CN111428591A - Ai人脸图像处理的方法、装置、设备和存储介质 - Google Patents

Ai人脸图像处理的方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111428591A
CN111428591A CN202010167444.XA CN202010167444A CN111428591A CN 111428591 A CN111428591 A CN 111428591A CN 202010167444 A CN202010167444 A CN 202010167444A CN 111428591 A CN111428591 A CN 111428591A
Authority
CN
China
Prior art keywords
neural network
network model
layer
face image
detected
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
CN202010167444.XA
Other languages
English (en)
Inventor
叶霆
徐西印
张玉琼
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.)
Tianjin Hualai Technology Co Ltd
Original Assignee
Tianjin Hualai 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 Tianjin Hualai Technology Co Ltd filed Critical Tianjin Hualai Technology Co Ltd
Priority to CN202010167444.XA priority Critical patent/CN111428591A/zh
Publication of CN111428591A publication Critical patent/CN111428591A/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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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

Landscapes

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

Abstract

本发明实施例涉及图像识别技术领域，具体涉及一种AI人脸图像处理方法、装置、设备和存储介质。一种AI人脸图像处理方法，包括：获取需要检测的人脸图像；将所述需要检测的人脸图像输入预先训练的神经网络模型中，利用所述神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。本申请通过采用优化后的神经网络模型进行识别，进一步提高人脸图像识别的准确性。

Description

AI人脸图像处理的方法、装置、设备和存储介质
技术领域
本发明实施例涉及图像识别技术领域，具体涉及一种AI人脸图像处理方法、装置、设备和存储介质。
背景技术
人脸识别是一种基于人脸特征信息进行身份识别的生物识别技术，通常是将人脸图像直接输入预先训练好的预测模型，从而根据预测模型输出的预测结果确定人脸图像中的人的身份。人脸识别分为四个过程：人脸检测、人脸对齐、特征提取、特征匹配。其中，特征提取是人脸识别最关键的步骤，提取到的特征更偏向于该人脸独有的特征，对于特征匹配起到举足轻重的作用，现有技术中经常采用的神经网络函数进行图像识别的性能比较差。
发明内容
为此，本发明实施例提供一种AI人脸图像处理的方法、装置、设备和存储介质，以提高人脸识别的性能。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，一种AI人脸图像处理的方法，包括：获取需要检测的人脸图像；
将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
进一步地，所述优化的神经网络模型采用Resnet网络；
所述Resnet网络的残差块包括依次相连的：第一归一化处理BN层、第一卷积层、第二归一化处理BN层、激活函数层、第二卷积层和第三归一化处理BN层。
进一步地，所述优化的神经网络模型的第一卷积层的步长为1；激活函数层为LeakyRelu层。
进一步地，优化的神经网络模型的训练包括：
将样本图像输入神经网络模型；
获取所述神经网络模型对所述样本图像的识别结果；
基于损失函数，不断迭代更新所述神经网络模型的网络参数，直至所述神经网络模型收敛。
进一步地，Resnet网络的残差块的损失函数的计算采用以下的公式：
Figure BDA0002407961820000021
其中，m为样本数量；t为角度边缘；θj为特征值与错误分类的角度；θyi为特征值与正确分类的角度；x为特征值；e为自然常数；||x||为归一化特征值；i为样本的序号；j为类的序号；n为分类数量；yi为正样本类。
进一步地，所述优化的神经网络的损失函数的计算采用以下公式：
Figure BDA0002407961820000022
其中，s为归一化特征替代值；m为样本数量；θj为特征值与错误分类的角度；θyi为特征值与正确分类的角度；t为角度边缘；yi为正样本类；e为自然常数；j为类的序号；i为样本的序号；n为分类数量。
根据本发明实施例的第二方面，一种AI人脸图像处理的装置，包括：
获取模块，用于获取需要检测的人脸图像；
处理模块，用于将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
进一步地，所述优化的神经网络模型采用Resnet网络；
所述Resnet网络的残差块包括依次相连的：第一归一化处理BN层、第一卷积层、第二归一化处理BN层、激活函数层、第二卷积层和第三归一化处理BN层。
根据本发明实施例的第三方面，一种AI人脸图像处理的设备，包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行以下步骤：
获取需要检测的人脸图像；
将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
所述处理器还用于，将样本图像输入神经网络模型；
获取所述神经网络模型对所述样本图像的识别结果；
基于损失函数，不断迭代更新所述神经网络模型的网络参数，直至所述神经网络模型收敛。
根据本发明实施例的第四方面，一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被执行以下步骤：
获取需要检测的人脸图像；
将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
优化的神经网络模型的训练包括：
将样本图像输入神经网络模型；
获取所述神经网络模型对所述样本图像的识别结果；
基于损失函数，不断迭代更新所述神经网络模型的网络参数，直至所述神经网络模型收敛。
本发明实施例具有如下优点：本发明的技术方案，采用优化后的神经网络模型，改善了Resnet网络的残差块，更适合人脸识别模型的训练，优化了神经网络模型的损失函数。优化后的损失函数可以使模型从现有数据中学习到更可分的角度特性，可以使得学习到的特征具有更明显的角分布，使得神经网络能够学习到更多的角度特性从而进一步提高人脸图像识别的准确性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例提供的一种AI人脸图像处理的方法的流程图；
图2为本发明实施例提供的一种Resnet网络的残差块的结构示意图；
图3为本发明实施例提供的一种AI人脸图像处理的装置的结构示意图；
图4为本发明实施例提供的一种AI人脸图像处理的设备的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
本发明提出了一种AI(Artificial Intelligence，人工智能，英文缩写为AI)人脸图像处理的方法，参见附图1所示的一种AI人脸图像处理的方法的流程图；该方法包括：
步骤S101，获取需要检测的人脸图像；
步骤S102，将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
本申请采用优化的神经网络模型对图像进行识别，从而提高了图像识别的准确性。
其中，所述优化的神经网络模型采用Resnet网络；参见附图2所示的Resnet网络的残差块的结构示意图；所述Resnet网络的残差块包括依次相连的：第一归一化处理BN(BatchNorm)层、第一卷积层、第二归一化处理BN(BatchNorm)层、激活函数层、第二卷积层和第三归一化处理BN(BatchNorm)层。
其中，所述优化的神经网络模型的第一卷积层的步长为1；激活函数层为带泄露线性整流函数(LeakyRelu)层，激活函数为LeakyRelu，该激活函数的特点在于：在输入值为负的时候，带泄露线性整流函数(LeakyReLU)的梯度为一个常数，而不是0。在输入值为正的时候，带泄露线性整流函数(LeakyReLU)和普通斜坡函数保持一致。
在一种实施方式中，优化的神经网络模型的训练包括：
将样本图像输入神经网络模型；
获取所述神经网络模型对所述样本图像的识别结果；
基于损失函数，不断迭代更新所述神经网络模型的网络参数，直至所述神经网络模型收敛。
在一种实施方式中，Resnet网络的残差块的损失函数的计算采用以下的公式：
Figure BDA0002407961820000061
其中，m为样本数量；t为角度边缘；θj为特征值与错误分类的角度；θyi为特征值与正确分类的角度；x为特征值；e为自然常数；||x||为归一化特征值；i为样本的序号；j为类的序号；n为分类数量；yi为正样本类。
损失函数对网络的影响，最直观的就是通过计算损失值Loss反传梯度来实现对模型参数的更新，不同的Loss可以使模型更加侧重于学习到数据某一方面的特性，并在之后能够更好地提取到这一“独有”的特征，因此Loss对于网络优化有导向性的作用。
现有技术中的人脸检测算法无论是SphereFace还是CosineFace的损失函数，都是基于传统的Softmax Loss，本申请同样基于Softmax Loss改进Loss。
现有技术中的损失函数的计算公式如下：
Figure BDA0002407961820000062
而这种方式主要考虑样本是否能正确分类，缺乏类内和类间距离的约束。
在Softmax Loss中，由WTx＝||W||·||x||·cosθ知，特征向量相乘包含有角度信息，即Softmax使得学习到的特征具有角度上的分布特性，为了让特征学习到更可分的角度特性，本申请约束||W||＝1并且令bj＝0，并将
Figure BDA0002407961820000064
从
Figure BDA0002407961820000063
区分出来，使得特征学习到更可分的角度特性，具有更明显的角分布。
尽管在余弦范围到角度范围的映射具有一对一的关系，但他们之间仍有不同之处，事实上，实现角度空间内最大化分类界限相对于余弦空间而言具有更加清晰的几何解释性，角空间中的边缘差距也相当于超球面上的弧距将角度边缘t置于cosθ函数内部，使得cos(θ+t)在θ∈[0，π-t]范围内要小于cos(θ),这一约束使得整个分类任务的要求变得更加苛刻。
在一种实施方式中，本申请仅注重从数据中得到的角度信息，而不考虑特征向量的值，所以采用s作为归一化特征替代值替代||x||，优化的神经网络的损失函数的计算采用以下公式：
Figure BDA0002407961820000071
其中，s为归一化特征替代值，本实施例中优选s＝64；m为样本数量；θj为特征值与错误分类的角度；θyi为特征值与正确分类的角度；t为角度边缘；yi为正样本类；e为自然常数；j为类的序号；i为样本的序号；n为分类数量。
根据公式：cos(θ+t)＝cosθcost-sinθsint，由于动态依赖sinθ，使得网络能够学习到更多的角度特性从而进一步提高人脸图像识别算法的准确性。
与上述的方法对应，本申请实施例还提出了一种AI人脸图像处理的装置，参见附图3所示的一种AI人脸图像处理的装置的结构示意图；该装置包括：
获取模块31，用于获取需要检测的人脸图像；
处理模块32，用于将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
所述优化的神经网络模型采用Resnet网络；
所述Resnet网络的残差块包括依次相连的：第一归一化处理BN层、第一卷积层、第二归一化处理BN层、激活函数层、第二卷积层和第三归一化处理BN层。
所述优化的神经网络模型的第一卷积层的步长为1；激活函数层为带泄露线性整流函数(LeakyRelu)层，激活函数为LeakyRelu。
处理模块32还用于，通过以下公式来计算Resnet网络的残差块的损失函数：
Figure BDA0002407961820000081
或者，所述优化的神经网络模型的损失函数的计算采用以下公式：
Figure BDA0002407961820000082
本申请还提出了一种AI人脸图像处理的设备，包括：至少一个处理器41和至少一个存储器42；
所述存储器42用于存储一个或多个程序指令；
所述处理器41，用于运行一个或多个程序指令，用以执行以下的步骤：
获取需要检测的人脸图像；
将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
所述处理器41还用于，将样本图像输入神经网络模型；
获取所述神经网络模型对所述样本图像的识别结果；
基于损失函数，不断迭代更新所述神经网络模型的网络参数，直至所述神经网络模型收敛。
所述优化的神经网络模型采用Resnet网络；
所述Resnet网络的残差块包括依次相连的：第一归一化处理BN层、第一卷积层、第二归一化处理BN层、激活函数层、第二卷积层和第三归一化处理BN层。
所述优化的神经网络模型的第一卷积层的步长为1；激活函数层为带泄露线性整流函数(LeakyRelu)层，激活函数为LeakyRelu。
所述处理器41还用于，采用以下的公式计算Resnet网络的残差块的损失函数：
Figure BDA0002407961820000091
或者，所述优化的神经网络模型的损失函数的计算采用以下公式：
Figure BDA0002407961820000092
本申请还提出了一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被执行以下的步骤：
获取需要检测的人脸图像；
将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
优化的神经网络模型的训练包括：
将样本图像输入神经网络模型；
获取所述神经网络模型对所述样本图像的识别结果；
基于损失函数，不断迭代更新所述神经网络模型的网络参数，直至所述神经网络收敛。
所述优化的神经网络模型采用Resnet网络；
所述Resnet网络的残差块包括依次相连的：第一归一化处理BN层、第一卷积层、第二归一化处理BN层、激活函数层、第二卷积层和第三归一化处理BN层。
所述优化的神经网络模型的第一卷积层的步长为1；激活函数层为带泄露线性整流函数(LeakyRelu)层，激活函数为LeakyRelu。
Resnet网络的残差块的损失函数的计算采用以下的公式：
Figure BDA0002407961820000101
或者，所述优化的神经网络模型的损失函数的计算采用以下公式：
Figure BDA0002407961820000102
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种AI人脸图像处理的方法，其特征在于，包括：
获取需要检测的人脸图像；
将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
2.根据权利要求1所述的AI人脸图像处理的方法，其特征在于，所述优化的神经网络模型采用Resnet网络；
所述Resnet网络的残差块包括依次相连的：第一归一化处理BN层、第一卷积层、第二归一化处理BN层、激活函数层、第二卷积层和第三归一化处理BN层。
3.根据权利要求2所述的AI人脸图像处理的方法，其特征在于，所述优化的神经网络模型的第一卷积层的步长为1；激活函数层为LeakyRelu层。
4.根据权利要求1所述的AI人脸图像处理的方法，其特征在于，优化的神经网络模型的训练包括：
将样本图像输入神经网络模型；
获取所述神经网络模型对所述样本图像的识别结果；
基于损失函数，不断迭代更新所述神经网络模型的网络参数，直至所述神经网络模型收敛。
5.根据权利要求2所述的AI人脸图像处理的方法，其特征在于，Resnet网络的残差块的损失函数的计算采用以下的公式：
Figure FDA0002407961810000011
其中，m为样本数量；t为角度边缘；θj为特征值与错误分类的角度；θyi为特征值与正确分类的角度；x为特征值；e为自然常数；||x||为归一化特征值；i为样本的序号；j为类的序号；n为分类数量；yi为正样本类。
6.根据权利要求1所述的AI人脸图像处理的方法，其特征在于，所述优化的神经网络模型的损失函数的计算采用以下公式：
Figure FDA0002407961810000021
其中，s为归一化特征替代值；m为样本数量；θj为特征值与错误分类的角度；θyi为特征值与正确分类的角度；t为角度边缘；yi为正样本类；e为自然常数；j为类的序号；i为样本的序号；n为分类数量。
7.一种AI人脸图像处理的装置，其特征在于，包括：
获取模块，用于获取需要检测的人脸图像；
处理模块，用于将所述需要检测的人脸图像输入经过预先训练的优化的神经网络模型中，利用所述优化的神经网络模型对所述需要检测的人脸图像进行识别得到人脸检测识别结果。
8.根据权利要求7所述的AI人脸图像处理的装置，其特征在于，所述优化的神经网络模型采用Resnet网络；
所述Resnet网络的残差块包括依次相连的：第一归一化处理BN层、第一卷积层、第二归一化处理BN层、激活函数层、第二卷积层和第三归一化处理BN层。
9.一种AI人脸图像处理的设备，其特征在于，包括：至少一个处理器和至少一个存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-6任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于被执行如权利要求1-6任一项所述的方法。
CN202010167444.XA 2020-03-11 2020-03-11 Ai人脸图像处理的方法、装置、设备和存储介质 Pending CN111428591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010167444.XA CN111428591A (zh) 2020-03-11 2020-03-11 Ai人脸图像处理的方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010167444.XA CN111428591A (zh) 2020-03-11 2020-03-11 Ai人脸图像处理的方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN111428591A true CN111428591A (zh) 2020-07-17

Family

ID=71546442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010167444.XA Pending CN111428591A (zh) 2020-03-11 2020-03-11 Ai人脸图像处理的方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111428591A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569818A (zh) * 2021-09-23 2021-10-29 湖南星汉数智科技有限公司 人脸特征编码方法、装置、计算机设备和存储介质
CN113989908A (zh) * 2021-11-29 2022-01-28 北京百度网讯科技有限公司 鉴别人脸图像的方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742117A (zh) * 2017-11-15 2018-02-27 北京工业大学 一种基于端到端模型的人脸表情识别方法
CN108229381A (zh) * 2017-12-29 2018-06-29 湖南视觉伟业智能科技有限公司 人脸图像生成方法、装置、存储介质和计算机设备
CN109147010A (zh) * 2018-08-22 2019-01-04 广东工业大学 带属性人脸图像生成方法、装置、系统及可读存储介质
CN109376603A (zh) * 2018-09-25 2019-02-22 北京周同科技有限公司 一种视频识别方法、装置、计算机设备及存储介质
CN110084313A (zh) * 2019-05-05 2019-08-02 厦门美图之家科技有限公司 一种生成物体检测模型的方法
CN110197102A (zh) * 2018-02-27 2019-09-03 腾讯科技（深圳）有限公司 人脸识别方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107742117A (zh) * 2017-11-15 2018-02-27 北京工业大学 一种基于端到端模型的人脸表情识别方法
CN108229381A (zh) * 2017-12-29 2018-06-29 湖南视觉伟业智能科技有限公司 人脸图像生成方法、装置、存储介质和计算机设备
CN110197102A (zh) * 2018-02-27 2019-09-03 腾讯科技（深圳）有限公司 人脸识别方法及装置
CN109147010A (zh) * 2018-08-22 2019-01-04 广东工业大学 带属性人脸图像生成方法、装置、系统及可读存储介质
CN109376603A (zh) * 2018-09-25 2019-02-22 北京周同科技有限公司 一种视频识别方法、装置、计算机设备及存储介质
CN110084313A (zh) * 2019-05-05 2019-08-02 厦门美图之家科技有限公司 一种生成物体检测模型的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘忠雨等: "《深入浅出图神经网络 GNN原理解析》" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569818A (zh) * 2021-09-23 2021-10-29 湖南星汉数智科技有限公司 人脸特征编码方法、装置、计算机设备和存储介质
CN113989908A (zh) * 2021-11-29 2022-01-28 北京百度网讯科技有限公司 鉴别人脸图像的方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
WO2021120752A1 (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
WO2018054283A1 (zh) 人脸模型的训练方法和装置、人脸认证方法和装置
CN111860674A (zh) 样本类别识别方法、装置、计算机设备及存储介质
CN104205126B (zh) 对手写字符的无旋转识别
CN106022317A (zh) 人脸识别方法及装置
CN111476268A (zh) 翻拍识别模型训练、图像识别方法、装置、设备及介质
CN111126482A (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
CN111428591A (zh) Ai人脸图像处理的方法、装置、设备和存储介质
CN113536875A (zh) 证件图像识别方法、装置、计算机设备和存储介质
CN107688822B (zh) 基于深度学习的新增类别识别方法
CN107403618B (zh) 基于堆叠基稀疏表示的音频事件分类方法及计算机设备
CN111178254A (zh) 一种签名识别方法及设备
CN112200216B (zh) 汉字识别方法、装置、计算机设备和存储介质
CN114548104A (zh) 基于特征和类别干预的少样本实体识别方法与模型
CN112836753B (zh) 用于域自适应学习的方法、装置、设备、介质和产品
Sun et al. Sample hardness guided softmax loss for face recognition
CN112507137B (zh) 开放环境下基于粒度感知的少样本关系抽取方法及应用
US20210192318A1 (en) System and method for training deep-learning classifiers
US20220036129A1 (en) Method, device, and computer program product for model updating
Kurtek et al. Handwritten text segmentation using elastic shape analysis
WO2020155484A1 (zh) 基于支持向量机的文字识别方法、装置和计算机设备
CN114581927A (zh) 银行票据识别方法、设备及介质
CN111160245A (zh) 一种动态签名识别方法及设备
Huang et al. Unconstrained face verification by optimally organizing multiple classifiers
CN117131214B (zh) 基于特征分布对齐与聚类的零样本草图检索方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 8 / F, Huaqiao Chuangye building, No. 10, Jinping Road, Ya'an Road, Nankai District, Tianjin 300119 (Science Park)

Applicant after: Tianjin Hualai Technology Co.,Ltd.

Address before: 9 / F, huaqiaochuangye building, No.10, Jinping Road, Ya'an Road, Nankai District, Tianjin 300119 (Science and Technology Park)

Applicant before: TIANJIN HUALAI TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200717