CN111401292B - 一种融合红外图像训练的人脸识别网络构建方法 - Google Patents

一种融合红外图像训练的人脸识别网络构建方法 Download PDF

Info

Publication number
CN111401292B
CN111401292B CN202010216058.5A CN202010216058A CN111401292B CN 111401292 B CN111401292 B CN 111401292B CN 202010216058 A CN202010216058 A CN 202010216058A CN 111401292 B CN111401292 B CN 111401292B
Authority
CN
China
Prior art keywords
network
layer
infrared image
face recognition
value
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
CN202010216058.5A
Other languages
English (en)
Other versions
CN111401292A (zh
Inventor
黄俊洁
闫超
罗冬林
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 Dongfang Tiancheng Intelligent Technology Co ltd
Original Assignee
Chengdu Dongfang Tiancheng Intelligent 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 Dongfang Tiancheng Intelligent Technology Co ltd filed Critical Chengdu Dongfang Tiancheng Intelligent Technology Co ltd
Priority to CN202010216058.5A priority Critical patent/CN111401292B/zh
Publication of CN111401292A publication Critical patent/CN111401292A/zh
Application granted granted Critical
Publication of CN111401292B publication Critical patent/CN111401292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V40/172—Classification, e.g. identification
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明公开了一种融合红外图像训练的人脸识别网络构建方法，包括采用卷积层、批归一化层、修正线性单元层和深度可分离卷积层封装成网络单块；从前至后按卷积层、批归一化层、修正线性单元层和网络单块依次堆叠得到网络块，堆叠4个网络块得到主干网络，并在主干网络后依次插入随机失活层和全连层，以得到网络模型；将人脸的RGB图像与人脸对应的红外图像堆叠融合成四通道图像，做为训练数据输入至网络模型；利用附加角度间隔的柔性最大值损失函数计算训练集样本的真实标签与全连接层输出的预测结果之间的损失值；随机初始化网络模型的网络参数，并设定超参数；采用随机梯度下降法作为网络优化策略，重复计算直至损失值收敛得到最优的网络模型。

