CN111967389B - 基于深度双路径学习网络的人脸属性识别方法及系统 - Google Patents

基于深度双路径学习网络的人脸属性识别方法及系统 Download PDF

Info

Publication number
CN111967389B
CN111967389B CN202010829155.1A CN202010829155A CN111967389B CN 111967389 B CN111967389 B CN 111967389B CN 202010829155 A CN202010829155 A CN 202010829155A CN 111967389 B CN111967389 B CN 111967389B
Authority
CN
China
Prior art keywords
attribute
face
network
learning network
global
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
Application number
CN202010829155.1A
Other languages
English (en)
Other versions
CN111967389A (zh
Inventor
陈思
赖心瑜
王大寒
朱顺痣
吴芸
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.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
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 Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN202010829155.1A priority Critical patent/CN111967389B/zh
Publication of CN111967389A publication Critical patent/CN111967389A/zh
Application granted granted Critical
Publication of CN111967389B publication Critical patent/CN111967389B/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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • 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

Abstract

本发明涉及一种基于深度双路径学习网络的人脸属性识别方法及系统，该方法包括：1）将人脸属性数据集包含的人脸属性分成局部属性组和全局属性组；2）构建双路径学习网络模型，包括不同层数的局部属性子网络和全局属性子网络，用以对局部属性组和全局属性组的学习；3）将数据集中人脸图片输入双路径学习网络模型，获取不同尺度人脸图片，分别以大、小尺度人脸图片作为局部属性、全局属性子网络的输入；4）设计考虑挖掘难分样本和平衡正负样本的自适应损失函数，并使用损失函数训练模型，得到训练好的双路径学习网络模型；5）用训练好的双路径学习网络模型对待识别的人脸图片进行人脸属性识别。该方法及系统有利于提高人脸属性识别的准确性。

