CN111898482A - 基于渐进型生成对抗网络的人脸预测方法 - Google Patents

基于渐进型生成对抗网络的人脸预测方法 Download PDF

Info

Publication number
CN111898482A
CN111898482A CN202010674447.2A CN202010674447A CN111898482A CN 111898482 A CN111898482 A CN 111898482A CN 202010674447 A CN202010674447 A CN 202010674447A CN 111898482 A CN111898482 A CN 111898482A
Authority
CN
China
Prior art keywords
conversion module
progressive
layer
image
face
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
CN202010674447.2A
Other languages
English (en)
Other versions
CN111898482B (zh
Inventor
宋井宽
张静秋
高联丽
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.)
University of Electronic Science and Technology of China
Guizhou University
Original Assignee
University of Electronic Science and Technology of China
Guizhou University
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 University of Electronic Science and Technology of China, Guizhou University filed Critical University of Electronic Science and Technology of China
Priority to CN202010674447.2A priority Critical patent/CN111898482B/zh
Publication of CN111898482A publication Critical patent/CN111898482A/zh
Application granted granted Critical
Publication of CN111898482B publication Critical patent/CN111898482B/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
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images
    • 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
    • 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
    • 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)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于渐进型生成对抗网络的人脸预测方法，包括以下步骤：采集若干不同年龄段的人脸样本图像，构建渐进型生成对抗网络；构建训练损失函数，对渐进型生成对抗网络进行训练，并通过判别器计算损失函数是否收敛，损失函数收敛时，则渐进型生成对抗网络训练完成；将待预测的图像输入训练完成的渐进型生成对抗网络，得到待预测的图像的预测图像。本发明构建的渐进转换模块，拟合了自然界中变老或返老还童的真实过程，使得网络的可解释性更强，拟合出的人脸图片效果自然。

