CN111582141B - 人脸识别模型训练方法、人脸识别方法及装置 - Google Patents
人脸识别模型训练方法、人脸识别方法及装置 Download PDFInfo
- Publication number
- CN111582141B CN111582141B CN202010366448.0A CN202010366448A CN111582141B CN 111582141 B CN111582141 B CN 111582141B CN 202010366448 A CN202010366448 A CN 202010366448A CN 111582141 B CN111582141 B CN 111582141B
- Authority
- CN
- China
- Prior art keywords
- face
- training
- recognition model
- face recognition
- initial
- 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
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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种人脸识别模型训练方法、人脸识别方法及装置。所述人脸识别模型训练方法包括:获取样本人脸图像;根据所述样本人脸图像对初始人脸识别模型进行训练,得到用于对图像中的人脸位置进行检测的预训练人脸识别模型;利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图像对所述预训练识别模型进行二次训练,得到目标人脸识别模型。本申请可以提高畸变的人脸检测效率以及被遮挡的人脸的检测准确率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种人脸识别模型训练方法、人脸识别方法及装置。
背景技术
金字塔多层级检测网络(如PyramidBox等)的出现使人脸检测达到了一个非常高的性能,但是其金字塔多尺度特征的使用使得计算网络非常复杂,很难在ARM架构的cpu上达到实时检测的效果,因此商用成本非常高。
而且,对于商用鱼眼摄像头边缘地区的畸变的人脸检测的准确率较低,因此,采用金字塔多层级检测网络影响了人脸检测的效率和准确率。
发明内容
本申请提供了一种人脸识别模型训练方法、人脸识别方法及装置,以解决现有技术中采用金字塔多层级检测网络影响人脸检测的效率和准确率的问题。
为了解决上述问题,本申请提供了一种人脸识别模型训练方法,包括:
获取样本人脸图像;
根据所述样本人脸图像对初始人脸识别模型进行训练,得到用于对图像中的人脸位置进行检测的预训练人脸识别模型;
利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图像对所述预训练人脸识别模型进行二次训练,得到目标人脸识别模型。
可选地,所述样本人脸图像对应于一个初始人脸标注框,所述初始人脸识别模型包括:检测模块,
所述根据所述样本人脸图像对初始人脸识别模型进行训练,得到对图像中的人脸位置进行检测的预训练人脸识别模型,包括:
调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框;
根据所述初始人脸标注框和所述预测人脸框,计算得到所述初始人脸识别模型对应的第一损失值;
在所述第一损失值达到第一初始值的情况下,将训练后的初始人脸识别模型作为所述预训练人脸识别模型。
可选地,所述检测模块包括:第一检测模块、第二检测模块和第三检测模块,
所述调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框,包括:
调用所述第一检测模块对经处理后包含第一尺寸的人脸特征的样本人脸图像进行识别,得到第一预测人脸框;
调用所述第二检测模块对经处理后包含第二尺寸的人脸特征的样本人脸图像进行识别,得到第二预测人脸框;
调用所述第三检测模块对经处理后包含第三尺寸的人脸特征的样本人脸图像进行识别,得到第三预测人脸框;
其中,所述第一尺寸小于所述第二尺寸,所述第二尺寸小于所述第三尺寸。
可选地,所述根据所述初始人脸标注框和所述预测人脸框,计算得到所述初始人脸识别模型对应的第一损失值,包括:
根据所述初始人脸标注框和所述第一预测人脸框,计算得到所述初始人脸识别模型对应的第一检测损失值;
根据所述初始人脸标注框和所述第二预测人脸框,计算得到所述初始人脸识别模型对应的第二检测损失值;
根据所述初始人脸标注框和所述第三预测人脸框,计算得到所述初始人脸识别模型对应的第三检测损失值。
可选地,所述在所述第一损失值达到第一初始值的情况下,将训练后的初始人脸识别模型作为所述预训练人脸识别模型,包括:
在所述第一检测损失值、所述第二检测损失值和所述第三检测损失值均达到所述第一初始值的情况下,将训练后的初始人脸识别模型作为所述预训练人脸识别模型。
可选地,所述初始人脸识别模型还包括:轻量级网络层,
在所述调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框之前,还包括:
调用所述轻量级网络层对所述样本人脸图像中的人脸特征进行识别,得到识别人脸特征;
所述调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框,包括:
调用所述检测模块对所述识别人脸特征进行检测处理,确定所述识别人脸特征在所述样本人脸图像中的预测人脸框。