Description

基于深度双路径学习网络的人脸属性识别方法及系统
技术领域
本发明属于人脸识别技术领域，具体涉及一种基于深度双路径学习网络的人脸属性识别方法及系统。
背景技术
近年来，人脸属性识别已经成为计算机视觉领域的研究热点。人脸属性是指描述人类面部图像的抽象语义特征，比如表情、性别、年龄、种族、脸型等属性信息。人脸属性识别通常指利用计算机来分析和判断人脸图像的各类属性信息。人脸属性识别在视频监控、人脸验证、人机交互等实际应用中得到广泛的应用。
在人脸属性识别研究中，给定一张人脸图片，对图片进行识别并同时预测多种人脸属性是否存在。现有的人脸属性识别技术总体可以分为基于部分的属性识别方法和基于整体的属性识别方法。基于部分的属性识别方法在输入的人脸图片中根据属性首先定位所在的面部区域，然后提取所在区域的特征进行识别。基于整体的属性识别方法则直接考虑整张人脸图像，对整张图像进行特征提取再分类，不需要额外的属性区域定位。而且基于整体的属性识别方法大多为基于多任务学习的方法，其在浅层神经网络中共享所有的特征信息，而深层网络则分别学习不同的属性分类任务。通过在相关任务间共享表示信息，挖掘不同任务之间隐藏的共用数据特征，使得网络得到更佳的性能效果。
Panda方法(Zhang N,Paluri M,Ranzato M,Darrell T,Bourdev L.Panda:Posealigned networks for deep attribute modeling.Proceedings of the 2014 IEEEConference on Computer Vision and Pattern Recognition.2014,pp.1637-1644.)和LNet+ANet方法(Liu Z,Luo P,Wang X,Tang X.Deep learning face attributes in thewild.Proceedings of the IEEE International Conference on ComputerVision.2015,pp.3730-3738.)属于基于部分的属性识别方法，其先根据属性标签对面部区域进行定位，然后对所在区域的特征进行特征提取，最后用支持向量机对属性进行识别。这种方法依赖于对面部区域定位的准确性，一旦定位错误则无法提取到该属性的特征信息，并且忽略了属性之间的相关性。此外，这两种方法不属于端到端的识别方法，前一个模块产生的偏差可能影响后一个模块，难以达到最优性能。
Walk and Learn方法(Wang J,Cheng Y,Schmidt Feris R.Walk and learn:Facial attribute representation learning from egocentric video and contextualdata.Proceedings of IEEE Conference on Computer Vision and PatternRecognition.2016,pp.2295-2304.)、R-Codean方法(Sethi A,Singh M,Singh R,VatsaM.Residual codean autoencoder for facial attribute analysis.PatternRecognition Letters.2018,119:157-165.)、ATNet_GT方法(Gao D,YuanP,Sun N,Wu X,Cai Y.Face attribute prediction with convolutional neuralnetworks.Proceedings of the IEEE International Conference on Robotics andBiomimetics.2017,pp.1294-1299.)和GMT-ACL方法(Yip C,Hu H.Grouped multi-taskCNN for facail attribute recognition.Proceedings of the 24th InternationalConference on Pattern Recognition.2018,pp.272-277.)属于基于整体的属性识别方法，其对整张图像进行特征提取再进行属性识别。Walk and Learn方法提出一种Siamese网络，其利用位置和天气的数据作为弱标记来构建丰富的面部属性表示以帮助识别。R-Codean方法提出自动编码器用于人脸属性识别，网络采用基于块的加权机制，为每个属性的相关块分配更高的权重。但这两种方法都没有考虑到深度学习网络的中层特征信息。ATNet_GT方法和GMT-ACL方法则对属性也进行了分组。但是ATNet_GT方法首先对属性进行聚类，然后结合属性的相关性分为与颜色相关类属性、穿戴打扮类属性和外观特征类属性共3组。GMT-ACL方法则是根据属性在面部的空间位置分为全局特征组、头发组、眼睛组、鼻子组、脸颊组、嘴巴组、下巴组、脖子组共8组。因此，现有技术中的属性分组方式与本申请的分组方式不同。
在现有技术中，深度学习网络的中层特征信息没有得到充分利用。现有的多任务人脸属性识别方法往往在浅层网络共享特征，深层网络进行特异性学习，即只有深层网络的每个分支末端的高层抽象特征才参与了最终的属性预测。而随着网络层数的加深，图像分辨率降低、空间信息模糊，从而导致对有些属性的识别性能不佳，例如，胡子等属性。
此外，现有的人脸属性识别方法没有充分考虑不同属性的学习复杂度，具体表现为以下三个方面。其一，不同属性关注的面部区域不同。人脸属性识别方法需要同时预测多种属性是否存在。有些属性需要关注整张人脸区域，其被称为全局属性，如性别、脸型、浓妆等属性。而有些属性只需关注部分的人脸区域，其被称为局部属性，如胡子属性就只需关注嘴巴附近的区域，而戴眼镜属性则需关注眼睛附近的区域。其二，不同属性关注的人脸区域大小也不同，例如全局属性需要关注的脸部区域大而局部属性需要关注的区域则比较小。其三，不同属性需要学习的特征层次也不同。局部属性更依赖于网络的中层特征，而全局属性则更依赖于深层特征。
另外，现有数据集存在类别不平衡问题。人脸属性识别目前公开的数据集都存在类别不平衡问题，即不同类别的样本数量不同以及相同类别的正负样本数量不同。例如最常用的CelebA数据集中带有属性年轻(Young)的人脸图片很多，而带有属性胡渣(5o’clockShadow)的人脸图片则很少，这会使得利用CelebA数据集训练得到的模型在测试时对胡渣属性的识别性能不佳。诸如此类的类别不平衡会导致对占比大的类别出现过拟合现象，从而降低了模型的泛化能力。
发明内容
本发明的目的在于提供一种基于深度双路径学习网络的人脸属性识别方法及系统，该方法及系统有利于提高人脸属性识别的准确性。
为实现上述目的，本发明采用的技术方案是：一种基于深度双路径学习网络的人脸属性识别方法，包括以下步骤：
1)获取人脸属性数据集，根据与属性相关的人脸面部区域范围大小，将人脸属性数据集包含的人脸属性分成局部属性组和全局属性组；
2)构建双路径学习网络模型，所述双路径学习网络模型包括局部属性子网络和全局属性子网络，其分别由层数少和层数多的深度卷积神经网络构成，并分别用以对局部属性组和全局属性组的学习；
3)将数据集中人脸图片输入双路径学习网络模型，获取不同尺度人脸图片，分别以大尺度人脸图片、小尺度人脸图片作为其中局部属性子网络、全局属性子网络的输入；
4)设计考虑挖掘难分样本和平衡正负样本的自适应损失函数，并使用所述损失函数训练模型，通过最小化损失函数学习模型的最优参数，得到训练好的双路径学习网络模型；
5)用训练好的双路径学习网络模型对待识别的人脸图片进行人脸属性识别。
进一步地，所述步骤1中，从CelebA数据集获取人脸属性数据集，将其中包含的40个人脸属性分成局部属性组和全局属性组。
进一步地，所述局部属性子网络包括6层卷积层、4层最大池化层、2层全连接层以及1层softmax层；所述全局属性子网络包括8层卷积层、4层最大池化层、2层全连接层以及1层softmax层；从而，采用不同层数的深度卷积神经网络分别对局部属性组和全局属性组进行学习。
进一步地，输入的人脸图片的大小为224像素x224像素，所述双路径学习网络模型通过设置平均池化层来调整图片大小，对于局部属性子网络，设置内核为1、步长也为1的平均池化层，使图片尺寸保持输入图片原来的尺寸，作为大尺度人脸图片输入局部属性子网络；对于全局属性子网络，设置内核为2、步长也为2的平均池化层，将图片尺寸调整为112像素x112像素，作为小尺度人脸图片输入全局属性子网络。
进一步地，为了挖掘难分样本，设计一难分样本惩罚项F(pij)，其在softmax函数上加入一项调节因子(1-pij)γ来增加难分样本的权重，其计算公式如下：
Figure BDA0002637282840000041
其中，γ为可调节参数；yij∈{0,1}表示图片的真实标签，yij＝0表示不存在第i个样本的第j个属性，yij＝1表示存在第i个样本的第j个属性；pij表示第i个样本的第j个属性经过softmax函数的预测值；
为了解决样本的不平衡问题，进一步设计一自适应损失惩罚项f(pij)，其设置一个参数μ来平衡数据集中的正负样本权重，具体如下：
f(pij)＝μF(pij)
Figure BDA0002637282840000042
其中，rj表示数据集中第j个属性的所有正样本占总样本数量的比值；
则自适应损失函数Loss表示如下：
Figure BDA0002637282840000043