Description

一种融合红外图像训练的人脸识别网络构建方法
技术领域
本发明涉及人脸识别技术领域，尤其是一种融合红外图像训练的人脸识别网络构建方法。
背景技术
随着信息时代逐步地推进，各种智能产品渗入到人们的四周，让人们的日常生活变得越来越便捷。但是伴随着这种便捷，人们也涉及到更多的个人信息交换，个人信息如若丢失会带来自身的经济损失和人身伤害，所以身份验证成为现在随处可见的流程，只有身份验证通过才能提取个人隐私信息。其中，生物识别技术是身份验证领域中常用的手段，主要通过分析比较人类的生物特征来鉴别身份，常用的生物特征有人脸、虹膜、指纹等等，人脸特征可通过非接触式操作采集，其具有操作简单、便捷等优点。因此，衍生出人脸识别技术这一重要的研究分支。人脸识别技术可以帮助复工人员非接触式打卡上班，对未佩戴口罩的情况进行预警，而且结合红外摄像头可以精准地检测员工体温，从而帮助企业加快复工进程，减少员工感染的情况；目前大多数省市的火车站、汽车站、办公楼都设有人脸识别温度安检门，利用摄像头进行人脸识别，并且使用温度传感器或红外检测器检测温度，将测温、人脸识别功能合为一体，提高识别精度。由此可见，人脸识别技术具有较高的应用价值。
基于传统图像处理的人脸识别方法主要通过利用手工特征进行识别任务，但是手工特征的提取需要凭借人工经验，泛化性弱，容易受识别物体的变化影响，所以目前主流的人脸识别方法都应用了深度学习技术，利用卷积神经网络提取的卷积特征具有更丰富的语义信息，能更好地拟合人脸目标，取得更为优秀的识别结果。
目前，基于深度学习技术的人脸识别方法大致可以分为两类：
第一类，是基于距离度量学习的人脸识别方法，该方法的核心思想是通过距离度量来描述人脸样本的特征，如眼与嘴之间的相对距离，常用的距离有马氏距离、明可夫斯基距离、欧式距离等等。在方法实施时需搭建一个深度神经网络，还要根据样本特性设计对应的损失函数，较好的损失函数能更好的鉴别距离度量，理想状态是让样本在度量空间中同类聚集，异类发散，经典的损失函数有三元组损失和对比损失。虽然这类方法操作简单，但是使用距离作为度量标准，在识别目标发生尺度变化时会受到较大的影响。
第二类，是基于间隔的人脸识别方法，基于第一类方法的基础上改进。主要改进点是在设计损失函数时引入间隔约束，能增加网络模型的识别能力，用于增大类间距离，缩小类内距离，从而优化网络模型的决策边界。但是这些损失函数公式中涉及了多个超参数，稍有偏差都会影响模型的性能，需人工细心地调试。
由此可见，目前基于深度学习的算法大多数使用的是可见光图像，其算法的性能会受所处的环境因素影响，降低识别精度，如光照变化、人脸遮挡、脸部表情等等因素，使用时存在部分局限性。
因此，急需要构建一种融合红外图像训练的人脸识别网络，以及解决可见光图像存在的问题。
发明内容
针对上述问题，本发明的目的在于提供一种融合红外图像训练的人脸识别网络构建方法，本发明采用的技术方案如下：
一种融合红外图像训练的人脸识别网络构建方法，包括以下步骤：
采用卷积层、批归一化层、修正线性单元层和深度可分离卷积层封装成网络单块；
从前至后按卷积层、批归一化层、修正线性单元层和网络单块依次堆叠，得到网络块，复制并堆叠4个网络块，得到主干网络，并在所述主干网络后依次插入随机失活层和全连接层，以得到网络模型；
将人脸的RGB图像与人脸对应的红外图像堆叠融合成四通道图像，得到训练集样本样本，将所述训练集样本输入至网络模型；
利用附加角度间隔的柔性最大值损失函数计算训练集样本的真实标签与全连接层输出的预测结果之间的损失值；
随机初始化网络模型的网络参数，并设定超参数；
采用随机梯度下降法作为网络优化策略，并根据设定的迭代次数重复计算，直至损失值收敛得到最优的网络模型。
优选地，所述网络单块为从前至后按卷积层、批归一化层、修正线性单元层、深度可分离卷积层、批归一化层、修正线性单元层、卷积层和批归一化层封装而成。
优选地，所述修正线性单元层的最大限制值为6。
优选地，所述主干网络中含有4个网络块，且4个网络块中的网络单块数量依次为1、2、4和1。
进一步地，将人脸的RGB图像的三通道和人脸对应的红外图像堆叠融合成四通道图像。
优选地，所述附加角度间隔的柔性最大值损失函数的表达式为：
Figure GDA0004095167840000041
其中，
Figure GDA0004095167840000042
表示预测为真实标签yi对应的余弦角度，θj表示预测为j类的余弦角度，m表示调整角度间隔，s表示控制特征比例，N表示批处理的样本总数。
优选地，所述调整角度间隔m的取值为0.5，且控制特征比例s的取值为64。
进一步地，采用随机梯度下降法作为网络优化策略，并根据设定的迭代次数重复计算，直至损失值收敛得到最优的网络模型，包括以下步骤：
步骤S01，采用预热余弦学习率衰减法控制学习率，并预设预热迭代次数为2000次；
步骤S02，采用带牛顿动量参数的随机梯度下降法优化整个网络的权重参数，所述带牛顿动量参数为0.9。
步骤S03，提取卷积特征并求得损失值，利用随机梯度下降法进行反向传播优化权重参数；
步骤S04，重复步骤S03，直至损失值收敛得到最优的网络模型。
优选地，所述学习率取值为0.001。
优选地，所述随机初始化网络模型的网络参数，并设定超参数，所述网络参数和超参数包括：批处理大小、批归一化层的权重衰减率、调整角度间隔、控制特征比例、预热迭代次数、最大迭代次数、随机失活层的失活率和随机梯度下降法的动量参数；
