CN111639535A - 基于深度学习的人脸识别方法及装置 - Google Patents

基于深度学习的人脸识别方法及装置 Download PDF

Info

Publication number
CN111639535A
CN111639535A CN202010358934.8A CN202010358934A CN111639535A CN 111639535 A CN111639535 A CN 111639535A CN 202010358934 A CN202010358934 A CN 202010358934A CN 111639535 A CN111639535 A CN 111639535A
Authority
CN
China
Prior art keywords
face
training
class
neural network
convolutional neural
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.)
Granted
Application number
CN202010358934.8A
Other languages
English (en)
Other versions
CN111639535B (zh
Inventor
张芳健
刘军
程炜
裴炜冬
李六武
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 Infinova Intelligent Technology Co Ltd
Original Assignee
Shenzhen Infinova 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 Shenzhen Infinova Intelligent Technology Co Ltd filed Critical Shenzhen Infinova Intelligent Technology Co Ltd
Priority to CN202010358934.8A priority Critical patent/CN111639535B/zh
Publication of CN111639535A publication Critical patent/CN111639535A/zh
Priority to PCT/CN2020/122220 priority patent/WO2021218060A1/zh
Application granted granted Critical
Publication of CN111639535B publication Critical patent/CN111639535B/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
    • 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
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的人脸识别方法及装置，其中，该方法包括：获取人脸图片训练样本及待测人脸图片；从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型；根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。本发明的技术方案能够使类间的间距更加均匀，同时可以训练更多类别的训练数据，能够实现大规模的人脸数据训练，如此，能够提高人脸识别效率，提升人脸识别的性能。

