程图。
图4是图2中的损失函数模块结构示意图。
图5是图3中的最大差异均值计算过程示意图。
图6是图2中的损失函数模块逻辑示意图。
【具体实施方式】
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一、
图1是现有技术中Facenet神经网络结构示意图。Facenet神经网络结构，输入模块经过模块A、模块B-1、模块B-2、模块C-1、模块C-2、模块 D、再经过Siftmax层，再进行Triplet-Loss计算。
图2是本发明跨域人脸识别算法模块结构示意图。如图2所示，在图1 现有Facenet神经网络基础上，该实施例加入MMD模块和合成损失函数模块。 S10为神经网络模块，S20为最大差异均值模块，S30为损失函数模块。模块A至模块E为特征提取网络模块。其中模块A是常规特征提取网络；模块 B-1、C-1和D借鉴Inception-Resnet思想，在保证非线性卷积复杂度的同时降低参数计算量；模块B-2和C-2为Reduction层，用于增加网络非线性程度。
图3是本发明跨域人脸识别算法流程图。如图3所示，一种跨域人脸识别算法，包括：搭建Facenet神经网络；在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten层，将特征向量变为单通道一维向量；用单通道一维向量计算最大均值差异损失；将最大均值差异损失加入Facenet 神经网络的损失函数中，共同参与反向传播和梯度求导。
在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten 层包括：根据数据流中固定的排列方式，在Facenet神经网络特征向量最高维处分别取出两路数据，计算最大均值差异损失。
用单通道一维向量计算最大均值差异损失包括：根据数据流中固定的排列方式，在网络最后层分别取出两路数据，各自计算三元组损失。
将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导包括：所述搭建Facenet神经网络包括：将原Facenet 神经网络输入拆分为两路输入，分别对应不同域的图像集。
该实例的特征提取网络可将输入人脸图像转化为用于分类的特征向量，且输入图像像素为160*160，输出特征向量维度为512维。其中，D模块输出处为全网络中特征维数最大处，为1792维，因此将D网络的输出分为两路，一路进入E网络，另一路进入最大差异均值(Maximum Mean Discrepancy， MMD)网络用于解决跨域分布问题。
图4是图2中的损失函数模块结构示意图。损失函数模块包括输入层、平均池化层、Dropout层、三元组损失(Triplet-loss)层，输出层。它与模块A-D共同构成特征提取模块。
图5是图3中的最大差异均值计算过程示意图。最大差异均值(Maximum MeanDiscrepancy，MMD)是统计学中用来度量两个不同但相关的分布的距离函数。域X特征向量和域Y的特征向量，形成最大差异均值，再通过计算跨域分布损失函数，最终消除不同域的差别，解决跨域识别问题。该实施例创新性地在D模块后加入最大差异均值计算，以计算不同域图像的分布差异，通过神经网络梯度下降和反向传播过程，最终消除不同域的差别，解决跨域识别问题。
图6是图2中的损失函数模块逻辑示意图。如图6所示，该实施例中，合成损失函数由两部分组成：三元组损失(Triplet-loss)和最大差异均值损失(MMD-Loss)，分别来自E模块和MMD模块，其作用分别是训练分类效果和消除域间差异。如图6所示，来自域X的三元组损失和域Y的三元组损失，连同最大差异均值损失(MMD-Loss)三者一起形成合并损失函数，合并损失函数在通过反向传播，达到消除域间差异的效果。
实施例二
本发明的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述的人脸属性识别方法流程。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下人脸属性识别方法流程的程序代码：
S11、搭建Facenet神经网络；
S12、在Facenet神经网络特征向量最高维层处加入平均池化层和 Faltten层，将特征向量变为单通道一维向量；
S13、用单通道一维向量计算最大均值差异损失；
S14、将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由此可见，通过采用本发明存储介质，将原Facenet算法的网络结构进行改进，在特征维度最高层处计算不同域MMD值，将其加入合成损失函数中。由于改进后的算法消除了域间统计分布差异，达到了跨域人脸识别的效果。
实施例三
本发明的实施例还提供了一种处理器，该处理器用于运行程序，其中，该程序运行时执行上述的人脸属性识别方法中的步骤。
可选地，在本实施例中，上述程序用于执行以下步骤：
S11、搭建Facenet神经网络；
S12、在Facenet神经网络特征向量最高维层处加入平均池化层和 Faltten层，将特征向量变为单通道一维向量；
S13、用单通道一维向量计算最大均值差异损失；
S14、将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导。
可选地，本实施例中的具体示例可以参考上述实施例及具体实施时所描述的示例，本实施例在此不再赘述。
由此可见，通过采用本发明处理器，将原Facenet算法的网络结构进行改进，在特征维度最高层处计算不同域MMD值，将其加入合成损失函数中。由于改进后的算法消除了域间统计分布差异，达到了跨域人脸识别的效果。
由上述说明可知，使用根据本发明的跨域人脸识别算法、存储介质及处理器，在传统Facenet识别算法的基础上，在神经网络特定位置加入统计分布损失函数，并改进数据流方式，达到跨域识别效果。
以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种跨域人脸识别算法，其特征在于，包括：
搭建Facenet神经网络；
在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten层，将特征向量变为单通道一维向量；
用单通道一维向量计算最大均值差异损失；
将最大均值差异损失加入Facenet神经网络的损失函数中，共同参与反向传播和梯度求导。
2.根据权利要求1所述的跨域人脸识别算法，其特征在于，所述在Facenet神经网络特征向量最高维层处加入平均池化层和Faltten层包括：
根据数据流中固定的排列方式，在Facenet神经网络特征向量最高维处分别取出两路数据，计算最大均值差异损失。
3.根据权利要求1所述的跨域人脸识别算法，其特征在于，所述用单通道一维向量计算最大均值差异损失包括：
根据数据流中固定的排列方式，在网络最后层分别取出两路数据，各自计算三元组损失。
4.根据权利要求1所述的跨域人脸识别算法，其特征在于，所述将最大均值差异损失加入Facenet神经网络的损失函数中，包括：
将损失函数对每一个网络参数求偏导数，根据求导链式法则计算出损失函数对参数的梯度值。
5.根据权利要求1所述的跨域人脸识别算法，其特征在于，所述搭建Facenet神经网络包括：
将原Facenet神经网络输入拆分为两路输入，分别对应不同域的图像集。
6.根据权利要求4所述的跨域人脸识别算法，其特征在于，还包括：
根据损失函数对参数的梯度求导结果，更新参数取值，使得损失函数沿着负梯度方向收敛至全局最优。
7.根据权利要求1所述的跨域人脸识别算法，其特征在于，所述跨域人脸识别指的是：待识别人脸图像与训练杆本人脸图像具有差异巨大的统计分布特性。
8.根据权利要求5所述的跨域人脸识别算法，其特征在于，所述两路输入分别用于训练分类效果和消除域间差异。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至8中任一项所述的跨域人脸识别算法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任一项所述的跨域人脸识别算法。
CN201811620088.1A 2018-12-28 2018-12-28 一种跨域人脸识别算法、存储介质及处理器 Pending CN111382602A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811620088.1A CN111382602A (zh) 2018-12-28 2018-12-28 一种跨域人脸识别算法、存储介质及处理器
PCT/CN2019/112514 WO2020134409A1 (zh) 2018-12-28 2019-10-22 一种跨域人脸识别算法、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811620088.1A CN111382602A (zh) 2018-12-28 2018-12-28 一种跨域人脸识别算法、存储介质及处理器

Publications (1)

Publication Number Publication Date
CN111382602A true CN111382602A (zh) 2020-07-07

Family

ID=71129676

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811620088.1A Pending CN111382602A (zh) 2018-12-28 2018-12-28 一种跨域人脸识别算法、存储介质及处理器

Country Status (2)

Country Link
CN (1) CN111382602A (zh)
WO (1) WO2020134409A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554013A (zh) * 2021-09-22 2021-10-26 华南理工大学 跨场景识别模型训练方法、跨场景道路识别方法以及装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507995B (zh) * 2021-02-05 2021-06-01 成都东方天呈智能科技有限公司 一种跨模型人脸特征向量的转换系统及方法
CN112633265B (zh) * 2021-03-11 2021-05-18 耕宇牧星(北京)空间科技有限公司 针对基于深度学习目标旋转框检测的池化方法和系统
CN114926877B (zh) * 2022-05-10 2024-02-20 西北工业大学 一种基于对比域差异的跨域人脸表情识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286809A1 (en) * 2016-04-04 2017-10-05 International Business Machines Corporation Visual object recognition
US20170357892A1 (en) * 2016-06-08 2017-12-14 Adobe Systems Incorporated Convolutional Neural Network Joint Training
CN107784296A (zh) * 2017-11-21 2018-03-09 中山大学 一种低分辨率图像的人脸识别方法
US20180137345A1 (en) * 2016-11-15 2018-05-17 Futurewei Technologies, Inc. Automatic Identity Detection
CN108280426A (zh) * 2018-01-23 2018-07-13 深圳极视角科技有限公司 基于迁移学习的暗光源表情识别方法及装置
WO2018137358A1 (zh) * 2017-01-24 2018-08-02 北京大学 基于深度度量学习的目标精确检索方法
US20180276527A1 (en) * 2017-03-23 2018-09-27 Hitachi, Ltd. Processing Method Using Convolutional Neural Network, Convolutional Neural Network Learning Method, and Processing Device Including Convolutional Neural Network