所述批处理大小取值为128；所述批归一化层的权重衰减率取值为0.001；所述调整角度间隔取值为0.5；所述控制特征比例的取值为64；所述预热迭代次数取值为2000次；所述最大迭代次数取值为20000次；所述随机失活层的失活率取值为0.5；所述随机梯度下降法的动量参数取值为0.9。
与现有技术相比，本发明具有以下有益效果：
(1)本发明巧妙地在网络结构中加入深度可分离卷积层，每个通道特征都有对应的卷积核处理，能大大降低网络模型参数量，可提高模型的识别速度；
(2)本发明巧妙地利用主干网络提取训练样本的卷积特征，并在主干网络部分后插入一层随机失活层，以防止参数过多带来的过拟合现象；
(3)本发明采用RGB图像与对应的红外图像堆叠融合成四通道图像作为网络模型的输入，虽然可见光图像没有红外图像的缺陷，但是红外图像可以弥补可见光图像的局限，本发明巧妙地采用红外图像作为可见光图像的补充，提高算法的精度和泛化性；
(4)本发明通过优化角度距离，在角度空间中将样本最大化地分开，其更具有简洁、清晰地解释性；
(5)本发明巧妙地采用带牛顿动量参数的随机梯度下降法作为网络优化策略，其好处在于能解决在高维参数空间中出现的梯度敏感现象，加速收敛速度，减小震荡的幅度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的网络中卷积块封装示意图。
图2为本发明的网络结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
如图1至图2所示，本实施例提供了一种融合红外图像训练的人脸识别网络构建方法，其包括以下步骤：
第一步，从前至后将卷积层、批归一化层、最大值限制为6的修正线性单元层、深度可分离卷积层封装成网络单块，按预先设置的数量复制依次排列。如图1所示，在本实施例中，将这四种网络层按一定顺序封装成一个网络单块，其具体的顺序为：卷积层->批归一化层->最大限制为6的修正线性单元层->深度可分离卷积层->批归一化层->最大限制为6的修正线性单元层->卷积层->批归一化层。在本实施例中通过加入深度可分离卷积层，便可大大减少参数量，提高方法的识别速度。
第二步，从前至后按照卷积层、批归一化层、参数修正线性单元层、数个网络单块的规则依次堆叠，组成网络结构中的网络块，按照预先设定的数量依次搭建，完成网络模型的主干部分，主要用来提取训练样本的卷积特征。然后在主干网络部分后插入一层随机失活层，防止参数过多带来的过拟合现象。最后对特征进行归一化，处理之后输送到全连接层进行分类。如图2所示，由4个网络块按照设置的组合方式堆叠构成，每个网络块包含的卷积块个数分别为1、2、4、1，共有20个卷积层。
第三步，将RGB图像与对应的红外图像堆叠融合成四通道图像作为网络模型的输入，可见光图像没有红外图像的缺陷，而红外图像可以弥补可见光图像的局限，因此可使用红外图像作为可见光图像的补充，提高算法的精度和泛化性。
第四步，利用附加角度间隔的柔性最大值损失函数计算训练样本的真实标签与全连接层输出的预测结果之间的损失值，通过优化角度距离，在角度空间中将样本最大化地分开，更具有简洁、清晰地解释性。附加角度的间隔的柔性最大值损失函数公式为：
Figure GDA0004095167840000081
其中，因将最后一层网络层的偏移项设置为0，所以最后余弦角度的计算公式为
Figure GDA0004095167840000082
但训练中将特征向量和权重向量进行归一化处理，处理后||wj||＝1,||xj||＝1，所以/>
Figure GDA0004095167840000083
公式中/>
Figure GDA0004095167840000084
指预测为真实标签yi对应的余弦角度，θj为预测为j类的余弦角度。其次，m参数调整角度间隔，s参数控制特征比例，N为批处理的样本总数。
第五步，随机初始化算法模型的网络参数，设定相关的超参数。设置批处理大小参数为128，批归一化层的权重衰减率为0.001，角度间隔调整参数m为0.5，特征比例调整参数s为64，预热迭代次数设为2000次，最大迭代次数设为20000次，随机失活层的失活率为0.5，还有随机梯度下降法的动量参数设为0.9。
第六步，使用随机梯度下降法作为网络优化策略，在根据设定的迭代次数重复计算，直至损失值收敛得到最优的网络模型。其中学习率设为0.001，反向传播计算出梯度之后使用随机梯度下降法优化网络参数，直至达到最优解，新的参数更新公式如下：
vt+1＝vt*momentum-η*θt
θt+1＝θt+vt+1
其中，v为计算更新速度，momentum为动量参数控制更新速度，η为学习率，θt为第t次迭代反向传播得到的梯度值。每一次迭代都要使用随机梯度下降法优化全部参数，直至达到最优解，得到识别精度较高的模型。
本实施例提出的实施步骤训练出模型，基于融合红外图像的人脸识别方法在不同的光照和角度上识别效果都要优于基于可见光图像的人脸识别方法。因此，利用本实施例提出的方法可以增加人脸识别方法对光照的敏感性，可一定程度上减弱外界因素的干扰，提高识别精度，增加泛化性和鲁棒性。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims (8)