Description

基于深度学习的人脸识别方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的人脸识别方法、装置、电子设备及可读存储介质。
背景技术
随着人脸识别技术的发展，各种人脸识别相关的产品已经广泛应用于人们生活中。目前人脸识别技术的主要识别功能是基于卷积神经网络(Convolutional NeuralNetwork,CNN)来实现。使用数量很大的人脸图片数据集，对卷积神经网络进行训练，使得在卷积神经网络训练收敛后拥有人脸识别的能力。考虑到目前许多产品需要针对数以百万计的人员身份，导致网络模型的训练难度增加。为此，当前许多训练方法是通过分类激活函数softmax进行身份定义，使模型训练的过程可转化为对分类损失函数softmax loss的训练迭代优化，以此来降低训练的复杂度和增加效果。
上述的softmax loss方法的模型训练，可以令不同分类的人脸正确区分开来，但是其效果不能让不同类别间的间隔足够大，进而导致人脸识别的效果并不太理想。为增大不同类别间的人脸特征间隔，目前常采用RegularFace方式来对人脸进行识别。RegularFace方法能够保证不同分类间形成一定的安全的间隔，且能够控制类别的分布情况。但其存在：1、在对RegularFace的损失函数进行训练时，如果某个类别的训练样本较多，可能会导致类间距离干扰更大，令类别间的间距不够均匀；2、在训练的前期，由于模型并未形成较好的分类功能，即卷积层的W参数所表示的各个类别的中心点未足够的分离，会导致延长训练时长；3、当训练样本类别数较多的时候，求取出的类间余弦距离的计算量会非常大，导致当前大部分计算机难以或不能运行。
有鉴于此，有必要提出对目前的人脸识别技术进行进一步的改进。
发明内容
为解决上述至少一技术问题，本发明的主要目的是提供一种基于深度学习的人脸识别方法、装置、电子设备及可读存储介质。
为实现上述目的，本发明采用的第一个技术方案为：提供一种基于深度学习的人脸识别方法，包括：
获取人脸图片训练样本及待测人脸图片；
从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；
构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练；
根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。
其中，所述根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别，具体包括：
根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对；
在比对成功时，获取人脸识别模型中人脸训练特征对应的人脸ID；以及
将人脸ID作为待测人脸图片识别结果。
其中，所述获取人脸识别模型中人脸训练特征对应的人脸ID之后，还包括：
检测比对后的人脸识别模型的人脸ID的数量是否唯一；
在人脸ID数量唯一时，根据待测人脸特征与比对成功的人脸识别模型的人脸训练特征的余弦距离，识别待测人脸特征与比对的人脸ID是否为同一人。
其中，所述利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，包括：
对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数；
利用Arcface损失函数引导卷积神经网络模型进行训练，得到卷积神经网络模型收敛的状态。
其中，所述利用类内类间损失函数对卷积神经网络模型进行第二阶段训练，包括：
对卷积神经网络模型中损失层的输入参数进行归一化；
根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数；
利用类内类间损失函数引导引导卷积神经网络模型进行训练，得到人脸识别模型。
其中，所述对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数，具体包括：
对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，得到人脸训练特征与对应的权重参数之间的余弦距离；
通过余弦距离进行反三角函数计算，得到特征类别的角度；
将特征类别的角度增加间隔值，得到修改后的特征类别的角度；
根据特征类别的角度及修改后的特征类别的角度形成Arcface损失函数。
其中，所述根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数，具体包括：
对修改后的特征类别的角度进行负对数变化，得到类内角度距离；
根据损失层的输入参数与全连接层的权重参数分别计算出特征类别的类间距离的均值及类间距离的方差，并根据类间距离的均值与类间距离的方差之和，得到类间距离；
根据类内角度距离与类间距离之和，得到类内类间损失函数。
为实现上述目的，本发明采用的第二个技术方案为：提供一种基于深度学习的人脸识别装置，包括：
获取模块，用于获取人脸图片训练样本及待测人脸图片；
提取模块，用于从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；
构建模块，用于构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练；
识别模块，用于根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。
为实现上述目的，本发明采用的第三个技术方案为：提供一种电子设备，包括：存储器、处理器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计算机程序时，实现上述方法中的步骤。
为实现上述目的，本发明采用的第四个技术方案为：提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述方法中的步骤。
本发明的技术方案采用先获取人脸图片训练样本及待测人脸图片，然后从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征，再构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，最后根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。通过本发明的技术方案的实施，能够使类间的间距更加均匀，同时可以训练更多类别的训练数据，能够实现大规模的人脸数据训练，如此，能够提高人脸识别效率，提升的人脸识别效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明第一实施例基于深度学习的人脸识别方法的方法流程图；
图2为本发明中利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练的具体流程图；
图3为利用Arcface损失函数引导卷积神经网络模型训练的人脸训练特征分布示意图；
图4为利用类内类间损失函数引导卷积神经网络模型训练的人脸训练特征分布示意图；
图5为本发明一部分类别与其他全部类别之间的余弦距离的计算示意图；
图6为本发明第三实施例基于深度学习的人脸识别装置的模块方框图；