可选地,在所述第一检测模块、所述第二检测模块和所述第三检测模块之前均嵌入串联连接的所述第一训练神经网络模型和所述第二训练神经网络模型,所述初始人脸识别模型还包括:分类层,所述样本人脸图像对应于一个初始分类结果;
所述利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图像对所述预训练人脸识别模型进行二次训练,得到目标人脸识别模型,包括:
调用所述第一训练神经网络模型对所述样本人脸图像中的人脸特征进行遮挡处理,生成遮挡人脸特征;
调用所述第二训练神经网络模型对所述遮挡人脸特征进行形变处理,生成形变人脸特征;
调用所述分类层对所述形变人脸特征进行识别,确定所述形变人脸特征的预测分类结果;
调用所述检测模块对所述形变人脸特征进行识别,得到所述预测人脸框;
根据所述初始分类结果、所述初始人脸标注框、所述预测分类结果和所述预测人脸框,计算得到所述预训练人脸识别模型的第二损失值;
在所述第二损失值达到第二初始值的情况下,将训练后的预训练人脸识别模型作为目标人脸识别模型。
可选地,所述第一训练神经网络模型为处理遮挡的对抗网络模型,所述第二训练神经网络模型为处理形变的对抗网络模型。
为了解决上述问题,本申请提供了一种人脸识别方法,包括:
获取待识别人脸图像;
将所述待识别人脸图像输入至目标人脸识别模型输出人脸识别结果;
其中,所述目标人脸识别模型是上述训练方法训练得到的。
为了解决上述问题,本申请提供了一种人脸识别装置,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述的人脸识别模型训练方法,或上述人脸识别方法。
为了解决上述问题,本申请提供了一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述任一项所述的人脸识别模型训练方法,或上述人脸识别方法。
与现有技术相比,本申请包括以下优点:
本申请实施例提供的方案,通过获取样本人脸图像,根据样本人脸图像对初始人脸识别模型进行训练,得到用于对图像中的人脸位置进行检测的预训练人脸识别模型,利用第一训练神经网络和第二训练神经网络根据样本人脸图像对预训练人脸识别模型进行二次训练,得到目标人脸识别模型。本申请实施例通过在人脸识别模型的训练过程中,增加对抗网络(即第一训练神经网络模型和第二训练神经网络模型),以学习遮挡和形变对检测结果的影响,提高商用鱼眼摄像头边缘地区的畸变的人脸检测效率以及被遮挡的人脸的检测准确率。
附图说明
图1示出了本申请实施例提供的一种人脸识别模型训练方法的步骤流程图;
图1a示出了本申请实施例提供的一种SSH网络结构的示意图;
图1b示出了本申请实施例提供的一种全连接层的示意图;
图1c示出了本申请实施例提供的一种ASTN网络的示意图;
图2示出了本申请实施例提供的一种人脸识别方法的步骤流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,示出了本申请实施例提供的一种人脸识别模型训练方法的步骤流程图,该人脸识别模型训练方法具体可以包括如下步骤:
步骤101:获取样本人脸图像。
本申请实施例可以应用于对商用鱼眼摄像头边缘地区的畸变的人脸图像进行识别的场景中。
首先,可以结合本实施例对人脸识别模型的训练过程进行描述。
本实施例的人脸识别模型的主干检测网络可以采用SSH算法,SSH其实就是在不同尺度的特征图对应的卷积层引入不同的检测模块Detection Module以检测不同尺度大小的人脸。该网络结构为全卷积网络结构。本实施例采用mobilenet或者shufflenet替换作为主干网络,mobilenet和shufflenet均为轻量级网络,可以简化网络结构,从而可以使训练得到的模型应用于终端产品种。
接下来,结合图1a对SSH网络的架构进行如下描述。
由图1a所示的SSH网络结构图,本实施例中,采用轻量级网络层(mobilenet或shufflenet)对图1a所示的conv1-1~4和conv5-3进行了替换,检测模块M3是连接在轻量级网络层后增加的一个max-pooling层之后的,而检测模块M2则是直接连接在轻量级网络层卷积层之后,检测模块M3和检测模块M2之间相差一个stride为2的max-pooling层操作,通过Max-pooling操作以增加感受野,从而使得M3能够检测到比M2更大的人脸。
对于检测模块M1,是在轻量级网络层后增加了两个并联的Relu(RectifiedLinear Unints,激活函数)层,以将通道数从原来的512维降至128维,并通过双线性插值up-sampling操作将feature map的尺寸变大,然后将两个通道输出的参数对应求和,经过3×3的卷积层,最后连接上检测模块M1,通过降维处理,以使得M1可以检测更小尺寸的人脸。
样本人脸图像是指用于对人脸识别模型进行训练的人脸图像。
在具体实现中,可以从互联网中随机获取人脸图像以作为样本人脸图像,具体地,可以根据业务需求而定,本申请实施例对此不加以限制。
在获取样本人脸图像之后,执行步骤102。
步骤102:根据所述样本人脸图像对初始人脸识别模型进行训练,得到用于对图像中的人脸位置进行检测的预训练人脸识别模型。
初始人脸识别模型是指还未进行训练的人脸识别模型。
预训练人脸识别模型是指对初始人脸识别模型进行训练之后,能够达到预期效果的可以对图像中的人脸位置进行有效识别的模型。
在获取样本人脸图像之后,可以根据获取的样本人脸图像对初始人脸识别模型进行训练,以得到用于对图像中的人脸位置进行检测的预训练人脸识别模型。对于具体地训练过程,可以结合下述具体实现方式进行详细描述。
在本申请的一种具体实现方式中,上述步骤102可以包括:子步骤1021、子步骤1022和子步骤1023,其中,
子步骤1021:调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框。