1.一种融合红外图像训练的人脸识别网络构建方法，其特征在于，包括以下步骤：
采用卷积层、批归一化层、修正线性单元层和深度可分离卷积层封装成网络单块；
从前至后按卷积层、批归一化层、修正线性单元层和网络单块依次堆叠，得到网络块，复制并堆叠4个网络块，得到主干网络，并在所述主干网络后依次插入随机失活层和全连接层，以得到网络模型；
将人脸的RGB图像与人脸对应的红外图像堆叠融合成四通道图像，得到训练集样本，将所述训练集样本输入至网络模型；
利用附加角度间隔的柔性最大值损失函数计算训练集样本的真实标签与全连接层输出的预测结果之间的损失值；
随机初始化网络模型的网络参数，并设定超参数；
采用随机梯度下降法作为网络优化策略，并根据设定的迭代次数重复计算，直至损失值收敛得到最优的网络模型，所述网络单块为从前至后按卷积层、批归一化层、修正线性单元层、深度可分离卷积层、批归一化层、修正线性单元层、卷积层和批归一化层封装而成，所述修正线性单元层的最大限制值为6。
2.根据权利要求1所述的一种融合红外图像训练的人脸识别网络构建方法，其特征在于，所述主干网络中含有4个网络块，且4个网络块中的网络单块数量依次为1、2、4和1。
3.根据权利要求1所述的一种融合红外图像训练的人脸识别网络构建方法，其特征在于，将人脸的RGB图像的三通道和人脸对应的红外图像堆叠融合成四通道图像。
4.根据权利要求1所述的一种融合红外图像训练的人脸识别网络构建方法，其特征在于，所述附加角度间隔的柔性最大值损失函数的表达式为：
Figure FDA0004065847730000021
其中，
Figure FDA0004065847730000022
表示预测为真实标签yi对应的余弦角度，θj表示预测为j类的余弦角度，m表示调整角度间隔，s表示控制特征比例，N表示批处理的样本总数。
5.根据权利要求4所述的一种融合红外图像训练的人脸识别网络构建方法，其特征在于，所述调整角度间隔m的取值为0.5，且控制特征比例s的取值为64。
6.根据权利要求1所述的一种融合红外图像训练的人脸识别网络构建方法，其特征在于，采用随机梯度下降法作为网络优化策略，并根据设定的迭代次数重复计算，直至损失值收敛得到最优的网络模型，包括以下步骤：
步骤S01，采用预热余弦学习率衰减法控制学习率，并预设预热迭代次数为2000次；
步骤S02，采用带牛顿动量参数的随机梯度下降法优化整个网络的权重参数，所述带牛顿动量参数为0.9；
步骤S03，提取卷积特征并求得损失值，利用随机梯度下降法进行反向传播优化权重参数；
步骤S04，重复步骤S03，直至损失值收敛得到最优的网络模型。
7.根据权利要求6所述的一种融合红外图像训练的人脸识别网络构建方法，其特征在于，所述学习率取值为0.001。
8.根据权利要求1所述的一种融合红外图像训练的人脸识别网络构建方法，其特征在于，所述随机初始化网络模型的网络参数，并设定超参数，所述网络参数和超参数包括：批处理大小、批归一化层的权重衰减率、调整角度间隔、控制特征比例、预热迭代次数、最大迭代次数、随机失活层的失活率和随机梯度下降法的动量参数；
所述批处理大小取值为128；所述批归一化层的权重衰减率取值为0.001；所述调整角度间隔取值为0.5；所述控制特征比例的取值为64；所述预热迭代次数取值为2000次；所述最大迭代次数取值为20000次；所述随机失活层的失活率取值为0.5；所述随机梯度下降法的动量参数取值为0.9。
CN202010216058.5A 2020-03-25 2020-03-25 一种融合红外图像训练的人脸识别网络构建方法 Active CN111401292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010216058.5A CN111401292B (zh) 2020-03-25 2020-03-25 一种融合红外图像训练的人脸识别网络构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010216058.5A CN111401292B (zh) 2020-03-25 2020-03-25 一种融合红外图像训练的人脸识别网络构建方法