图7为本发明第四实施例电子设备的模块方框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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的一部分实施例，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。
需要说明，本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
区别于现有技术在人脸识别特征训练中，由于各个特征类别的中心点未足够的分离，导致训练时间较长的问题，本发明提供了一种基于深度学习的人脸识别方法，能够使类间的间距更加均匀，同时可以训练更多类别的训练数据，能够实现大规模的人脸数据训练。基于深度学习的人脸识别方法的具体实施方式，请参照下述的实施例。
请参照图1，图1为本发明第一实施例基于深度学习的人脸识别方法的方法流程图。在本发明实施例中，该基于深度学习的人脸识别方法，包括：
S101、获取人脸图片训练样本及待测人脸图片。
具体的，本实施例应用于办公楼布控、工地监测及门禁打卡等人脸识别应用中。在人脸识别前，先获取多个人脸图片训练样本，利用人脸图片训练样本形成人脸识别库，利用人脸识别库对待测人脸图片进行识别。人脸图片训练样本及待测人脸图片均可以从采集的图片中提取设定的人脸区域，以方便后续的人脸比对。
S102、从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征。
具体的，本实施例中，对人脸图片训练样本及待测人脸图片分别进行特征提取，提取的特征可以为人脸区域、鼻子、眼睛、眉毛及嘴巴等等。
S103、构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练。
具体的，本实施例中，上述的训练包括Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态。利用Arcface损失函数，可以有效的训练出性能良好的人脸识别神经网络模型，在训练数据中的类内距离小，且类间距离有足够的间隔，实现较好的分类。利用类内类间损失函数对卷积神经网络模型进行第二阶段训练。依据regularface损失函数并进行改进，最终目标是使得类别均匀分布。上述的卷积神经网络模型包括损失层、全连接层、池化层及若干卷积层等。卷积神经网络模型的人脸训练特征经过最后一个全连接层得到最终作为分类的全连接层FC输出，该全连接层FC的权重参数为weight。
S104、根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。
具体的，将待测人脸图片的待测人脸特征与人脸识别模型的人脸训练特征进行比对，根据比对结果识别将待测人脸图片。
进一步的，所述根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别，具体包括：
根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对；
在比对成功时，获取人脸识别模型中人脸训练特征对应的人脸ID；以及
将人脸ID作为待测人脸图片识别结果。
具体的，在比对过程中，本实施例采用遍历方式进行比对，在比对成功时，获取人脸识别模型中人脸训练特征对应的人脸ID，该人脸ID即为待测人脸图片的识别结果；在比对失败时，将待测人脸图片与人脸识别模型中的下一个人脸训练特征进行比对，直至比对出正确的人脸训练特征。若没有比对出结果，则返回待测人脸图片识别失败。
进一步的，所述获取人脸识别模型中人脸训练特征对应的人脸ID之后，还包括：
检测比对后的人脸识别模型的人脸ID的数量是否唯一；
在人脸ID数量唯一时，根据待测人脸特征与比对成功的人脸识别模型的人脸训练特征的余弦距离，识别待测人脸特征与比对的人脸ID是否为同一人。
本实施例中，在人脸ID数量唯一时，则可以视为1V1比对，根据待测人脸特征与比对成功的人脸识别模型的人脸训练特征的余弦距离，在两者余弦距离在设定范围时，则可识别待测人脸特征与比对的人脸ID为同一人；两者余弦距离超出设定范围时，则识别待测人脸特征与比对的人脸ID为不同人。
请参照图2，图2为本发明中利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练的具体流程图。图3为利用Arcface损失函数引导卷积神经网络模型训练的人脸训练特征分布示意图；图4为利用类内类间损失函数引导卷积神经网络模型训练的人脸训练特征分布示意图；图5为本发明一部分类别与其他全部类别之间的余弦距离计算示意图。
进一步的，所述利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，包括：
S131、对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数；
S132、利用Arcface损失函数引导卷积神经网络模型进行训练，得到卷积神经网络模型收敛的状态。
具体的，本实施例中，通过计算人脸训练特征与全连接层的权重参数之间的角度信息，形成Arcface损失函数，能够加大不同类别的角度间隔。
进一步的，所述对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数，具体包括：
对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，得到人脸训练特征与对应的权重参数之间的余弦距离；
通过余弦距离进行反三角函数计算，得到特征类别的角度；
将特征类别的角度增加间隔值，得到修改后的特征类别的角度；
根据特征类别的角度及修改后的特征类别的角度形成Arcface损失函数。
具体的，全连接层FC输出可以看做特征与权重参数weight的叉乘，当人脸训练特征xi及卷积神经网络模型中全连接层的权重参数weight归一化后，得到该人脸训练特征与每个全连接层的权重参数Wj之间的余弦距离，具体公式如下：
Figure BDA0002474402650000081
其中，
Figure BDA0002474402650000082
表示全连接层FC输出，xi表示第i个人脸训练特征，θj表示角度。
通过余弦距离进行反三角函数变化，可得到角度θ。通过训练每一次迭代中的标签信息取出该人脸训练图片相应类别位置的角度，然后加上一个间隔值m，并将修改后的角度及其余弦距离放回到分类损失函数softmax loss中，形成最终的Arcface损失函数L，具体公式如下，其中m通常取值为0.5：
Figure BDA0002474402650000083
其中，s表示xi的模，m表示角度间隔值。
Arcface损失函数L通过人脸训练特征间的角度信息进行引导训练，并加入角度间隔值m，实现更好的分类目的，增大了不同类别间的间隔。经过Arcface损失函数引导训练之后，特征(归一化前)在多维空间中的表示降维到二维空间中的表示图，请参照图3。同一个ID的特征都基本聚集在同样的角度范围之内，而不同的ID之间会有一定的间隔。
上述的分类损失函数softmax loss可以对训练进行迭代优化，如此，能够降低训练的复杂度，提高处理效率。
其中，所述利用类内类间损失函数对卷积神经网络模型进行第二阶段训练，包括：
S133、对卷积神经网络模型中损失层的输入参数进行归一化；
S134、根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数；
S135、利用类内类间损失函数引导引导卷积神经网络模型进行训练，得到人脸识别模型。