在本实施例中,样本人脸图像可以对应于一个初始人脸检测框,初始人脸检测框是由业务人员预先根据每幅样本人脸图像中人脸所处的位置而标注的框,具体地,可以由四个点恰好将人脸围合,从而可以形成一个方形框,即初始人脸标注框。
预测人脸框是指通过检测模块对处理人脸图像中的人脸特征进行识别得到的人脸框。
在获取到样本人脸图像之后,可以将样本人脸图像输入至初始人脸识别模型,并调用初始人脸识别模型中的检测模块对样本人脸图像进行人脸特征进行识别,根据识别结果形成围合人脸特征的方形框,即预测人脸框。
当然,在本实施例中,初始人脸识别模型还可以包括上述提及的轻量级网络层,在调用检测模块进行人脸特征识别之前,可以调用轻量级网络层对样本人脸图像中的人脸特征进行识别,以得到识别人脸特征,进而,调用检测模块对识别人脸特征进行检测,以检测识别人脸特征在样本人脸图像中所处的位置,结合位置确定识别人脸特征在样本人脸图像中的预测人脸框。
可以理解地,结合下述步骤101中的描述可知,本实施例中的检测模块可以分为第一检测模块M1、第二检测模块M2和第三检测模块M3三个分支,以下结合三个分支对检测过程进行如下描述。
在本申请的一种具体实现方式中,上述步骤1021可以包括:子步骤10211、子步骤10212和子步骤10213,其中:
子步骤10211:调用所述第一检测模块对经处理后包含第一尺寸的人脸特征的样本人脸图像进行识别,得到第一预测人脸框。
子步骤10212:调用所述第二检测模块对经处理后包含第二尺寸的人脸特征的样本人脸图像进行识别,得到第二预测人脸框;
子步骤10213:调用所述第三检测模块对经处理后包含第三尺寸的人脸特征的样本人脸图像进行识别,得到第三预测人脸框
在本实施例中,第一预测人脸框是指采用第一检测模块对样本人脸图像中的人脸特征进行识别得到的预测人脸框。
第二预测人脸框是指采用第二检测模块对样本人脸图像中的人脸特征进行识别得到的预测人脸框。
第三预测人脸框是指采用第三检测模块对样本人脸图像中的人脸特征进行识别得到的预测人脸框。
第一检测模块即上述步骤101中提及的检测模块M3,在检测模块M3之前增加了一个Max pooling层,通过Max pooling对样本人脸图像中的人脸特征进行处理,可以增加人脸特征的感受野,从而可以使得检测模块M3可以检测第一尺寸的人脸特征。通过第一检测模块对经处理后包含第一尺寸的人脸特征的样本人脸图像进行识别,可以得到第一预测人脸框。
第二检测模块即上述步骤101中提及的检测模块M2,相较于检测模块M3,检测模块M2是直接连接在轻量级网络层之后,因此,检测模块M2可以检测比第一尺寸小的第二尺寸的人脸特征。通过第二检测模块对经处理后包含第二尺寸的人脸特征的样本人脸图像进行识别,可以得到第二预测人脸框。
第三检测模块即上述步骤101中提及的检测模块M1,在轻量级网络层后增加了两个并联的Relu(Rectified Linear Unints,激活函数)层,以将通道数从原来的512维降至128维,并通过双线性插值up-sampling操作将feature map的尺寸变大,然后将两个通道输出的参数对应求和,经过3×3的卷积层,最后连接上检测模块M1,通过降维处理,以使得M1可以检测比第二尺寸更小的第三尺寸的人脸特征。通过第三检测模块对经处理后包含第三尺寸的人脸特征的样本人脸图像进行识别,可以得到第三预测人脸框。
在本实施例中,通过三个检测模块分别对样本人脸图像中的人脸特征进行识别,从而可以实现三个检测模块的同时训练,以满足不同尺寸的人脸特征的检测。
在调用检测模块对所述样本人脸图像进行识别,得到预测人脸框之后,执行子步骤1022。
子步骤1022:根据所述初始人脸标注框和所述预测人脸框,计算得到所述初始人脸识别模型对应的第一损失值。
第一损失值是指计算得到的初始人脸识别模型所对应的损失值。第一损失值可以表示样本人脸图像的预测人脸框与初始人脸标注框之间的偏差程度。
在获取预测人脸框之后,可以结合初始人脸标注框和预测人脸框计算得到初始人脸识别模型对应的第一损失值。
在本实施例中,第一损失值可以包括两部分:负责人脸分类和预测人脸框坐标回归两个任务分别对应的损失值。如下述公式(1)所示:
上述公式(1)中,lc表示面部分类的损失,k表示检测模块序号(即三个检测模块对应的序号),pi表示第i个预测人脸框的预测概率,gi表示第i个预测人脸框ground-truth(正确的t)的标签值(当IoU(Intersection over Union,重叠度)>0.5为1,<0.5为0),负样本定义为与任何人脸的ground-truth的IoU<0.3的检测框。lr表示预测人脸框的回归损失,回归变量为检测框尺寸缩放量和平移量的log变换值。其中,bi表示预测的4个修正值,ti表示ground-truth的实际值。
可以理解地,在上述过程中提及,初始人脸识别模型可以包括三个检测模块,在实际训练过程中,每个检测模块均会输出一个损失值,具体地,上述子步骤1022可以包括:子步骤10221、子步骤10222和子步骤10223,其中:
子步骤10221:根据所述初始人脸标注框和所述第一预测人脸框,计算得到所述初始人脸识别模型对应的第一检测损失值;
子步骤10222:根据所述初始人脸标注框和所述第二预测人脸框,计算得到所述初始人脸识别模型对应的第二检测损失值;
子步骤10223:根据所述初始人脸标注框和所述第三预测人脸框,计算得到所述初始人脸识别模型对应的第三检测损失值。
在本实施例中,将样本人脸图像经过三个检测模块之后,可以分别得到三个预测人脸框,即第一预测人脸框、第二预测人脸框和第三预测人脸框。然后,可以根据初始人脸标注框、第一预测人脸框、第二预测人脸框和第三预测人脸框结合上述公式(1),分别计算出初始人脸识别模型对应的三个损失值,即第一检测损失值、第二检测损失值和第三检测损失值。
具体地,可以根据初始人脸标注框和第一预测人脸框计算得到第一检测损失值,根据初始人脸标注框和第二预测人脸框可以计算得到第二检测损失值,根据初始人脸标注框和第三预测人脸框可以计算得到第三检测损失值。这三个损失值分别对应于第一检测模块、第二检测模块和第三检测模块。
在根据初始人脸标注框和预测人脸框计算得到初始人脸识别模型对应的第一损失值之后,执行步骤1023。
子步骤1023:在所述第一损失值达到第一初始值的情况下,将训练后的初始人脸识别模型作为所述预训练人脸识别模型。
第一初始值是指由业务人员预先设置的用于对初始人脸识别模型的训练程度进行判断的标准。
在第一损失值未达到第一初始值时,表示初始人脸识别模型的训练还未达到理想的效果,则可以认为每个样本人脸图像中预测人脸框与对应初始人脸标注框的偏差较大,此时,可以增加样本人脸图像的数量,继续对初始人脸识别模型进行训练。
在第一损失值达到第一初始值时,表示初始人脸识别模型的训练已经达到了预期效果,此时,可以认为可以认为每个样本人脸图像中预测人脸框,与对应初始人脸标注框的偏差非常小,此时,可以认为该训练后初始人脸识别模型能够准确的检测出人脸图像中的人脸特征的位置,相应的,可以将该初始人脸识别模型作为预训练人脸识别模型,预训练人脸识别模型即可以进行后续的人脸图像中的人脸位置检测。
可以理解地,由于样本人脸图像在训练过程中经历了三个检测模块,并输出了三个损失值,即第一检测损失值、第二检测损失值和第三检测损失值,在具体训练过程中,需要这三个检测损失值均达到第一初始值才可以认为初始人脸识别模型的训练过程结束,在其中存在只少一个检测损失值未达到第一初始值时,则认为该初始人脸识别模型的训练尚未结束,需要继续结合样本人脸图像对初始人练识别模型进行训练。
在预训练过程中,可以设置设定个数的训练过程(如10k个循环等),在预训练过程中,不加入第一训练神经网络模型和第二训练神经网络模型,这一过程是为了使训练得到的预训练人脸识别模型可以形成初始的人脸特征定位能力,即定位人脸特征在图像中的位置。
步骤103:利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图像对所述预训练人脸识别模型进行二次训练,得到目标人脸识别模型。
在本实施例中,第一训练神经网络模型为处理遮挡的对抗网络模型(ASDN,Adversarial spatial dropout network),所述第二训练神经网络模型为处理形变的对抗网络模型(ASTN,Adversarial spatial transform network)。其中,ASDN网络中包含两个全连接层,如图1b所示,其在训练过程中学习遮挡和光照阴影对特征的影响,在前向传播中,两个全连接层形成一个dropout mask(漏失特征的遮挡),降低重要特征的权重,从而训练出更强的人脸识别模型。ASTN网络还可以包括:localization network、grid generator和sampler(如图1c所示)。ASTN网络会使特征产生旋转、畸变,从而变得更难识别,在训练过程中帮助检测网络增强识别畸变人脸的性能,从而使得本实施例的方法更适用于鱼眼摄像头的人脸识别。
在本实施例中,在第一检测模块、第二检测模块和第三检测模块之前均嵌入一个串联连接的ASDN和ASTN,通过这两个对抗网络模型可以对预训练人脸识别模型进行训练,以学习遮挡和形变对检测结果的影响,提高畸变的人脸检测效率以及被遮挡的人脸的检测准确率。
在根据样本人脸图像对初始人脸识别模型进行训练得到预训练人脸识别模型之后,可以利用ASDN和ASTN对预训练人脸识别模型进行二次训练,并在训练完成之后,得到最终的可以对畸变人脸和遮挡人脸进行识别的目标人脸识别模型。具体地训练过程,可以结合下述具体实现方式进行详细描述。
在本申请的一种具体实现方式中,上述步骤103可以包括:子步骤1031、子步骤1032、子步骤1033、子步骤1034、子步骤1035和子步骤1036,其中:
子步骤1031:调用所述第一训练神经网络模型对所述样本人脸图像中的人脸特征进行遮挡处理,生成遮挡人脸特征。
在本实施例中,第一训练神经网络可以对对人脸特征进行遮挡处理。
遮挡人脸特征是指通过对样本人脸图像中人脸特征进行遮挡得到的人脸特征。
在进行二次训练时,可以调用第一训练神经网络模型对样本人脸图像中的人脸特征进行遮挡处理,以生成遮挡人脸特征,具体地,假设输入至ASDN网络的特征图尺寸为d×d×c,可以采用一个滑动窗口(d/3)×(d/3),对每一个滑动窗口,可以丢掉对应通道的所有值,生成一个新的特征向量,此特征向量会被送入后续负责面部分类和预测人脸框回归的检测网络计算Loss。基于这些所有滑动窗口的Loss里面选取最高的一个Loss。针对N(N为大于等于1的正整数)个训练样本可以生成N个训练样本对{(X1,M1),...,(XN,MN)}。在前10K个ASDN训练迭代过程中,可以使用二值交叉熵损失函数,如下述公式(2)所示:
子步骤1032:调用所述第二训练神经网络模型对所述遮挡人脸特征进行形变处理,生成形变人脸特征。
在采用第一训练神经网络模型对样本人脸图像中的人脸进行遮挡处理之后,可以调用串联连接的第二训练神经网络模型对遮挡人脸特征进行形变处理,从而可以生成形变人脸特征。
子步骤1033:调用所述分类层对所述形变人脸特征进行识别,确定所述形变人脸特征的预测分类结果。
在本实施例中,初始人脸识别模型中还可以包括分类层,分类层可以确定人脸特征的分类结果。可以理解地,在识别过程中,可能会将图像背景特征识别为人脸特征,通过分类层可以生成一个分类概率,通过该分类概率可以确定识别的特征是否为人脸特征。
预测分类结果是指通过分类层预测的形变人脸特征的分类。