Publications (2)

Publication Number Publication Date
CN111401292A CN111401292A (zh) 2020-07-10
CN111401292B true CN111401292B (zh) 2023-05-26

Family

ID=71429131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010216058.5A Active CN111401292B (zh) 2020-03-25 2020-03-25 一种融合红外图像训练的人脸识别网络构建方法

Country Status (1)

Country Link
CN (1) CN111401292B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112053313B (zh) * 2020-08-31 2022-12-06 西安工业大学 异源图像融合的夜视抗晕光视频处理方法
CN111985625B (zh) * 2020-09-04 2024-04-26 江苏濠汉信息技术有限公司 一种红外-可见光融合的深度神经网络及其建模方法
CN112258431B (zh) * 2020-09-27 2021-07-20 成都东方天呈智能科技有限公司 基于混合深度可分离膨胀卷积的图像分类模型及其分类方法
CN112507958B (zh) * 2020-12-22 2024-04-02 成都东方天呈智能科技有限公司 不同人脸识别模型特征码的转换系统及可读存储介质
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
CN112507996B (zh) * 2021-02-05 2021-04-20 成都东方天呈智能科技有限公司 一种主样本注意力机制的人脸检测方法
CN113378911B (zh) * 2021-06-08 2022-08-26 北京百度网讯科技有限公司 图像分类模型训练、图像分类方法及相关装置
CN116091372B (zh) * 2023-01-03 2023-08-15 江南大学 基于层分离和重参数的红外和可见光图像融合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273876A (zh) * 2017-07-18 2017-10-20 山东大学 一种基于深度学习的‘宏to微转换模型’的微表情自动识别方法
CN108182384A (zh) * 2017-12-07 2018-06-19 浙江大华技术股份有限公司 一种人脸特征点定位方法及装置
CN108898112A (zh) * 2018-07-03 2018-11-27 东北大学 一种近红外人脸活体检测方法及系统
EP3576021A1 (en) * 2018-05-30 2019-12-04 Robert Bosch GmbH Method, apparatus and computer program for generating robust automated learning systems and testing trained automated learning systems