Description

基于渐进型生成对抗网络的人脸预测方法
技术领域
本发明属于图像数据处理领域，具体涉及基于渐进型生成对抗网络的人脸预测方法。
背景技术
人脸年轻化和老化预测，即预测属于某一特定年龄的人，在不同年龄阶段会长成什么样子。它可以运用于寻找失踪的儿童或通缉逃犯。由于以下两个原因，这个问题仍然具有挑战性，现实中，缺少同一个人不同年龄阶段的面部图像；年轻化和老化预测过程，都需要模拟年龄特异性的特征，同时保留本人的个人特征不变。为了更有效的利用现实社会中不同人不同年龄阶段的大量面部图像，近三年，基于生成对抗网络(GAN)的方法开始被人们采用。而以条件生成对抗网络(cGAN)为基础的方法使用一个被定义为年龄标签的条件变量来控制年龄的变化过程。这类方法在保持本人的个人特征不变方面取得了优秀的成果，但在预测年龄特征方面不够准确。条件变量一般是独热码的形式，不足以编码丰富的年龄信息。
发明内容
针对现有技术中的上述不足，本发明提供的基于渐进型生成对抗网络的人脸预测方法解决了现有技术中预测年龄特征不够准确的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于渐进型生成对抗网络的人脸预测方法，包括以下步骤：
S1、采集若干不同年龄段的人脸样本图像，构建渐进型生成对抗网络，所述不同年龄段的人脸样本图像包括幼年人脸样本图像、中年人脸样本图像和老年人脸样本图像；
S2、构建训练损失函数，将中年人脸样本图像作为训练样本，以损失函数最小为目标，采用Adam算法对渐进型生成对抗网络的局部参数进行更新，得到初始渐进型生成对抗网络；
S3、将不同年龄段的人脸样本图像作为训练样本，以损失函数最小为目标，采用Adam算法对初始渐进型生成对抗网络的参数进行更新，得到训练完成的渐进型生成对抗网络；
S4、将待预测的图像输入训练完成的渐进型生成对抗网络，得到待预测的图像的预测图像。
进一步地，所述步骤S1中幼年人脸样本图像的年龄段为3至14岁，所述中年人脸样本图像的年龄段为15至40岁，所述老年人脸样本图像的年龄段为40岁之后的年龄。
进一步地，所述步骤S1中渐进型生成对抗网络包括用于输入幼年人脸样本图像的第一输入层、用于输入中年人脸样本图像的第二输入层和用于输入老年人脸样本图像的第三输入层，所述第一输入层通过第一编码器与用于将幼年人脸特征转换为中年人脸特征的第一渐进转换模块的输入端连接，所述第二输入层通过第二编码器与用于中年人脸特征强化的第二渐进转换模块的输入端连接，所述第三输入层通过第三编码器与用于将老年人脸特征转换为中年人脸特征的第三渐进转换模块的输入端连接；所述第一渐进转换模块的输出端和第三渐进转换模块的输出端均与第二渐进转换模块的输入端连接；所述第二渐进转换模块的输出端分别与用于将中年人脸特征转换为幼年人脸特征的第四渐进转换模块的输入端、用于将中年人脸特征转换为老年人脸特征的第五渐进转换模块的输入端和第二解码器的输入端连接，所述第四渐进转换模块的输出端通过第一解码器与第一输出层连接，所述第二解码器的输出端与第二输出层连接，所述第五渐进转换模块的输出端通过第三解码器与第三输出层连接。
进一步地，所述第一编码器、第二编码器和第三编码器的结构相同，均包括依次连接的第一下采样层、第一卷积层、第二下采样层、第二卷积层、第三下采样层和第三卷积层。
进一步地，所述第一渐进转换模块、第二渐进转换模块、第三渐进转换模块、第四渐进转换模块、第五渐进转换模块和第六渐进转换模块的结构相同，均包括依次连接第四卷积层、第一正则层、第五卷积层、第二正则层、第六卷积层、第三正则层、第七卷积层、第四正则层、第八卷积层、第五正则层、第九卷积层和第六正则层。
进一步地，所述第一解码器、第二解码器和第三解码器的结构相同，均包括依次连接的第一上采样层、第十卷积层、第二上采样层、第十一卷积层、第三上采样层和第十二卷积层。
进一步地，所述步骤S1中每个所述年龄段均设置有一个判别器，所述判别器的结构包括7个依次连接的反卷积层。
进一步地，所述步骤S2包括以下分步骤：
S21、构建训练损失函数；
S22、随机向渐进型生成对抗网络输入一张中年人脸样本图像，得到对应的幼年预测图像、中年预测图像和老年预测图像；
S23、根据幼年预测图像、中年预测图像和老年预测图像，且通过判别器计算对应的训练损失函数值；
S24、以训练损失函数值最小为目标，采用Adam算法，并使用一阶梯度对渐进型生成对抗网络的随机目标函数进行优化，更新渐进型生成对抗网络中第二编码器、第二渐进转换模块、第四渐进转换模块、第五渐进转换模块和第二解码器的参数，直至训练损失函数值训练小于0.1，得到初始渐进型生成对抗网络。
进一步地，所述步骤S2中训练损失函数包括像素损失函数和对抗损失函数；
所述像素损失函数Lpix为：
Lpix＝||Gii(xi)-xi||
其中，Gii()表示年龄段i到年龄段i的特征强化函数，Gii(xi)表示人脸样本图像xi从年龄段i到年龄段i的图像特征强化；
所述对抗损失函数Ladv为：
Ladv＝E|logDj(xj)|+E|log(1-Dj(Gij(xi)))|
其中，E表示数学期望，Dj(xj)∈(0,1)，Dj(xj)表示判别器判别真实图像xj属于年龄段j的概率，Gij(xi))表示人脸样本图像xi从年龄段i到年龄段j的图像特征转换，所述年龄段i和年龄段j为相邻年龄段，所述Dj(Gij(xi)))表示判别器判别转换后的图像Gij(xi))属于年龄段j的概率。
进一步地，所述步骤S3包括以下分步骤：
S31、随机向初始渐进型生成对抗网络输入一张幼年人脸样本图像、中年人脸样本图像和老年人脸样本图像，得到3×3张预测图像；
S32、计算3×3张预测图像的总训练损失函数值，以训练损失函数值最小为目标，采用Adam算法对初始渐进型生成对抗网络进行梯度下降更新，直至训练损失函数值训练小于m，得到训练完成的渐进型生成对抗网络。
本发明的有益效果为：
(1)本发明构建的渐进转换模块，拟合了自然界中变老或返老还童的真实过程，使得网络的可解释性更强，拟合出的人脸图片效果自然。
(2)本发明对个人身份特征保留的更好，同时对不同年龄阶段的年龄特征刻画得更真实和细腻。
(3)本发明不需要条件独热码作为输入的情况下，能同时保留本人的个人特征不变，并拟合丰富的年龄特征变化；可以比现有方法更好地预测年龄改变带来的面部变化结果。
附图说明
图1为本发明提出的基于渐进型生成对抗网络的人脸预测方法流程图。
图2为本发明中渐进型生成对抗网络示意图。
图3为本发明中编码器结构示意图。
图4为本发明中渐进转换模块结构示意图。
图5为本发明中解码器结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于渐进型生成对抗网络的人脸预测方法，包括以下步骤：
S1、采集若干不同年龄段的人脸样本图像，构建渐进型生成对抗网络，所述不同年龄段的人脸样本图像包括幼年人脸样本图像、中年人脸样本图像和老年人脸样本图像；
S2、构建训练损失函数，将中年人脸样本图像作为训练样本，以损失函数最小为目标，采用Adam算法对渐进型生成对抗网络的局部参数进行更新，得到初始渐进型生成对抗网络；
S3、将不同年龄段的人脸样本图像作为训练样本，以损失函数最小为目标，采用Adam算法对初始渐进型生成对抗网络的参数进行更新，得到训练完成的渐进型生成对抗网络；
S4、将待预测的图像输入训练完成的渐进型生成对抗网络，得到待预测的图像的预测图像。
所述步骤S1中幼年人脸样本图像的年龄段为3至14岁，所述中年人脸样本图像的年龄段为15至40岁，所述老年人脸样本图像的年龄段为40岁之后的年龄。
如图2所示，所述步骤S1中渐进型生成对抗网络包括用于输入幼年人脸样本图像的第一输入层、用于输入中年人脸样本图像的第二输入层和用于输入老年人脸样本图像的第三输入层，所述第一输入层通过第一编码器与用于将幼年人脸特征转换为中年人脸特征的第一渐进转换模块的输入端连接，所述第二输入层通过第二编码器与用于中年人脸特征强化的第二渐进转换模块的输入端连接，所述第三输入层通过第三编码器与用于将老年人脸特征转换为中年人脸特征的第三渐进转换模块的输入端连接；所述第一渐进转换模块的输出端和第三渐进转换模块的输出端均与第二渐进转换模块的输入端连接；所述第二渐进转换模块的输出端分别与用于将中年人脸特征转换为幼年人脸特征的第四渐进转换模块的输入端、用于将中年人脸特征转换为老年人脸特征的第五渐进转换模块的输入端和第二解码器的输入端连接，所述第四渐进转换模块的输出端通过第一解码器与第一输出层连接，所述第二解码器的输出端与第二输出层连接，所述第五渐进转换模块的输出端通过第三解码器与第三输出层连接。
如图3所示，所述第一编码器、第二编码器和第三编码器的结构相同，均包括依次连接的第一下采样层、第一卷积层、第二下采样层、第二卷积层、第三下采样层和第三卷积层。
如图4所示，所述第一渐进转换模块、第二渐进转换模块、第三渐进转换模块、第四渐进转换模块、第五渐进转换模块和第六渐进转换模块的结构相同，均包括依次连接第四卷积层、第一正则层、第五卷积层、第二正则层、第六卷积层、第三正则层、第七卷积层、第四正则层、第八卷积层、第五正则层、第九卷积层和第六正则层。
如图5所示，所述第一解码器、第二解码器和第三解码器的结构相同，均包括依次连接的第一上采样层、第十卷积层、第二上采样层、第十一卷积层、第三上采样层和第十二卷积层。
所述步骤S1中每个所述年龄段均设置有一个判别器，所述判别器的结构包括7个依次连接的反卷积层。
所述步骤S2包括以下分步骤：
S21、构建训练损失函数；
S22、随机向渐进型生成对抗网络输入一张中年人脸样本图像，得到对应的幼年预测图像、中年预测图像和老年预测图像；
S23、根据幼年预测图像、中年预测图像和老年预测图像，且通过判别器计算对应的训练损失函数值；
S24、以训练损失函数值最小为目标，采用Adam算法，并使用一阶梯度对渐进型生成对抗网络的随机目标函数进行优化，更新渐进型生成对抗网络中第二编码器、第二渐进转换模块、第四渐进转换模块、第五渐进转换模块和第二解码器的参数，直至训练损失函数值训练小于0.1，得到初始渐进型生成对抗网络。
所述步骤S2中训练损失函数包括像素损失函数和对抗损失函数；
所述像素损失函数Lpix为：
Lpix＝||Gii(xi)-xi||