在调用第二训练神经网络模型对遮挡人脸特征进行形变处理生成形变人脸特征之后,可以调用分类层对形变人脸特征进行识别,以确定形变人脸特征的预测分类结果。
在本实施例中,ASTN网络的训练可以采用迁移学习的方式,其训练过程类似于ASDN网络,而在反向传播过程中,只改变localization net(定位层)的变量。
子步骤1034:调用所述检测模块对所述形变人脸特征进行识别,得到所述预测人脸框。
在调用第二训练神经网络模型对遮挡人脸特征进行形变处理生成形变人脸特征之后,可以调用连接于第二神经网络模型后的检测模块对形变人脸特征进行识别,以得到形变人脸特征所对应的预测人脸框。
子步骤1035:根据所述初始分类结果、所述初始人脸标注框、所述预测分类结果和所述预测人脸框,计算得到所述预训练人脸识别模型的第二损失值。
第二损失值是指通过第一训练神经网络模型和第二训练神经网络模型对预训练人脸识别模型进行二次训练的过程中,所得到的预训练人脸识别模型的损失值。
在获取上述步骤中的预测人脸框、预测分类结果之后,可以结合初始分类结果、初始人脸标注框、预测人脸框和预测分类结果,计算得到预训练人脸识别模型的第二损失值。
在训练过程中,当ASDN和ASTN生成的MASK使得预训练人脸识别模型非常容易识别,将会得到一个高的loss,设计ASDN与ASTN生成网络的loss为:
LA=1-sigmoid(lc(A(x),C)) (3)
上述公式(3)中,LA为ASDN与ASTN的联合损失函数,即第二损失值,lc为面部分类损失,Sigmoid为一种神经网络的阈值函数,可以将变量映射到0~1之间。
在计算得到预训练人脸识别模型的第二损失值之后,执行子步骤1036。
子步骤1036:在所述第二损失值达到第二初始值的情况下,将训练后的预训练人脸识别模型作为目标人脸识别模型。
第二初始值是指由业务人员预先设置的用于对预训练人脸识别模型的训练程度进行判断的标准。
在第二损失值未达到第二初始值时,表示预训练人脸识别模型的训练还未达到预期效果,此时,可以增加样本人脸图像的数量,继续对预训练人脸识别模型进行训练。
在第二损失值达到第二初始值时,表示预训练人脸识别模型的训练已经达到了预期效果,此时,可以认为该训练后的预训练人脸识别模型已经能够准确的识别包含遮挡形变的人脸特征,相应的,可以将该训练后的预训练人脸识别模型作为目标人脸识别模型。
在利用第一训练神经网络模型和第二训练神经网络模型对预训练人脸识别模型训练完成之后,可以去掉第一训练神经网络模型和第二训练神经网络模型,从而得到目标人脸识别模型,而经过第一训练神经网络模型和第二训练神经网络模型对人脸识别模型的二次训练,可以提高人脸识别模型对遮挡形变人脸识别的准确率。
本申请实施例提供的人脸识别模型训练方法,通过获取样本人脸图像,根据样本人脸图像对初始人脸识别模型进行训练,得到用于对图像中的人脸位置进行检测的预训练人脸识别模型,利用第一训练神经网络和第二训练神经网络根据样本人脸图像对预训练人脸识别模型进行二次训练,得到目标人脸识别模型。本申请实施例通过在人脸识别模型的训练过程中,增加对抗网络(即第一训练神经网络模型和第二训练神经网络模型),以学习遮挡和形变对检测结果的影响,提高商用鱼眼摄像头边缘地区的畸变的人脸检测效率以及被遮挡的人脸的检测准确率。
参照图2,示出了本申请实施例提供的一种人脸识别方法的步骤流程图,该人脸识别方法具体可以包括如下步骤:
步骤201:获取待识别人脸图像。
本申请实施例可以应用于对人脸图像中的模糊人脸识别的场景中。
待识别人脸图像是指用于进行人脸特征识别的图像,在待识别人脸图像中可以包含有模糊人脸特征,如遮挡人脸特征、畸变人脸特征等。
在商用鱼眼摄像头边缘地区多容易出现畸变人脸特征的图像,则可以将商用鱼眼摄像头采集的边缘地区的图像作为待识别图像。
当然,待识别人脸图像也可以不包含模糊人脸特征,如遮挡人脸特征、畸变人脸特征等,具体地,可以根据实际情况而定,本实施例对此不加以限制。
在获取待识别人脸图像之后,执行步骤202。
步骤202:将所述待识别人脸图像输入至目标人脸识别模型输出人脸识别结果。
目标人脸识别模型是指采用上述实施例人脸识别模型训练方法训练得到的人脸识别模型。
人脸识别结果是指识别得到的图像中人脸的面部特征,可以理解地,对于不同的人而言,人脸面部特征是唯一的,通过人脸面部特征可以实现不同人的跟踪、监控等。
在将待识别人脸图像输入至目标人脸识别模型之后,可以通过目标人脸识别模型输出待识别人脸图像对应的人脸识别结果。
可以理解地,由于本实施例中的目标人脸识别模型是采用上述实施例人脸识别模型训练方法训练得到的,本实施例中的目标人脸识别模型不仅可以对未包含遮挡形变的人脸特征进行识别,也可以对包含遮挡和/或形变的人脸特征进行识别。
本实施例提供的人脸识别方法,通过获取待识别人脸图像,将待识别人脸图像输入至目标人脸识别模型输出人脸识别结果,由于本实施例中采用的目标人脸识别模型是采用上述实施例人脸识别模型训练方法训练得到的,可以实现对遮挡和形变人脸特征的识别,进而,可以提高商用鱼眼摄像头边缘地区的畸变的人脸检测效率以及被遮挡的人脸的检测准确率。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
另外地,本申请实施例还提供了一种人脸识别装置,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述人脸识别模型训练方法,或上述人脸识别方法。
本申请还提供了一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述人脸识别模型训练方法,或上述人脸识别方法。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种人脸识别模型训练方法、一种人脸识别方法、一种人脸识别装置和一种计算机可读存储介质,进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (11)
1.一种人脸识别模型训练方法,其特征在于,包括:
获取样本人脸图像;
根据所述样本人脸图像对初始人脸识别模型进行训练,得到用于对图像中的人脸位置进行检测的预训练人脸识别模型;其中,所述预训练人脸识别模型的主干检测网络中不同尺度的特征图对应的卷积层对应不同的检测模块,以检测不同尺度大小的人脸;所述不同的检测模块用于对样本人脸图像中的对应的不同尺寸的人脸特征进行识别;所述不同的检测模块相互独立;
利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图像对所述预训练人脸识别模型进行二次训练,得到目标人脸识别模型;
其中,所述第一训练神经网络模型用于对人脸特征中漏失特征进行遮挡,降低重要特征的权重,所述第二训练神经网络模型用于使人脸特征产生旋转、畸变从而产生形变;
其中,每一个所述检测模块之前均依次串接所述第一训练神经网络模型和所述第二训练神经网络模型,以使所述检测模块学习对被遮挡和形变的人脸的检测。
2.根据权利要求1所述的方法,其特征在于,所述样本人脸图像对应于一个初始人脸标注框,所述初始人脸识别模型包括:检测模块,
所述根据所述样本人脸图像对初始人脸识别模型进行训练,得到对图像中的人脸位置进行检测的预训练人脸识别模型,包括:
调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框;
根据所述初始人脸标注框和所述预测人脸框,计算得到所述初始人脸识别模型对应的第一损失值;
在所述第一损失值达到第一初始值的情况下,将训练后的初始人脸识别模型作为所述预训练人脸识别模型。
3.根据权利要求2所述的方法,其特征在于,所述检测模块包括:第一检测模块、第二检测模块和第三检测模块,
所述调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框,包括:
调用所述第一检测模块对经处理后包含第一尺寸的人脸特征的样本人脸图像进行识别,得到第一预测人脸框;
调用所述第二检测模块对经处理后包含第二尺寸的人脸特征的样本人脸图像进行识别,得到第二预测人脸框;
调用所述第三检测模块对经处理后包含第三尺寸的人脸特征的样本人脸图像进行识别,得到第三预测人脸框;
其中,所述第一尺寸小于所述第二尺寸,所述第二尺寸小于所述第三尺寸。
4.根据权利要求3所述的方法,其特征在于,所述根据所述初始人脸标注框和所述预测人脸框,计算得到所述初始人脸识别模型对应的第一损失值,包括:
根据所述初始人脸标注框和所述第一预测人脸框,计算得到所述初始人脸识别模型对应的第一检测损失值;
根据所述初始人脸标注框和所述第二预测人脸框,计算得到所述初始人脸识别模型对应的第二检测损失值;
根据所述初始人脸标注框和所述第三预测人脸框,计算得到所述初始人脸识别模型对应的第三检测损失值。
5.根据权利要求4所述的方法,其特征在于,所述在所述第一损失值达到第一初始值的情况下,将训练后的初始人脸识别模型作为所述预训练人脸识别模型,包括:
在所述第一检测损失值、所述第二检测损失值和所述第三检测损失值均达到所述第一初始值的情况下,将训练后的初始人脸识别模型作为所述预训练人脸识别模型。
6.根据权利要求2所述的方法,其特征在于,所述初始人脸识别模型还包括:轻量级网络层,
在所述调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框之前,还包括:
调用所述轻量级网络层对所述样本人脸图像中的人脸特征进行识别,得到识别人脸特征;
所述调用所述检测模块对所述样本人脸图像进行识别,得到预测人脸框,包括:
调用所述检测模块对所述识别人脸特征进行检测处理,确定所述识别人脸特征在所述样本人脸图像中的预测人脸框。
7.根据权利要求3所述的方法,其特征在于,在所述第一检测模块、所述第二检测模块和所述第三检测模块之前均嵌入串联连接的所述第一训练神经网络模型和所述第二训练神经网络模型,所述初始人脸识别模型还包括:分类层,所述样本人脸图像对应于一个初始分类结果;
所述利用第一训练神经网络模型和第二训练神经网络模型根据所述样本人脸图像对所述预训练人脸识别模型进行二次训练,得到目标人脸识别模型,包括:
调用所述第一训练神经网络模型对所述样本人脸图像中的人脸特征进行遮挡处理,生成遮挡人脸特征;
调用所述第二训练神经网络模型对所述遮挡人脸特征进行形变处理,生成形变人脸特征;
调用所述分类层对所述形变人脸特征进行识别,确定所述形变人脸特征的预测分类结果;
调用所述检测模块对所述形变人脸特征进行识别,得到所述预测人脸框;
根据所述初始分类结果、所述初始人脸标注框、所述预测分类结果和所述预测人脸框,计算得到所述预训练人脸识别模型的第二损失值;
在所述第二损失值达到第二初始值的情况下,将训练后的预训练人脸识别模型作为目标人脸识别模型。
8.根据权利要求7所述的方法,其特征在于,所述第一训练神经网络模型为处理遮挡的对抗网络模型,所述第二训练神经网络模型为处理形变的对抗网络模型。
9.一种人脸识别方法,其特征在于,包括:
获取待识别人脸图像;
将所述待识别人脸图像输入至目标人脸识别模型输出人脸识别结果;
其中,所述目标人脸识别模型是利用权利要求1所述的训练方法训练得到的。
10.一种人脸识别装置,其特征在于,包括:
处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1至8任一项所述的人脸识别模型训练方法,或权利要求9所述的人脸识别方法。
11.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行权利要求1至8中任一项所述的人脸识别模型训练方法,或权利要求9所述的人脸识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010366448.0A CN111582141B (zh) | 2020-04-30 | 2020-04-30 | 人脸识别模型训练方法、人脸识别方法及装置 |
PCT/CN2021/089846 WO2021218899A1 (zh) | 2020-04-30 | 2021-04-26 | 人脸识别模型训练方法、人脸识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010366448.0A CN111582141B (zh) | 2020-04-30 | 2020-04-30 | 人脸识别模型训练方法、人脸识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582141A CN111582141A (zh) | 2020-08-25 |
CN111582141B true CN111582141B (zh) | 2023-05-09 |
Family
ID=72124629
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010366448.0A Active CN111582141B (zh) | 2020-04-30 | 2020-04-30 | 人脸识别模型训练方法、人脸识别方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111582141B (zh) |
WO (1) | WO2021218899A1 (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111582141B (zh) * | 2020-04-30 | 2023-05-09 | 京东方科技集团股份有限公司 | 人脸识别模型训练方法、人脸识别方法及装置 |
CN112149582A (zh) * | 2020-09-27 | 2020-12-29 | 中国科学院空天信息创新研究院 | 一种高光谱图像材质识别方法及系统 |
CN112149601A (zh) * | 2020-09-30 | 2020-12-29 | 北京澎思科技有限公司 | 兼容遮挡的面部属性识别方法、装置和电子设备 |
WO2022134067A1 (zh) * | 2020-12-25 | 2022-06-30 | 深圳市优必选科技股份有限公司 | 多任务识别模型的训练方法、系统及存储介质 |
CN114241569B (zh) * | 2021-12-21 | 2024-01-02 | 中国电信股份有限公司 | 人脸识别攻击样本的生成方法、模型训练方法及相关设备 |
CN115050129B (zh) * | 2022-06-27 | 2023-06-13 | 北京睿家科技有限公司 | 一种智能门禁的数据处理方法及系统 |
CN115131826B (zh) * | 2022-08-23 | 2022-11-11 | 浙江大华技术股份有限公司 | 物品检测识别方法、网络模型的训练方法和装置 |
CN116167922B (zh) * | 2023-04-24 | 2023-07-18 | 广州趣丸网络科技有限公司 | 一种抠图方法、装置、存储介质及计算机设备 |
CN117275075B (zh) * | 2023-11-01 | 2024-02-13 | 浙江同花顺智能科技有限公司 | 一种人脸遮挡检测方法、系统、装置和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019087242A (ja) * | 2017-11-03 | 2019-06-06 | 富士通株式会社 | 顔認識モデルの訓練方法及び訓練装置 |
CN110188673A (zh) * | 2019-05-29 | 2019-08-30 | 京东方科技集团股份有限公司 | 表情识别方法和装置 |
CN110222562A (zh) * | 2019-04-26 | 2019-09-10 | 昆明理工大学 | 一种基于Fast R-CNN的人脸检测方法 |
CN110837781A (zh) * | 2019-10-16 | 2020-02-25 | 平安科技(深圳)有限公司 | 一种人脸识别方法、人脸识别装置及电子设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096538B (zh) * | 2016-06-08 | 2019-08-23 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
CN106815566B (zh) * | 2016-12-29 | 2021-04-16 | 天津中科智能识别产业技术研究院有限公司 | 一种基于多任务卷积神经网络的人脸检索方法 |
US10706336B2 (en) * | 2017-03-17 | 2020-07-07 | Nec Corporation | Recognition in unlabeled videos with domain adversarial learning and knowledge distillation |
CN109934115B (zh) * | 2019-02-18 | 2021-11-02 | 苏州市科远软件技术开发有限公司 | 人脸识别模型的构建方法、人脸识别方法及电子设备 |