本实施例中，S133还可以提前执行。已经训练出性能良好的人脸识别模型，可以实现良好的分类。不过该人脸识别模型仍有待改进的地方，因为Arcface损失函数只能保证类别间有足够的间隔，并不能让间隔均匀的分布于整个特征空间。为了得到均匀分布的类别，本实施例中，在上述步骤过后进行第二阶段的训练，这个阶段的训练是依据regularface损失函数并进行改进，最终目标是使得类别均匀分布，具体请参照图4。
利用归一化之后的人脸训练特征以及权重参数weight作为本阶段的loss函数参数输入。首先是来寻找表征类别中心的信息，基于Arcface损失函数，归一化后的权重参数W与人脸训练特征x的向量乘法结果代表着两者的余弦距离，余弦值越接近1，则代表着该人脸训练特征x是该权重参数W位置中的类别的概率越大。而同时权重参数W向量与自己本身的余弦距离衡为1，因此可以将权重参数W视作每个类别的中心。由于已经经过了Arcface损失函数训练，因此，权重参数W所代表的位置已经有足够的可信度，本步骤是将该位置通过训练达到更均匀的分布，同时不会使得类内距离变大。
进一步的，所述根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数，具体包括：
对修改后的特征类别的角度进行负对数变化，得到类内角度距离；
根据损失层的输入参数与全连接层的权重参数分别计算出特征类别的类间距离的均值及类间距离的方差，并根据类间距离的均值与类间距离的方差之和，得到类间距离；
根据类内角度距离与类间距离之和，得到类内类间损失函数。
具体的，类内类间损失函数是由只表征类内距离并在训练中只对类内距离限制的部分，如下式等号左边的前者，即Ls(θ+w)，与只对类间距离起作用的部分组合而成，如下式等号左边后者，即Lr(W)，具体公式如下：
L(θ，W)＝Ls(θ，W)+Lr(W)，
其中，Ls代表且仅代表着类内距离，本实施例对于类内距离，采用角度信息进行衡量。如上述的归一化后的叉乘即可得到余弦信息，并依据每一次迭代中的标签信息，取出每个人脸训练特征与所属类别的权重参数W的余弦值，并做负对数变化得到最终的Ls值，如下式：
Figure BDA0002474402650000101
在角度距离θ中加入一个大于1的系数k，可达到更好的类内角度距离限制效果，并保证角度距离越大则显示效果更大，在余弦距离之后采用负对数的目的在于使得余弦值向1收敛，即类内角度向0收敛。
类间的角度表示每个类别取与其余弦距离最接近类别的值，为其类间距离，显然的，全部类间信息可以选取每个类别所对应的类间信息的集合，具体公式如下：
Figure BDA0002474402650000102
其中，等号右边的前者代表了全部C个类别的类间距离均值，后者代表类间距离的方差,λ1、λ2分别表示类间距离均值与类间距离方差的权重系数。随着Lr的下降，类间距离会变小并且每个距离的差距也会会缩小，从而使得类间距离均匀。
上述Ls与Lr分别代表着类内距离与类间距离，并且不存在相互的功能重叠部分，因此训练中不会造成相互影响。
通过上述步骤构造的类内类间损失函数，可以训练出类别分布更加均匀的模型，得到更好的人脸识别效果。类内类间损失函数在电脑程序中实现是，在求取每个类对应的类间距离的时候，需要用权重参数weight与自己的转置矩阵做矩阵乘法，以获得每一个类与其他类的余弦距离。由于在大数据集上进行训练时，类别数量会很大，以此做矩阵乘法会依赖特别大的运算资源，因此计算时候可分批进行矩阵乘法，减低同一时间处理的计算量。请参照图5，如图5中的虚线框所示，代表一部分类别与其他全部类别之间的余弦距离的计算。
综上所述，本发明的实施例至少具有如下优点：
1、分阶段训练，先利用Arcface方式训练神经网络模型，使得模型已经有良好的分类功能，其类别的位置较为可信。随后进行改进的regularface方式训练，用前面阶段训练出来的参数进行类间距离的均匀化的训练，并同时保持类内距离足够小。
2、采用类内类间间距离损失函数训练，该函数分为只表征类内距离的部分，和只表征类间距离的部分，两者之和作为第二个训练阶段的引导。该损失函数的两个部分的功能相互没有重叠部分，因此不会形成干扰，使得类间距离分布更加均匀。
3、利用最后的全连接层参数，计算出类间距离的均值与方差，并以此作为损失函数的一部分，可更直接的表征训练的目的。
4、对于每个类别对应的最小类间距离计算，使用拆分式的计算，使得同一时间的计算量更小，保证计算机不会计算量溢出，实现了大规模数据的训练。
请参照图6，图6为本发明第三实施例基于深度学习的人脸识别装置的模块方框图。本发明的实施例中，该基于深度学习的人脸识别装置，包括：
获取模块101，用于获取人脸图片训练样本及待测人脸图片；
提取模块102，用于从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；
构建模块103，用于构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练；
识别模块104，用于根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。
本实施例中，通过获取模块101，可以获取人脸图片训练样本及待测人脸图片，通过提取模块102，可以从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征，通过构建模块103，可以构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，通过识别模块104，可以根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。通过本发明的技术方案的实施，能够使类间的间距更加均匀，同时可以训练更多类别的训练数据，能够实现大规模的人脸数据训练，如此，能够提高人脸识别效率，提升的人脸识别效果。
其中，所述识别模块104，具体用于：
根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对；
在比对成功时，获取人脸识别模型中人脸训练特征对应的人脸ID；以及
将人脸ID作为待测人脸图片识别结果。
其中，所述识别模块104，还用于：
检测比对后的人脸识别模型的人脸ID的数量是否唯一；
在人脸ID数量唯一时，根据待测人脸特征与比对成功的人脸识别模型的人脸训练特征的余弦距离，识别待测人脸特征与比对的人脸ID是否为同一人。
其中，所述构建模块103，用于：
对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数；
利用Arcface损失函数引导卷积神经网络模型进行训练，得到卷积神经网络模型收敛的状态。
其中，所述构建模块103，还用于：
对卷积神经网络模型中损失层的输入参数进行归一化；
根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数；
利用类内类间损失函数引导引导卷积神经网络模型进行训练，得到人脸识别模型。
其中，所述构建模块103，还用于：
对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，得到人脸训练特征与对应的权重参数之间的余弦距离；
通过余弦距离进行反三角函数计算，得到特征类别的角度；
将特征类别的角度增加间隔值，得到修改后的特征类别的角度；
根据特征类别的角度及修改后的特征类别的角度形成Arcface损失函数。
其中，所述构建模块103，还用于：
根据损失层的输入参数与全连接层的权重参数分别计算出特征类别的类间距离的均值及类间距离的方差；
根据类间距离的均值与类间距离的方差之和得到类内类间损失函数。
请参阅图7，图7为本发明第四实施例电子设备的模块方框图。该电子设备可用于实现前述实施例中的基于深度学习的人脸识别方法。如图7所示，该电子设备主要包括：存储器301、处理器302、总线303及存储在存储器301上并可在处理器302上运行的计算机程序，存储器301和处理器302通过总线303连接。处理器302执行该计算机程序时，实现前述实施例中的基于深度学习的人脸识别方法。其中，处理器的数量可以是一个或多个。
存储器301可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器301用于存储可执行程序代码，处理器302与存储器301耦合。
进一步的，本申请实施例还提供了一种可读存储介质，该可读存储介质可以是设置于上述各实施例中的电子设备中，该可读存储介质可以是前述图7所示实施例中的存储器。
该可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述实施例中的基于深度学习的人脸识别方法。进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，对于前述的各方法实施例，为了简便描述，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它顺序或者同时进行。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都是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的技术方案构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于深度学习的人脸识别方法，其特征在于，所述基于深度学习的人脸识别方法包括：
获取人脸图片训练样本及待测人脸图片；
从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；
构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练；
根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。
2.如权利要求1所述的基于深度学习的人脸识别方法，其特征在于，所述根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别，具体包括：
根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对；
在比对成功时，获取人脸识别模型中人脸训练特征对应的人脸ID；以及
将人脸ID作为待测人脸图片识别结果。
3.如权利要求2所述的基于深度学习的人脸识别方法，其特征在于，所述获取人脸识别模型中人脸训练特征对应的人脸ID之后，还包括：
检测比对后的人脸识别模型的人脸ID的数量是否唯一；
在人脸ID数量唯一时，根据待测人脸特征与比对成功的人脸识别模型的人脸训练特征的余弦距离，识别待测人脸特征与比对的人脸ID是否为同一人。
4.如权利要求1所述的基于深度学习的人脸识别方法，其特征在于，所述利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，包括：
对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数；
利用Arcface损失函数引导卷积神经网络模型进行训练，得到卷积神经网络模型收敛的状态。
5.如权利要求4所述的基于深度学习的人脸识别方法，其特征在于，所述利用类内类间损失函数对卷积神经网络模型进行第二阶段训练，包括：
对卷积神经网络模型中损失层的输入参数进行归一化；
根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数；
利用类内类间损失函数引导引导卷积神经网络模型进行训练，得到人脸识别模型。
6.如权利要求5所述的基于深度学习的人脸识别方法，其特征在于，所述对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，并在卷积神经网络模型中损失层计算出Arcface损失函数，具体包括：
对人脸训练特征及卷积神经网络模型中全连接层的权重参数分别进行归一化，得到人脸训练特征与对应的权重参数之间的余弦距离；
通过余弦距离进行反三角函数计算，得到特征类别的角度；
将特征类别的角度增加间隔值，得到修改后的特征类别的角度；
根据特征类别的角度及修改后的特征类别的角度形成Arcface损失函数。
7.如权利要求6所述的基于深度学习的人脸识别方法，其特征在于，所述根据损失层的输入参数与全连接层的权重参数，计算得到类内类间损失函数，具体包括：
对修改后的特征类别的角度进行负对数变化，得到类内角度距离；
根据损失层的输入参数与全连接层的权重参数分别计算出特征类别的类间距离的均值及类间距离的方差，并根据类间距离的均值与类间距离的方差之和，得到类间距离；
根据类内角度距离与类间距离之和，得到类内类间损失函数。
8.一种基于深度学习的人脸识别装置，其特征在于，所述基于深度学习的人脸识别装置包括：
获取模块，用于获取人脸图片训练样本及待测人脸图片；
提取模块，用于从人脸图片训练样本提取人脸训练特征，以及从待测人脸图片提取待测人脸特征；
构建模块，用于构建卷积神经网络模型，并利用卷积神经网络模型对人脸图片训练样本的人脸训练特征进行训练，得到人脸识别模型，其中，所述训练具体包括利用Arcface损失函数对卷积神经网络模型进行第一阶段训练，得到卷积神经网络模型收敛的状态，以及利用类内类间损失函数对卷积神经网络模型进行第二阶段训练；
识别模块，用于根据训练好的人脸识别模型对待测人脸图片的待测人脸特征进行比对，以对待测人脸图片进行识别。
9.一种电子设备，包括：存储器、处理器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，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7中任意一项所述方法中的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中的任意一项所述方法中的步骤。
CN202010358934.8A 2020-04-29 2020-04-29 基于深度学习的人脸识别方法及装置 Active CN111639535B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010358934.8A CN111639535B (zh) 2020-04-29 2020-04-29 基于深度学习的人脸识别方法及装置
PCT/CN2020/122220 WO2021218060A1 (zh) 2020-04-29 2020-10-20 基于深度学习的人脸识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010358934.8A CN111639535B (zh) 2020-04-29 2020-04-29 基于深度学习的人脸识别方法及装置

Publications (2)

Publication Number Publication Date
CN111639535A true CN111639535A (zh) 2020-09-08
CN111639535B CN111639535B (zh) 2023-08-22

Family

ID=72328811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010358934.8A Active CN111639535B (zh) 2020-04-29 2020-04-29 基于深度学习的人脸识别方法及装置

Country Status (2)

Country Link
CN (1) CN111639535B (zh)
WO (1) WO2021218060A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258559A (zh) * 2020-10-26 2021-01-22 上海萱闱医疗科技有限公司 一种基于多目标跟踪的智能跑步计时评分系统和方法
CN112329589A (zh) * 2020-10-30 2021-02-05 四川天翼网络服务有限公司 一种基于高维特征算法的人脸识别方法
CN112651467A (zh) * 2021-01-18 2021-04-13 第四范式（北京）技术有限公司 卷积神经网络的训练方法和系统以及预测方法和系统
CN113069080A (zh) * 2021-03-22 2021-07-06 上海交通大学医学院附属第九人民医院 一种基于人工智能的困难气道评估方法及装置
CN113191461A (zh) * 2021-06-29 2021-07-30 苏州浪潮智能科技有限公司 一种图片识别方法、装置、设备及可读存储介质
CN113449704A (zh) * 2021-08-31 2021-09-28 北京的卢深视科技有限公司 人脸识别模型训练方法、装置、电子设备及存储介质
WO2021218060A1 (zh) * 2020-04-29 2021-11-04 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置
CN113723205A (zh) * 2021-08-04 2021-11-30 中国人民解放军陆军勤务学院 一种基于人脸底库特征分组的人脸识别方法
CN113762019A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 特征提取网络的训练方法、人脸识别方法和装置
CN114120430A (zh) * 2022-01-26 2022-03-01 杭州魔点科技有限公司 基于双分支权重融合同源性自监督的口罩人脸识别方法
CN115311705A (zh) * 2022-07-06 2022-11-08 南京邮电大学 一种基于深度学习的人脸云识别系统