其中，Gii()表示年龄段i到年龄段i的特征强化函数，Gii(xi)表示人脸样本图像xi从年龄段i到年龄段i的图像特征强化；
所述对抗损失函数Ladv为：
Ladv＝E|logDj(xj)|+E|log(1-Dj(Gij(xi)))|
其中，E表示数学期望，Dj(xj)∈(0,1)，Dj(xj)表示判别器判别真实图像xj属于年龄段j的概率，Gij(xi))表示人脸样本图像xi从年龄段i到年龄段j的图像特征转换，所述年龄段i和年龄段j为相邻年龄段，所述Dj(Gij(xi)))表示判别器判别转换后的图像Gij(xi))属于年龄段j的概率。
在本实施例中，在网络训练的过程中，我们需要考虑“如何在拟合年龄特异性的特征的同时保留本人的个人特征不变”。为此，我们用身份损失函数和年龄损失函数来衡量年龄改变后的图片的生成质量，并把最小化身份损失函数和年龄损失函数的加权总函数作为目标，来不断更新渐进型生成对抗网络的参数，最终达到自然、真实的人脸年龄老化/年轻化预测效果。
所述步骤S3包括以下分步骤：
S31、随机向初始渐进型生成对抗网络输入一张幼年人脸样本图像、中年人脸样本图像和老年人脸样本图像，得到3×3张预测图像；
S32、计算3×3张预测图像的总训练损失函数值，以训练损失函数值最小为目标，采用Adam算法对初始渐进型生成对抗网络进行梯度下降更新，直至训练损失函数值训练小于m，得到训练完成的渐进型生成对抗网络。
在本实施例中，自然界年龄渐进过程必然是一段一段的进行的，小孩-青年-中年-老年,依照这种循序渐进的转换规则，我们在任意两个相邻的年龄段中，设计了一组人脸老化/年轻化的渐进转换模块：
{ETij,ETji}
ETij(从年龄段i转换到j)
ETji(从年龄段j转换到i)
渐进转换模块的设计目的是在保存个人身份信息不受改变的同时，将年龄特征从源年龄i转移到目标年龄j。
我们的渐进转换集合包含5个渐进转移模块(子模块)，它被定义为：
ET＝{ET12,ET21,ET22,ET32,ET23}
每个子模块有着相似的结构，均有6个残差单元组成。在这里，下标中的1、2和3分别代表“幼年”、“中年”和“老年”阶段。具体来说，如果输入图片是个小孩，在经过编码器后，属于这个小孩的个人身份特征和年龄特征，通过ET12、ET22转换，得到“中年”的年龄特征及不变的个人身份特征。随后，再通过ET23和解码器转换为“老年”的人脸图像。对于输入图片是中年或老年的情况，演变过程类似。
E12表示第一渐进转换模块，E22表示第二渐进转换模块，E32表示第三渐进转换模块，E21表示第四渐进转换模块，E23表示第一渐进转换模块。
此外，为了获得不同年龄阶段间的连续年龄变换结果(比如获得20+岁，30+岁的结果)，我们在任何一对相邻的年龄特征之间应用插值，例如，在ET12生成的属于小孩的特征与ET22传递的中年人特征之间进行特征的线性插值，将插值得到的特征再输入解码器，可以生成小孩到中年人之间的连续图像。这也极大的丰富了我们的可视化效果。
本发明的有益效果为：
(1)本发明构建的渐进转换模块，拟合了自然界中变老或返老还童的真实过程，使得网络的可解释性更强，拟合出的人脸图片效果自然。
(2)本发明对个人身份特征保留的更好，同时对不同年龄阶段的年龄特征刻画得更真实和细腻。
(3)本发明不需要条件独热码作为输入的情况下，能同时保留本人的个人特征不变，并拟合丰富的年龄特征变化；可以比现有方法更好地预测年龄改变带来的面部变化结果。