CN109902621A (zh) * | 2019-02-26 | 2019-06-18 | 嘉兴学院 | 一种三维人脸识别方法、装置、计算机设备及存储介质 |
CN110363091B (zh) * | 2019-06-18 | 2021-08-10 | 广州杰赛科技股份有限公司 | 侧脸情况下的人脸识别方法、装置、设备及存储介质 |
CN110210457A (zh) * | 2019-06-18 | 2019-09-06 | 广州杰赛科技股份有限公司 | 人脸检测方法、装置、设备及计算机可读存储介质 |
CN110458133A (zh) * | 2019-08-19 | 2019-11-15 | 电子科技大学 | 基于生成式对抗网络的轻量级人脸检测方法 |
CN111582141B (zh) * | 2020-04-30 | 2023-05-09 | 京东方科技集团股份有限公司 | 人脸识别模型训练方法、人脸识别方法及装置 |
CN112215154B (zh) * | 2020-10-13 | 2021-05-25 | 北京中电兴发科技有限公司 | 一种应用于人脸检测系统的基于蒙版的模型评估方法 |
-
2020
- 2020-04-30 CN CN202010366448.0A patent/CN111582141B/zh active Active
-
2021
- 2021-04-26 WO PCT/CN2021/089846 patent/WO2021218899A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019087242A (ja) * | 2017-11-03 | 2019-06-06 | 富士通株式会社 | 顔認識モデルの訓練方法及び訓練装置 |
CN110222562A (zh) * | 2019-04-26 | 2019-09-10 | 昆明理工大学 | 一种基于Fast R-CNN的人脸检测方法 |
CN110188673A (zh) * | 2019-05-29 | 2019-08-30 | 京东方科技集团股份有限公司 | 表情识别方法和装置 |
CN110837781A (zh) * | 2019-10-16 | 2020-02-25 | 平安科技(深圳)有限公司 | 一种人脸识别方法、人脸识别装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021218899A1 (zh) | 2021-11-04 |
CN111582141A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582141B (zh) | 人脸识别模型训练方法、人脸识别方法及装置 | |
WO2022111506A1 (zh) | 视频动作识别方法、装置、电子设备和存储介质 | |
CN112597941B (zh) | 一种人脸识别方法、装置及电子设备 | |
CN112200057B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN113705769A (zh) | 一种神经网络训练方法以及装置 | |
CN112364754B (zh) | 螺栓缺陷检测方法及系统 | |
CN107301376B (zh) | 一种基于深度学习多层刺激的行人检测方法 | |
CN114972208B (zh) | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 | |
JP2020047253A (ja) | 深層学習モデルを利用して、眼球状態を検出する眼球状態検出システム及びその眼球状態検出システムを動作させる方法 | |
CN111898566B (zh) | 姿态估计方法、装置、电子设备和存储介质 | |
CN111428664A (zh) | 一种基于人工智能深度学习技术的计算机视觉的实时多人姿态估计方法 | |
CN111008576A (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
CN113487610B (zh) | 疱疹图像识别方法、装置、计算机设备和存储介质 | |
CN116030537B (zh) | 基于多分支注意力图卷积的三维人体姿态估计方法 | |
CN116957051A (zh) | 一种优化特征提取的遥感图像弱监督目标检测方法 | |
CN112597847A (zh) | 人脸姿态估计方法、装置、电子设备和存储介质 | |
CN114283431B (zh) | 一种基于可微分二值化的文本检测方法 | |
CN116092179A (zh) | 一种改进的yolox跌倒检测系统 | |
CN110826469B (zh) | 一种人物检测方法、装置及计算机可读存储介质 | |
CN114972871A (zh) | 基于图像配准的少样本图像异常检测方法及系统 | |
CN113609957A (zh) | 一种人体行为识别方法及终端 | |
CN117058595B (zh) | 视频语义特征和可扩展粒度感知时序动作检测方法及装置 | |
CN116079711A (zh) | 一种用于提高机器人抓取成功率的检测方法 | |
CN117671800A (zh) | 面向遮挡的人体姿态估计方法、装置及电子设备 | |
CN118015084A (zh) | 位姿识别模型的训练方法、装置、电子设备及存储介质 |
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 |