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596608B (zh) * 2022-01-19 2023-03-28 中国科学院自动化研究所 一种基于多线索的双流视频人脸伪造检测方法及系统
CN114839613A (zh) * 2022-02-25 2022-08-02 哈尔滨工程大学 基于零次学习的未知信号识别方法
CN114708460A (zh) * 2022-04-12 2022-07-05 济南博观智能科技有限公司 一种图像分类方法、系统、电子设备及存储介质
CN114663965B (zh) * 2022-05-24 2022-10-21 之江实验室 一种基于双阶段交替学习的人证比对方法和装置
CN116453201B (zh) * 2023-06-19 2023-09-01 南昌大学 基于相邻边缘损失的人脸识别方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171191A (zh) * 2018-01-05 2018-06-15 百度在线网络技术（北京）有限公司 用于检测人脸的方法和装置
US20180174046A1 (en) * 2016-12-15 2018-06-21 Beijing Kuangshi Technology Co., Ltd. Target detection method and device, neural network training method and device
CN108647583A (zh) * 2018-04-19 2018-10-12 浙江大承机器人科技有限公司 一种基于多目标学习的人脸识别算法训练方法
CN109165566A (zh) * 2018-08-01 2019-01-08 中国计量大学 一种基于新型损失函数的人脸识别卷积神经网络训练方法
CN109214360A (zh) * 2018-10-15 2019-01-15 北京亮亮视野科技有限公司 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
CN109858362A (zh) * 2018-12-28 2019-06-07 浙江工业大学 一种基于倒置残差结构和角度联合损失函数的移动端人脸检测方法
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
KR20200000824A (ko) * 2018-06-25 2020-01-03 한국과학기술원 중심 분산 손실 함수를 활용한 딥 러닝 모델 기반의 얼굴 표정 인식 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10579860B2 (en) * 2016-06-06 2020-03-03 Samsung Electronics Co., Ltd. Learning model for salient facial region detection
CN107679513B (zh) * 2017-10-20 2021-07-13 北京达佳互联信息技术有限公司 图像处理方法、装置及服务器
CN111639535B (zh) * 2020-04-29 2023-08-22 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180174046A1 (en) * 2016-12-15 2018-06-21 Beijing Kuangshi Technology Co., Ltd. Target detection method and device, neural network training method and device
WO2019128367A1 (zh) * 2017-12-26 2019-07-04 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN108171191A (zh) * 2018-01-05 2018-06-15 百度在线网络技术（北京）有限公司 用于检测人脸的方法和装置
CN108647583A (zh) * 2018-04-19 2018-10-12 浙江大承机器人科技有限公司 一种基于多目标学习的人脸识别算法训练方法
KR20200000824A (ko) * 2018-06-25 2020-01-03 한국과학기술원 중심 분산 손실 함수를 활용한 딥 러닝 모델 기반의 얼굴 표정 인식 방법
CN109165566A (zh) * 2018-08-01 2019-01-08 中国计量大学 一种基于新型损失函数的人脸识别卷积神经网络训练方法
CN109214360A (zh) * 2018-10-15 2019-01-15 北京亮亮视野科技有限公司 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用
CN109815801A (zh) * 2018-12-18 2019-05-28 北京英索科技发展有限公司 基于深度学习的人脸识别方法及装置
CN109858362A (zh) * 2018-12-28 2019-06-07 浙江工业大学 一种基于倒置残差结构和角度联合损失函数的移动端人脸检测方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021218060A1 (zh) * 2020-04-29 2021-11-04 深圳英飞拓智能技术有限公司 基于深度学习的人脸识别方法及装置
CN112258559A (zh) * 2020-10-26 2021-01-22 上海萱闱医疗科技有限公司 一种基于多目标跟踪的智能跑步计时评分系统和方法
CN112258559B (zh) * 2020-10-26 2024-05-07 上海萱闱医疗科技有限公司 一种基于多目标跟踪的智能跑步计时评分系统和方法
CN112329589A (zh) * 2020-10-30 2021-02-05 四川天翼网络服务有限公司 一种基于高维特征算法的人脸识别方法
CN112651467A (zh) * 2021-01-18 2021-04-13 第四范式（北京）技术有限公司 卷积神经网络的训练方法和系统以及预测方法和系统
CN112651467B (zh) * 2021-01-18 2024-05-07 第四范式（北京）技术有限公司 卷积神经网络的训练方法和系统以及预测方法和系统
CN113762019B (zh) * 2021-01-22 2024-04-09 北京沃东天骏信息技术有限公司 特征提取网络的训练方法、人脸识别方法和装置
CN113762019A (zh) * 2021-01-22 2021-12-07 北京沃东天骏信息技术有限公司 特征提取网络的训练方法、人脸识别方法和装置
JP2022146884A (ja) * 2021-03-22 2022-10-05 上海交通大学医学院付属第九人民医院 人工知能に基づく困難な気道の評価方法及び装置
CN113069080A (zh) * 2021-03-22 2021-07-06 上海交通大学医学院附属第九人民医院 一种基于人工智能的困难气道评估方法及装置
JP7303531B2 (ja) 2021-03-22 2023-07-05 上海交通大学医学院付属第九人民医院 人工知能に基づく困難な気道の評価方法及び装置
CN113191461A (zh) * 2021-06-29 2021-07-30 苏州浪潮智能科技有限公司 一种图片识别方法、装置、设备及可读存储介质
CN113191461B (zh) * 2021-06-29 2021-09-17 苏州浪潮智能科技有限公司 一种图片识别方法、装置、设备及可读存储介质
CN113723205A (zh) * 2021-08-04 2021-11-30 中国人民解放军陆军勤务学院 一种基于人脸底库特征分组的人脸识别方法
CN113449704A (zh) * 2021-08-31 2021-09-28 北京的卢深视科技有限公司 人脸识别模型训练方法、装置、电子设备及存储介质
CN114120430B (zh) * 2022-01-26 2022-04-22 杭州魔点科技有限公司 基于双分支权重融合同源性自监督的口罩人脸识别方法
CN114120430A (zh) * 2022-01-26 2022-03-01 杭州魔点科技有限公司 基于双分支权重融合同源性自监督的口罩人脸识别方法
CN115311705A (zh) * 2022-07-06 2022-11-08 南京邮电大学 一种基于深度学习的人脸云识别系统
CN115311705B (zh) * 2022-07-06 2023-08-15 南京邮电大学 一种基于深度学习的人脸云识别系统