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10963737B2 (en) * 2017-08-01 2021-03-30 Retina-Al Health, Inc. Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images
SG11201912745WA (en) * 2017-10-16 2020-01-30 Illumina Inc Deep learning-based splice site classification
US20200321130A1 (en) * 2017-11-13 2020-10-08 The Trustees Of Columbia University In The City Of New York System, method and computer-accessible medium for determining breast cancer risk
CN110348271A (zh) * 2018-04-04 2019-10-18 山东大学 一种基于长短时记忆网络的微表情识别方法
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
CN109325931A (zh) * 2018-08-22 2019-02-12 中北大学 基于生成对抗网络和超分辨率网络的多模态图像融合方法
CN109543549B (zh) * 2018-10-26 2021-09-07 北京陌上花科技有限公司 用于多人姿态估计的图像数据处理方法及装置、移动端设备、服务器
CN110263731B (zh) * 2019-06-24 2021-03-16 电子科技大学 一种单步人脸检测系统
CN110287880A (zh) * 2019-06-26 2019-09-27 西安电子科技大学 一种基于深度学习的姿态鲁棒性人脸识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273876A (zh) * 2017-07-18 2017-10-20 山东大学 一种基于深度学习的‘宏to微转换模型’的微表情自动识别方法
CN108182384A (zh) * 2017-12-07 2018-06-19 浙江大华技术股份有限公司 一种人脸特征点定位方法及装置
EP3576021A1 (en) * 2018-05-30 2019-12-04 Robert Bosch GmbH Method, apparatus and computer program for generating robust automated learning systems and testing trained automated learning systems
CN108898112A (zh) * 2018-07-03 2018-11-27 东北大学 一种近红外人脸活体检测方法及系统

Also Published As

Publication number Publication date
CN111401292A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111401292B (zh) 一种融合红外图像训练的人脸识别网络构建方法
Wang et al. Face recognition based on deep learning
CN109359541A (zh) 一种基于深度迁移学习的素描人脸识别方法
CN109033938A (zh) 一种基于可区分性特征融合的人脸识别方法
WO2020258981A1 (zh) 基于眼底图像的身份信息处理方法及设备
CN105631398A (zh) 识别对象的方法和设备以及训练识别器的方法和设备
Khalil-Hani et al. A convolutional neural network approach for face verification
CN109657595A (zh) 基于堆叠沙漏网络的关键特征区域匹配人脸识别方法
CN111339930A (zh) 一种联合口罩属性损失函数的人脸识别方法
CN109255289B (zh) 一种基于统一式生成模型的跨衰老人脸识别方法
CN102902980B (zh) 一种基于线性规划模型的生物特征图像分析与识别方法
CN106650574A (zh) 基于PCANet的人脸识别方法
CN109711358A (zh) 神经网络训练方法、人脸识别方法及系统和存储介质
CN112200176B (zh) 人脸图像的质量检测方法、系统和计算机设备
CN108564040B (zh) 一种基于深度卷积特征的指纹活性检测方法
CN109190521B (zh) 一种基于知识提纯的人脸识别模型的构建方法及应用
CN111611877A (zh) 基于多时空信息融合的抗年龄干扰的人脸识别方法
KR100729273B1 (ko) Pca와 역전파 알고리즘을 이용한 얼굴인식 방법
Meng et al. Finger vein recognition based on convolutional neural network
CN112613480A (zh) 一种人脸识别方法、系统、电子设备及存储介质
CN110490028A (zh) 基于深度学习的人脸识别网络训练方法、设备及存储介质
Futane et al. Video gestures identification and recognition using Fourier descriptor and general fuzzy minmax neural network for subset of Indian sign language
R Al-nima Design a biometric identification system based on the fusion of hand geometry and backhand patterns
Tee et al. Facial recognition using enhanced facial features k-nearest neighbor (k-NN) for attendance system
CN111832540B (zh) 一种基于非稳态虹膜视频流仿生神经网络的身份验证方法

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
CB03 Change of inventor or designer information

Inventor after: Huang Junjie

Inventor after: Yan Chao

Inventor after: Luo Donglin

Inventor before: Huang Junjie

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant