CN111783532A - 一种基于在线学习的跨年龄人脸识别方法 - Google Patents
一种基于在线学习的跨年龄人脸识别方法 Download PDFInfo
- Publication number
- CN111783532A CN111783532A CN202010459828.9A CN202010459828A CN111783532A CN 111783532 A CN111783532 A CN 111783532A CN 202010459828 A CN202010459828 A CN 202010459828A CN 111783532 A CN111783532 A CN 111783532A
- Authority
- CN
- China
- Prior art keywords
- age
- feature
- characteristic vector
- network
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 76
- 238000000926 separation method Methods 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 2
- 239000011248 coating agent Substances 0.000 claims 1
- 238000000576 coating method Methods 0.000 claims 1
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 24
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 208000016615 Central areolar choroidal dystrophy Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
-
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明公开了一种基于在线学习的跨年龄人脸识别方法，属于计算、推算或计数的技术领域。该方法，通过人脸特征提取网络级联年龄特征分离网络的模型结构实现，在外部数据集上训练人脸特征提取网络，使得模型具备对人脸进行特征提取的能力；使用跨年龄人脸数据集对年龄特征分离部分进行身份识别和年龄预测的多任务训练，以获得鲁棒性更强的年龄不变的人脸特征向量；在实际场景使用中，可以根据新输入的样本对特征分离部分的参数进行微调，实现神经网络的在线学习。本发明在使用参数量较低的模型的同时，一定程度上提升了跨年龄人脸识别的能力，特征分离结构使得在线学习成为了可能，使模型具备了对新场景的自适应能力。
Description
技术领域
本发明公开了一种基于在线学习的跨年龄人脸识别方法，涉及人脸识别技术，属于计算、推算、计数的技术领域。
背景技术
人脸识别是计算机视觉任务中应用最为广泛、意义最为重大的领域之一。人脸识别作为生物特征识别中的一项，和指纹、虹膜等生物特征相比，有成本低、可远距离识别、不用接触等优点。近年来随着深度学习的不断发展，基于深度卷积神经网络(DeepConvolutional Neural Network,DCNN)的人脸识别算法展现出了非常强大的识别能力，在标准人脸验证数据集LFW上的准确率已经接近100％。但是，由于年龄的变化对人脸面部特征具有显著的影响，一般的人脸识别算法对于年龄跨度的鲁棒性普遍不强，在跨年龄任务中的准确率会降低13％以上。年龄跨度成为了限制人脸识别实际应用的一个重要瓶颈，因此设计一种能够适应年龄跨度的人脸识别方法很有必要。
近年来以深度神经网络为代表的人工智能得到了飞快的发展，但是随着信息处理任务的复杂性增加，深度神经网络变得越来越深，无论是网络模型参数量还是计算量都越来越大，训练难度也越来越大，所以在实际应用领域，依然遵循着先在服务器端训练好网络模型，再离线部署到移动端设备的模式。训练好的网络参数一经部署后就不再改变，网络仅仅进行前向推理的过程。尽管当下深度神经网络的泛化能力不断增强，但是在实际应用中仍然很难持续地适应输入或环境的变化。特别是在跨年龄人脸识别任务中，由于现有的跨年龄数据库规模较小，每个主体样本的年龄跨度相对狭窄，以及性别，种族和年龄分布的不均衡，模型性能受到了很大限制。因此，充分利用现实场景中海量的数据资源，通过新样本来更新网络参数实现在线学习，从而使模型更加灵活地适应各种复杂的应用场景，是未来深度学习发展的一个大趋势，是实现真正人工智能的关键。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了一种基于在线学习的跨年龄人脸识别方法，在使用参数量较低的模型的同时提升跨年龄人脸识别的能力，通过在线学习实现对新场景新样本的自适应，解决了人脸识别算法对于年龄跨度的鲁棒性普遍不强的技术问题。
本发明为实现上述发明目的采用如下技术方案：
一种基于在线学习的跨年龄人脸识别方法，包括如下步骤：
步骤1，使用人脸检测网络MTCNN对图像进行人脸检测、对齐，将处理后的人脸图像输入深度卷积神经网络进行特征提取，得到长度为K的初始特征向量，采用分类器对初始特征进行分类并根据分类结果确定特征提取网络的参数；
步骤2，将年龄特征分离网络级联在训练好的特征提取网络之后，通过特征提取网络处理跨年龄人脸数据集CACD得到年龄特征分离网络的训练数据库，将初始特征向量输入年龄特征分离网络，经过全连接映射以及特征相减操作后剔除掉年龄信息，得到长度同样为K的年龄不变的身份特征向量，训练好的特征提取网络及年龄特征分离网络组成跨年龄人脸识别网络；
步骤3，在进行测试时使用训练好的跨年龄人脸识别模型同时处理测试集人脸库和摄像头采集到的人脸图像，输入模型的图像经处理后得到年龄不变的身份特征向量，通过对比特征向量间的相似性进行人脸识别；
步骤4，实际应用场景下，可以选择在线学习功能，当出现推理结果错误的情况时，将该样本和其正确的身份、年龄标签保存下来，系统累积不同身份的样本达到batch_size＝5后，进行在线学习，对年龄特征分离网络进行若干次迭代训练，对年龄特征分离网络的参数进行微调，然后进行新一轮的推理和判断流程。
上述步骤1中，用于人脸特征提取的深度卷积神经网络，采用了深度可分离卷积结构，以减少参数量和计算量；采用卷积模块的注意力机制来加强不同通道的特征图的信息提取，以提升网络精度；取消传统分类网络的最后一层全局池化层，替换为卷积核大小与该层输入特征图尺寸一致的全局卷积层，以提升人脸识别精度。
上述步骤1中，特征提取网络的训练数据库选择通用人脸数据库MS-Celeb-1M，损失函数采用AAM-Softmax，训练完毕后冻结该部分网络参数。
上述步骤2中，年龄特征分离网络，通过2层全连接层对之前特征提取网络获得的原始特征进行残差映射，获得与原始特征维数相同的年龄特征向量。将原始特征向量和年龄特征向量按元素相减，得到剔除了年龄信息的身份特征向量。年龄特征分离网络由年龄预测任务和身份识别任务组成多任务训练。年龄预测输出长度为10的向量，年龄标签使用“两点表示法”同样改写成向量形式，损失函数采用MAE，身份识别损失函数采用AAM-Softmax。
上述步骤3中，特征向量的相似性采用向量之间的余弦角度进行度量，当两向量余弦低于一定阈值时，代表二者身份相同；反之代表二者身份不同。
本发明采用上述技术方案，具有以下有益效果：
(1)本发明提出了一种能够在线学习的跨年龄人脸识别方法，该方法通过特征分离网络这一结构，不仅可以将年龄信息从之前的特征向量中剔除，获得鲁棒性更强的年龄不变的特征向量，提升模型跨年龄人脸识别的能力，还使得模型在实际应用中的在线学习成为可能，这大幅提升了网络的泛化能力、自适应能力，降低了维护成本，增强了用户的使用体验和灵活性。
(2)本发明通过预先得到充分训练的特征提取网络，使模型获得强大的特征提取能力，仅仅只需要微调年龄分离模块，更新部分参数，大幅降低了训练成本，使得在移动端进行在线学习成为了可能。
(3)本发明采用轻量级的卷积神经网络进行特征提取，仅使用较低的参数量和计算量就达到了较高的精度，为网络模型在小型嵌入式终端设备等硬件上的应用提供了便利。
附图说明
图1是本发明的模型结构图。
图2是在线学习的流程图。
具体实施方式
为更加清楚地阐述本发明的发明目的、技术方案和技术效果，以下将结合附图及具体实施例，对本发明的技术方案进行详细说明。
本发明提供一种基于在线学习的跨年龄人脸识别方法，模型结构如图1所示，包括：人脸检测网络、特征提取网络、年龄特征分离网络。识别方法包括如下四个步骤。
步骤一、训练特征提取网络。使用人脸检测网络MTCNN对图像进行人脸检测、对齐，进行预处理，将人脸图像统一处理成112x112像素的尺寸。将处理后的人脸图像输入深度卷积神经网络进行特征提取，得到长度为K的原始特征向量。
特征提取部分的卷积神经网络采用了深度可分离卷积结构，以减少参数量和计算量；采用卷积模块的注意力机制，以提升网络精度；取消传统分类网络的最后一层全局池化层，替换为卷积核大小与该层输入特征图尺寸一致的全局卷积操作，其中，卷积核通道数与输入特征图通道数一致，该结构一定程度上可提升人脸识别精度。
特征提取网络的训练数据库选择通用人脸数据库MS-Celeb-1M，损失函数采用AAM-Softmax，使用带有动量和权重衰减的随机梯度下降(SGD)算法进行训练。训练完毕后，网络具备了较强的特征提取能力，故冻结该部分网络参数，在后续网络的训练中不再进行调整。
步骤二、训练年龄特征分离网络。年龄特征分离网络级联在特征提取网络之后，将原始特征向量输入年龄特征分离网络，经过全连接映射以及特征相减操作后，剔除掉原始特征向量的年龄信息，得到长度同样为K的年龄不变的身份特征向量。
年龄特征分离网络，通过2层全连接层对之前特征提取网络获得的原始特征进行残差映射，获得与原始特征维数相同的年龄特征向量。将原始特征向量和年龄特征向量按元素相减，得到剔除了年龄信息的身份特征向量。该部分网络由年龄预测任务和身份识别任务组成多任务训练，训练数据库选用跨年龄人脸数据集CACD，由特征提取网络处理跨年龄人脸数据集CACD后得到的数据库为年龄特征分离网络的训练数据集。
身份识别任务的训练采用跟特征提取网络相同的损失函数AAM-Softmax。年龄预测层输出长度为10的向量，年龄标签使用“两点表示法”同样改写成长度为10的向量形式。“两点表示法”具体实现方法为：根据任意实数均可使用两个实数基底z1、z2的线性组合表示，即：
yn＝λ1z1+λ2z2 (1)，
其中，两个基底的系数λ1,λ2有如下关系：
λ1+λ2＝1 (2)。
将年龄分别向下和向上取整，获得两个基底，计算出相应系数。假设年龄区间为[0,90]，那么取长度为10的零向量，每个元素的位置代表一个整十数，用“两点表示法”计算出待表示年龄的基底和系数，将两个系数填入向量的对应位置，即可获得对应年龄的向量。例如年龄68，分别向上和向下取整得到基底z1＝60,z2＝70，代入(1)、(2)联立方程组可得λ1＝0.2，λ2＝0.8，故所得向量可以写为：
[0,0,0,0,0,0,0.2,0.8,0,0].
网络输出的年龄预测向量yn经过Softmax层，带入损失函数MAE：
其中，
为通过“两点表示法”转化为向量的年龄标签。由于年龄是一个连续变量，各取值之间并不是独立的，该种方法相比通常分类任务中所用的one-hot(独热码)形式，强调了相邻类与类之间的联系；相比单个标量值输出的回归方法又保留了更多的特征信息，易于收敛，总体来讲提升了年龄预测精度。
步骤三、训练后进行验证。在两个模块训练完毕以后，可以对模型进行测试。在进行测试时使用训练好的模型同时处理测试集人脸库和摄像头采集到的人脸图像，输入模型处理后得到年龄不变的身份特征向量，通过对比特征间的相似性进行人脸识别。特征向量相似性的度量，采用向量之间的余弦角度，当两向量余弦低于一定阈值时，代表二者身份相同；反之代表二者身份不同。
步骤四、部署后进行在线学习。由于训练数据和实际应用之间的差异，即使泛化能力很强的模型，在实际应用中，模型性能难免会下降。特别是在跨年龄人脸识别任务中，由于训练时的跨年龄数据库规模较小，每个主体样本的年龄跨度相对狭窄，以及性别，种族和年龄分布的不均衡，模型性能受到了很大限制。
这里模型采用在线学习机制，使用流程如图2所示。在应用过程中，当出现推理结果错误的情况时，将该样本和其正确的身份、年龄标签保存下来。系统累积不同身份的样本达到batch_size＝5后，进行在线学习，对网络进行若干次迭代训练，进行微调，然后进行新一轮的推理和判断流程。在线学习过程中固定特征提取网络参数，仅仅更新特征分离部分的网络参数，在减小计算量、降低训练难度的情况下规避网络过拟合风险。
综合上述，采用本发明公开的技术方案后，可以在具体应用场景中根据对实际样本推理结果的反馈进行在线学习，提升模型的性能。该模型通过在外部数据集上训练人脸特征提取网络，使得模型具备对人脸进行特征提取的能力；使用跨年龄人脸数据集对年龄特征分离部分进行身份识别和年龄预测的多任务训练，以获得鲁棒性更强的年龄不变的人脸特征向量。年龄分离结构的存在使得在线学习成为了可能，可以根据实际场景下新输入的样本对特征分离部分的参数进行微调。本发明在使用参数量较低的模型的同时，一定程度上提升了跨年龄人脸识别的能力，在线学习功能使得模型具备了对新场景的自适应能力。在线学习机制可以降低厂商维护成本、提升用户使用体验，这对真正人工智能的实现意义重大。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想在上述技术方案基础上所做的任何改动均落入本发明保护范围。
Claims (10)
1.一种基于在线学习的跨年龄人脸识别方法，其特征在于，根据通用人脸数据库训练特征提取网络，将年龄特征分离网络级联在训练好的特征提取网络之后，根据特征提取网络从跨年龄人脸数据库中提取的原始特征向量集训练年龄特征分离网络，所述年龄特征分离网络对特征提取网络输出的原始特征向量进行年龄信息的剔除得到身份特征向量，利用训练好的特征提取网络以及年龄特征分离网络从待测试图片集中提取身份特征向量，对比从测试图片集提取的身份特征向量的相似性得到人脸标签识别结果，在识别结果累积错误达到预设值时修正年龄特征分离网络参数。
2.根据权利要求1所述一种基于在线学习的跨年龄人脸识别方法，其特征在于，所述特征提取网络采用深度卷积神经网络实现，深度卷积神经网络使用的卷积形式为深度可分离卷积，网络的子模块中采用注意力机制调节各通道的权重，该深度卷积神经网络的最后一层为卷积核大小与该层输入特征图尺寸一致的全局卷积层。
3.根据权利要求1所述一种基于在线学习的跨年龄人脸识别方法，其特征在于，对特征提取网络输出的原始特征向量进行年龄信息的剔除得到身份特征向量的方法为：对原始特征向量进行残差映射后获得与原始特征向量维数相同的年龄特征向量，将原始特征向量和年龄特征向量按元素相减得到身份特征向量。
4.根据权利要求3所述一种基于在线学习的跨年龄人脸识别方法，其特征在于，在识别结果累积错误达到预设值时修正年龄特征分离网络参数的方法为：对年龄特征向量进行回归预测，同时对不含年龄信息的身份特征向量进行身份识别。
5.根据权利要求4所述一种基于在线学习的跨年龄人脸识别方法，其特征在于，对年龄特征向量进行回归预测的方法为：采用两点表示法将测试图片的正确年龄标签表示为长度与年龄特征向量一致的向量，对年龄特征向量进行归一化，将年龄标签向量和归一化后的年龄特征向量带入损失函数计算损失值，根据损失值修正年龄特征分离网络参数。
6.根据权利要求1所述一种基于在线学习的跨年龄人脸识别方法，其特征在于，对比从测试图片集提取的身份特征向量的相似性的方法为：计算身份特征向量间的余弦角度。
7.根据权利要求1所述一种基于在线学习的跨年龄人脸识别方法，其特征在于，所述年龄特征分离网络包括：
2层全连接层，对原始特征向量进行残差映射，输出与原始特征向量维数相同的年龄特征向量；
年龄信息剔除层，将原始特征向量和年龄特征向量按元素相减，输出身份特征向量；
年龄预测层，对年龄特征向量进行识别，输出年龄识别结果；及，
身份分类器，对身份特征向量进行识别，输出人脸标签识别结果。
8.根据权利要求5所述一种基于在线学习的跨年龄人脸识别方法，其特征在于，采用两点表示法将测试图片的正确年龄标签表示为长度与年龄特征向量一致的向量的方法为：将测试图片的正确年龄标签分别向上、向下取整得到两个基底，将测试图片的年龄特征向量表示为两个基底的线性组合，由线性组合的约束条件确定两个基底的系数，将两个基底的系数表示为长度与年龄特征向量一致的向量。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1所述的跨年龄人脸识别方法。
10.终端设备，其特征在于，包括：存储器、处理器及存储在存储器上并可以在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程序时实现权利要求1所述跨年龄人脸识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010459828.9A CN111783532B (zh) | 2020-05-27 | 2020-05-27 | 一种基于在线学习的跨年龄人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010459828.9A CN111783532B (zh) | 2020-05-27 | 2020-05-27 | 一种基于在线学习的跨年龄人脸识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111783532A true CN111783532A (zh) | 2020-10-16 |
| CN111783532B CN111783532B (zh) | 2024-05-17 |
Family
ID=72754289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010459828.9A Active CN111783532B (zh) | 2020-05-27 | 2020-05-27 | 一种基于在线学习的跨年龄人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783532B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418078A (zh) * | 2020-11-20 | 2021-02-26 | 北京云从科技有限公司 | 分数调制方法、人脸识别方法、装置及介质 |
| CN112507995A (zh) * | 2021-02-05 | 2021-03-16 | 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 |
| CN112766157A (zh) * | 2021-01-20 | 2021-05-07 | 乐山师范学院 | 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 |
| CN113191298A (zh) * | 2021-05-13 | 2021-07-30 | 北京睿芯高通量科技有限公司 | 一种基于单维局部特征的人脸检索的方法 |
| CN114511901A (zh) * | 2022-01-05 | 2022-05-17 | 浙大城市学院 | 一种年龄分类辅助的跨年龄人脸识别算法 |
| CN114817501A (zh) * | 2022-04-27 | 2022-07-29 | 马上消费金融股份有限公司 | 一种数据处理方法、数据处理装置、电子设备及存储介质 |
| CN114882558A (zh) * | 2022-04-29 | 2022-08-09 | 陕西师范大学 | 基于人脸识别技术的学习场景实时身份认证方法 |
| CN115100709A (zh) * | 2022-06-23 | 2022-09-23 | 北京邮电大学 | 一种特征分离的图像人脸识别与年龄估计方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480575A (zh) * | 2016-06-07 | 2017-12-15 | 深圳市商汤科技有限公司 | 模型的训练方法、跨年龄人脸识别方法和对应的装置 |
| CN109993125A (zh) * | 2019-04-03 | 2019-07-09 | 腾讯科技（深圳）有限公司 | 模型训练方法、人脸识别方法、装置、设备及存储介质 |
-
2020
- 2020-05-27 CN CN202010459828.9A patent/CN111783532B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480575A (zh) * | 2016-06-07 | 2017-12-15 | 深圳市商汤科技有限公司 | 模型的训练方法、跨年龄人脸识别方法和对应的装置 |
| CN109993125A (zh) * | 2019-04-03 | 2019-07-09 | 腾讯科技（深圳）有限公司 | 模型训练方法、人脸识别方法、装置、设备及存储介质 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418078A (zh) * | 2020-11-20 | 2021-02-26 | 北京云从科技有限公司 | 分数调制方法、人脸识别方法、装置及介质 |
| CN112766157A (zh) * | 2021-01-20 | 2021-05-07 | 乐山师范学院 | 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 |
| CN112766157B (zh) * | 2021-01-20 | 2022-08-30 | 乐山师范学院 | 一种基于解纠缠表示学习的跨年龄人脸图像识别方法 |
| CN112507995A (zh) * | 2021-02-05 | 2021-03-16 | 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 |
| CN113191298A (zh) * | 2021-05-13 | 2021-07-30 | 北京睿芯高通量科技有限公司 | 一种基于单维局部特征的人脸检索的方法 |
| CN114511901A (zh) * | 2022-01-05 | 2022-05-17 | 浙大城市学院 | 一种年龄分类辅助的跨年龄人脸识别算法 |
| CN114511901B (zh) * | 2022-01-05 | 2024-04-05 | 浙大城市学院 | 一种年龄分类辅助的跨年龄人脸识别算法 |
| CN114817501A (zh) * | 2022-04-27 | 2022-07-29 | 马上消费金融股份有限公司 | 一种数据处理方法、数据处理装置、电子设备及存储介质 |
| CN114882558A (zh) * | 2022-04-29 | 2022-08-09 | 陕西师范大学 | 基于人脸识别技术的学习场景实时身份认证方法 |
| CN114882558B (zh) * | 2022-04-29 | 2024-02-23 | 陕西师范大学 | 基于人脸识别技术的学习场景实时身份认证方法 |
| CN115100709A (zh) * | 2022-06-23 | 2022-09-23 | 北京邮电大学 | 一种特征分离的图像人脸识别与年龄估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111783532B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111783532B (zh) | 一种基于在线学习的跨年龄人脸识别方法 | |
| CN110070067B (zh) | 视频分类方法及其模型的训练方法、装置和电子设备 | |
| US11704907B2 (en) | Depth-based object re-identification | |
| CN106570464B (zh) | 一种快速处理人脸遮挡的人脸识别方法及装置 | |
| CN113128369B (zh) | 一种融合均衡损失的轻量级网络人脸表情识别方法 | |
| CN104504366A (zh) | 基于光流特征的笑脸识别系统及方法 | |
| CN108230291B (zh) | 物体识别系统训练方法、物体识别方法、装置和电子设备 | |
| CN112580590A (zh) | 一种基于多语义特征融合网络的指静脉识别方法 | |
| Jiang et al. | Blind image quality measurement by exploiting high-order statistics with deep dictionary encoding network | |
| Chen et al. | No-reference screen content image quality assessment with unsupervised domain adaptation | |
| CN110929836B (zh) | 神经网络训练及图像处理方法和装置、电子设备、介质 | |
| CN110852417B (zh) | 面向物联网应用的单深度神经网络模型鲁棒性提升方法 | |
| CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| Song et al. | Blind image quality assessment for authentic distortions by intermediary enhancement and iterative training | |
| Li et al. | Structured sparse coding with the group log-regularizer for key frame extraction | |
| CN115131695B (zh) | 视频检测模型的训练方法、视频检测方法及装置 | |
| CN111382791A (zh) | 深度学习任务处理方法、图像识别任务处理方法和装置 | |
| CN116701706B (zh) | 一种基于人工智能的数据处理方法、装置、设备及介质 | |
| CN116630736A (zh) | 一种用户表情捕捉模型的训练方法及系统 | |
| CN113627404B (zh) | 基于因果推断的高泛化人脸替换方法、装置和电子设备 | |
| CN115661618A (zh) | 图像质量评估模型的训练方法、图像质量评估方法及装置 | |
| CN115937020A (zh) | 图像处理方法、装置、设备、介质和程序产品 | |
| CN115410250A (zh) | 阵列式人脸美丽预测方法、设备及存储介质 | |
| Jain et al. | Real-time eyeglass detection using transfer learning for non-standard facial data. | |
| Yang et al. | Fine-grained image quality caption with hierarchical semantics degradation |
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 |