Also Published As

Publication number Publication date
WO2021218060A1 (zh) 2021-11-04
CN111639535B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN111639535A (zh) 基于深度学习的人脸识别方法及装置
CN108038474B (zh) 人脸检测方法、卷积神经网络参数的训练方法、装置及介质
EP4148622A1 (en) Neural network training method, image classification system, and related device
CN109583332B (zh) 人脸识别方法、人脸识别系统、介质及电子设备
WO2019119505A1 (zh) 人脸识别的方法和装置、计算机装置及存储介质
CN110532884B (zh) 行人重识别方法、装置及计算机可读存储介质
CN110659665B (zh) 一种异维特征的模型构建方法及图像识别方法、装置
US20230087657A1 (en) Assessing face image quality for application of facial recognition
CN113139628B (zh) 样本图像的识别方法、装置、设备及可读存储介质
CN111738001B (zh) 同义词识别模型的训练方法、同义词确定方法及设备
CN114398961A (zh) 一种基于多模态深度特征融合的视觉问答方法及其模型
CN110929525B (zh) 一种网贷风险行为分析检测方法、装置、设备和存储介质
CN111125658B (zh) 识别欺诈用户的方法、装置、服务器和存储介质
CN111898550B (zh) 建立表情识别模型方法、装置、计算机设备及存储介质
CN113033438A (zh) 一种面向模态非完全对齐的数据特征学习方法
El-Abed et al. Quality assessment of image-based biometric information
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
US11281714B2 (en) Image retrieval
US20230350973A1 (en) Methods and Systems for Multilinear Discriminant Analysis Via Invariant Theory for Data Classification
CN113704534A (zh) 图像处理方法、装置及计算机设备
CN116805522A (zh) 诊断报告输出方法、装置、终端及存储介质
CN116958724A (zh) 一种产品分类模型的训练方法和相关装置
CN114373212A (zh) 人脸识别模型构建方法、人脸识别方法及相关设备
CN115050069A (zh) 基于深度学习的人脸及属性识别方法、系统及计算机设备
CN117173731B (zh) 一种模型训练的方法、图像处理的方法以及相关装置

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