Claims (10)

1.一种基于渐进型生成对抗网络的人脸预测方法，其特征在于，包括以下步骤：
S1、采集若干不同年龄段的人脸样本图像，构建渐进型生成对抗网络，所述不同年龄段的人脸样本图像包括幼年人脸样本图像、中年人脸样本图像和老年人脸样本图像；
S2、构建训练损失函数，将中年人脸样本图像作为训练样本，以损失函数最小为目标，采用Adam算法对渐进型生成对抗网络的局部参数进行更新，得到初始渐进型生成对抗网络；
S3、将不同年龄段的人脸样本图像作为训练样本，以损失函数最小为目标，采用Adam算法对初始渐进型生成对抗网络的参数进行更新，得到训练完成的渐进型生成对抗网络；
S4、将待预测的图像输入训练完成的渐进型生成对抗网络，得到待预测的图像的预测图像。
2.根据权利要求1所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述步骤S1中幼年人脸样本图像的年龄段为3至14岁，所述中年人脸样本图像的年龄段为15至40岁，所述老年人脸样本图像的年龄段为40岁之后的年龄。
3.根据权利要求2所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述步骤S1中渐进型生成对抗网络包括用于输入幼年人脸样本图像的第一输入层、用于输入中年人脸样本图像的第二输入层和用于输入老年人脸样本图像的第三输入层，所述第一输入层通过第一编码器与用于将幼年人脸特征转换为中年人脸特征的第一渐进转换模块的输入端连接，所述第二输入层通过第二编码器与用于中年人脸特征强化的第二渐进转换模块的输入端连接，所述第三输入层通过第三编码器与用于将老年人脸特征转换为中年人脸特征的第三渐进转换模块的输入端连接；所述第一渐进转换模块的输出端和第三渐进转换模块的输出端均与第二渐进转换模块的输入端连接；所述第二渐进转换模块的输出端分别与用于将中年人脸特征转换为幼年人脸特征的第四渐进转换模块的输入端、用于将中年人脸特征转换为老年人脸特征的第五渐进转换模块的输入端和第二解码器的输入端连接，所述第四渐进转换模块的输出端通过第一解码器与第一输出层连接，所述第二解码器的输出端与第二输出层连接，所述第五渐进转换模块的输出端通过第三解码器与第三输出层连接。
4.根据权利要求3所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述第一编码器、第二编码器和第三编码器的结构相同，均包括依次连接的第一下采样层、第一卷积层、第二下采样层、第二卷积层、第三下采样层和第三卷积层。
5.根据权利要求3所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述第一渐进转换模块、第二渐进转换模块、第三渐进转换模块、第四渐进转换模块、第五渐进转换模块和第六渐进转换模块的结构相同，均包括依次连接第四卷积层、第一正则层、第五卷积层、第二正则层、第六卷积层、第三正则层、第七卷积层、第四正则层、第八卷积层、第五正则层、第九卷积层和第六正则层。
6.根据权利要求3所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述第一解码器、第二解码器和第三解码器的结构相同，均包括依次连接的第一上采样层、第十卷积层、第二上采样层、第十一卷积层、第三上采样层和第十二卷积层。
7.根据权利要求3所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述步骤S1中每个所述年龄段均设置有一个判别器，所述判别器的结构包括7个依次连接的反卷积层。
8.根据权利要求7所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述步骤S2包括以下分步骤：
S21、构建训练损失函数；
S22、随机向渐进型生成对抗网络输入一张中年人脸样本图像，得到对应的幼年预测图像、中年预测图像和老年预测图像；
S23、根据幼年预测图像、中年预测图像和老年预测图像，且通过判别器计算对应的训练损失函数值；
S24、以训练损失函数值最小为目标，采用Adam算法，并使用一阶梯度对渐进型生成对抗网络的随机目标函数进行优化，更新渐进型生成对抗网络中第二编码器、第二渐进转换模块、第四渐进转换模块、第五渐进转换模块和第二解码器的参数，直至训练损失函数值训练小于0.1，得到初始渐进型生成对抗网络。
9.根据权利要求1所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述步骤S2中训练损失函数包括像素损失函数和对抗损失函数；
所述像素损失函数Lpix为：
Lpix＝||Gii(xi)-xi||
其中，Gii()表示年龄段i到年龄段i的特征强化函数，Gii(xi)表示人脸样本图像xi从年龄段i到年龄段i的图像特征强化；
所述对抗损失函数Ladv为：
Ladv＝E|logDj(xj)|+E|log(1-Dj(Gij(xi)))|
其中，E表示数学期望，Dj(xj)∈(0,1)，Dj(xj)表示判别器判别真实图像xj属于年龄段j的概率，Gij(xi))表示人脸样本图像xi从年龄段i到年龄段j的图像特征转换，所述年龄段i和年龄段j为相邻年龄段，所述Dj(Gij(xi)))表示判别器判别转换后的图像Gij(xi))属于年龄段j的概率。
10.根据权利要求8所述的基于渐进型生成对抗网络的人脸预测方法，其特征在于，所述步骤S3包括以下分步骤：
S31、随机向初始渐进型生成对抗网络输入一张幼年人脸样本图像、中年人脸样本图像和老年人脸样本图像，得到3×3张预测图像；
S32、计算3×3张预测图像的总训练损失函数值，以训练损失函数值最小为目标，采用Adam算法对初始渐进型生成对抗网络进行梯度下降更新，直至训练损失函数值训练小于m，得到训练完成的渐进型生成对抗网络。
CN202010674447.2A 2020-07-14 2020-07-14 基于渐进型生成对抗网络的人脸预测方法 Active CN111898482B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010674447.2A CN111898482B (zh) 2020-07-14 2020-07-14 基于渐进型生成对抗网络的人脸预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010674447.2A CN111898482B (zh) 2020-07-14 2020-07-14 基于渐进型生成对抗网络的人脸预测方法