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220337B (zh) * 2017-05-25 2020-12-22 北京大学 一种基于混合迁移网络的跨媒体检索方法
CN107330383A (zh) * 2017-06-18 2017-11-07 天津大学 一种基于深度卷积神经网络的人脸识别方法
CN107818345A (zh) * 2017-10-25 2018-03-20 中山大学 一种基于数据转换之间保持最大依赖关系的域自适应降维方法
CN107895177B (zh) * 2017-11-17 2021-08-03 南京邮电大学 一种保持图像分类稀疏结构的迁移分类学习方法
CN108898218A (zh) * 2018-05-24 2018-11-27 阿里巴巴集团控股有限公司 一种神经网络模型的训练方法、装置、及计算机设备
CN109034186B (zh) * 2018-06-11 2022-05-24 东北大学秦皇岛分校 基于da-rbm分类器模型的手写数据识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170286809A1 (en) * 2016-04-04 2017-10-05 International Business Machines Corporation Visual object recognition
US20170357892A1 (en) * 2016-06-08 2017-12-14 Adobe Systems Incorporated Convolutional Neural Network Joint Training
US20180137345A1 (en) * 2016-11-15 2018-05-17 Futurewei Technologies, Inc. Automatic Identity Detection
WO2018137358A1 (zh) * 2017-01-24 2018-08-02 北京大学 基于深度度量学习的目标精确检索方法
US20180276527A1 (en) * 2017-03-23 2018-09-27 Hitachi, Ltd. Processing Method Using Convolutional Neural Network, Convolutional Neural Network Learning Method, and Processing Device Including Convolutional Neural Network
CN107784296A (zh) * 2017-11-21 2018-03-09 中山大学 一种低分辨率图像的人脸识别方法
CN108280426A (zh) * 2018-01-23 2018-07-13 深圳极视角科技有限公司 基于迁移学习的暗光源表情识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FLORIAN SCHROFF, DMITRY KALENICHENKO, JAMES PHILBIN: "FaceNet: A Unified Embedding for Face Recognition and Clustering", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 815 - 823 *
Z. LUO, J. HU, W. DENG AND H. SHEN: "Deep Unsupervised Domain Adaptation for Face Recognition", 《2018 13TH IEEE INTERNATIONAL CONFERENCE ON AUTOMATIC FACE & GESTURE RECOGNITION》, pages 453 - 457 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554013A (zh) * 2021-09-22 2021-10-26 华南理工大学 跨场景识别模型训练方法、跨场景道路识别方法以及装置

Also Published As

Publication number Publication date
WO2020134409A1 (zh) 2020-07-02

Similar Documents

Publication Publication Date Title
CN111639692B (zh) 一种基于注意力机制的阴影检测方法
CN109598268B (zh) 一种基于单流深度网络的rgb-d显著目标检测方法
CN111382602A (zh) 一种跨域人脸识别算法、存储介质及处理器
CN111460968B (zh) 基于视频的无人机识别与跟踪方法及装置
CN106415594B (zh) 用于面部验证的方法和系统
CN108345892B (zh) 一种立体图像显著性的检测方法、装置、设备及存储介质
CN110889375B (zh) 用于行为识别的隐双流协作学习网络及方法
WO2016138838A1 (zh) 基于投影极速学习机的唇语识别方法和装置
WO2015180042A1 (en) Learning deep face representation
CN110069985B (zh) 基于图像的目标点位置检测方法、装置、电子设备
CN109214403B (zh) 图像识别方法、装置及设备、可读介质
CN111400535A (zh) 轻量级人脸识别方法、系统、计算机设备及存储介质
CN110110755B (zh) 基于ptgan区域差距与多重分支的行人重识别检测方法及装置
CN113011329A (zh) 一种基于多尺度特征金字塔网络及密集人群计数方法
US9305359B2 (en) Image processing method, image processing apparatus, and computer program product
CN114821374B (zh) 一种知识与数据协同驱动的无人机航拍目标检测方法
CN112287906A (zh) 一种基于深度特征融合的模板匹配跟踪方法及系统
CN114724218A (zh) 视频检测方法、装置、设备及介质
CN112560828A (zh) 一种轻量级口罩人脸识别方法、系统、存储介质及设备
CN114973112A (zh) 一种基于对抗学习网络的尺度自适应密集人群计数方法
CN114693607A (zh) 基于多域块特征标志点配准的篡改视频检测方法及系统
CN113239866B (zh) 一种时空特征融合与样本注意增强的人脸识别方法及系统
CN117315752A (zh) 人脸情绪识别网络模型的训练方法、装置、设备和介质
CN117011655A (zh) 基于自适应区域选择特征融合方法、目标跟踪方法及系统
CN111539263B (zh) 一种基于聚合对抗网络的视频人脸识别方法

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