Publications (2)

Publication Number Publication Date
CN111898482A true CN111898482A (zh) 2020-11-06
CN111898482B CN111898482B (zh) 2024-02-02

Family

ID=73193067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010674447.2A Active CN111898482B (zh) 2020-07-14 2020-07-14 基于渐进型生成对抗网络的人脸预测方法

Country Status (1)

Country Link
CN (1) CN111898482B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113221645A (zh) * 2021-04-07 2021-08-06 深圳数联天下智能科技有限公司 目标模型训练方法、人脸图像生成方法以及相关装置
CN113762117A (zh) * 2021-08-27 2021-12-07 深圳数联天下智能科技有限公司 一种图像处理模型的训练方法、图像处理模型及计算机设备
CN113902957A (zh) * 2021-10-11 2022-01-07 北京百度网讯科技有限公司 图像生成方法、模型的训练方法、装置、电子设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308450A (zh) * 2018-08-08 2019-02-05 杰创智能科技股份有限公司 一种基于生成对抗网络的脸部变化预测方法
CN109902615A (zh) * 2019-02-25 2019-06-18 中国计量大学 一种基于对抗网络的多个年龄段图像生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308450A (zh) * 2018-08-08 2019-02-05 杰创智能科技股份有限公司 一种基于生成对抗网络的脸部变化预测方法
WO2020029356A1 (zh) * 2018-08-08 2020-02-13 杰创智能科技股份有限公司 一种基于生成对抗网络的脸部变化预测方法
CN109902615A (zh) * 2019-02-25 2019-06-18 中国计量大学 一种基于对抗网络的多个年龄段图像生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴柳玮;孙锐;阚俊松;高隽;: "双重对偶生成对抗网络的跨年龄素描―照片转换", 中国图象图形学报, no. 04 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113221645A (zh) * 2021-04-07 2021-08-06 深圳数联天下智能科技有限公司 目标模型训练方法、人脸图像生成方法以及相关装置
CN113221645B (zh) * 2021-04-07 2023-12-12 深圳数联天下智能科技有限公司 目标模型训练方法、人脸图像生成方法以及相关装置
CN113762117A (zh) * 2021-08-27 2021-12-07 深圳数联天下智能科技有限公司 一种图像处理模型的训练方法、图像处理模型及计算机设备
CN113762117B (zh) * 2021-08-27 2024-04-12 深圳数联天下智能科技有限公司 一种图像处理模型的训练方法、图像处理模型及计算机设备
CN113902957A (zh) * 2021-10-11 2022-01-07 北京百度网讯科技有限公司 图像生成方法、模型的训练方法、装置、电子设备及介质
CN113902957B (zh) * 2021-10-11 2024-02-09 北京百度网讯科技有限公司 图像生成方法、模型的训练方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN111898482B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN111898482B (zh) 基于渐进型生成对抗网络的人脸预测方法
CN113658051B (zh) 一种基于循环生成对抗网络的图像去雾方法及系统
CN109033095B (zh) 基于注意力机制的目标变换方法
CN112801877B (zh) 一种视频帧的超分辨率重构方法
CN113240683B (zh) 基于注意力机制的轻量化语义分割模型构建方法
CN113870124B (zh) 基于弱监督的双网络互激励学习阴影去除方法
CN114022506B (zh) 一种边缘先验融合多头注意力机制的图像修复方法
CN112669324B (zh) 基于时序特征聚合和条件卷积的快速视频目标分割方法
CN107729885B (zh) 一种基于多重残差学习的人脸增强方法
CN113283577A (zh) 一种基于元学习和生成对抗网络的工业平行数据生成方法
CN108769674B (zh) 一种基于自适应层次化运动建模的视频预测方法
CN118465876B (zh) 一种基于EOF-Kmeans聚类和LDM的两阶段临近降水预报方法
CN111784583A (zh) 一种用于降水图的循环随机超分辨率生成对抗网络
CN113496460A (zh) 一种基于特征调整的神经风格迁移方法及系统
CN114663536B (zh) 一种图像压缩方法及装置
CN114663307B (zh) 基于不确定性网络的集成图像去噪系统
CN116155453A (zh) 一种面向动态信噪比的译码方法及相关设备
CN113949880B (zh) 一种极低码率人机协同图像编码训练方法及编解码方法
CN112801076B (zh) 基于自注意力机制的电子商务视频高光检测方法及系统
CN104320659A (zh) 背景建模方法、装置及设备
CN116503320A (zh) 高光谱图像异常检测方法、装置、设备及可读存储介质
CN114997490A (zh) 温度廓线预测模型的构建方法、预测方法、装置及设备
CN114331821A (zh) 一种图像转换方法及系统
CN111770344A (zh) 一种基于深度学习网络的激光光谱图像压缩方法及系统
Kook et al. How Inverse Conditional Flows Can Serve as a Substitute for Distributional Regression

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