其中，N表示训练样本数；M表示属性个数；g(pij)表示交叉熵分类损失，即g(pij)＝-(yijlog(pij)+(1-yij)log(1-pij))；β为可调节参数。
本发明还提供了一种基于深度双路径学习网络的人脸属性识别系统，包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序，当处理器运行该计算机程序时，实现上述的方法步骤。
与现有的技术相比，本发明具有以下有益效果：构建了包括不同深度的卷积神经网络的双路径学习网络模型，并在双路径学习框架下，提取大尺度图片的中层特征对局部属性进行识别，而提取小尺度图片的深层特征对全局属性进行识别，使得不同类型的属性分组能够利用更合适的特征层次进行识别，解决了中层特征利用不充分以及不同属性的学习复杂度存在差异的问题，从而提高了属性识别的准确率。此外，在损失函数中加入挖掘难分样本和平衡正负样本的惩罚项，从而让模型更具有泛化能力，进一步提高模型的识别性能。
附图说明
图1是本发明实施例的总体框架示意图。
图2是本发明实施例中具体的属性分组情况表。
图3是本发明实施例中本发明方法与其他人脸属性识别方法的对比结果表。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
图1为基于深度双路径学习网络的人脸属性识别方法的总体框架示意图。如图1所示，本发明提供了一种基于深度双路径学习网络的人脸属性识别方法，包括以下步骤：
1)获取人脸属性数据集，根据与属性相关的人脸面部区域范围大小，将人脸属性数据集包含的人脸属性分成局部属性组和全局属性组。
在本实施例中，从CelebA数据集获取所需的人脸属性数据集，并将其中包含的40个人脸属性分成局部属性组和全局属性组。如图2所示的表1为本实施例中具体的属性分组情况。
2)构建双路径学习网络模型，所述双路径学习网络模型包括局部属性子网络和全局属性子网络，其分别由层数少和层数多的深度卷积神经网络构成，并分别用以对局部属性组和全局属性组的学习。
随着网络层数的加深，图像分辨率降低、空间信息变得模糊，从而导致对局部属性的识别性能变差。因此，对局部属性组与全局属性组设计不同层数的深度卷积神经网络。
所述局部属性子网络包括6层卷积层、4层最大池化层、2层全连接层以及1层softmax层；所述全局属性子网络包括8层卷积层、4层最大池化层、2层全连接层以及1层softmax层；从而，采用不同层数的深度卷积神经网络分别对局部属性组和全局属性组进行学习。具体为，局部属性子网络首先经过1层平均池化层调整图片大小，随后经过2层卷积层、1层最大池化层、1层卷积层、1层最大池化层、1层卷积层、1层最大池化层、2层卷积层、1层最大池化层、2层全连接层、1层softmax层。全局属性子网络则是首先经过1层平均池化层调整图片大小，随后经过2层卷积层、1层最大池化层、2层卷积层、1层最大池化层、2层卷积层、1层最大池化层、2层卷积层、1层最大池化层、2层全连接层、1层softmax层。
3)将数据集中人脸图片输入双路径学习网络模型，获取不同尺度人脸图片，分别以大尺度人脸图片、小尺度人脸图片作为其中局部属性子网络、全局属性子网络的输入。
由于大尺度的图片对小目标的识别更鲁棒，能观察出更细节的纹理信息，而小尺度的图片则对大目标的识别效果更佳，其更注重全局特征。因此，对于局部属性子网络和全局属性子网络设计了两种不同尺度的人脸图片作为输入。
输入的人脸图片的大小为224像素x224像素，所述双路径学习网络模型通过设置平均池化层来调整图片大小，具体为：对于局部属性子网络，设置内核为1、步长也为1的平均池化层，使图片尺寸保持输入图片原来的尺寸，作为大尺度人脸图片输入局部属性子网络；对于全局属性子网络，设置内核为2、步长也为2的平均池化层，将图片尺寸调整为112像素x112像素，作为小尺度人脸图片输入全局属性子网络。
4)设计考虑挖掘难分样本和平衡正负样本的自适应损失函数，并使用该损失函数训练模型，通过最小化损失函数学习模型的最优参数，得到训练好的双路径学习网络模型。
为了挖掘难分样本，设计一难分样本惩罚项F(pij)，其在softmax函数上加入一项调节因子(1-pij)γ来增加难分样本的权重，其计算公式如下：
Figure BDA0002637282840000061
其中，γ为可调节参数，本实施例中设置为2；yij∈{0,1}表示图片的真实标签，yij＝0表示不存在第i个样本的第j个属性，yij＝1表示存在第i个样本的第j个属性；pij表示第i个样本的第j个属性经过softmax函数的预测值；
为了解决样本的不平衡问题，进一步设计一自适应损失惩罚项f(pij)，其设置一个参数μ来平衡数据集中的正负样本权重，具体如下：
f(pij)＝μF(pij)
Figure BDA0002637282840000062
其中，rj表示数据集中第j个属性的所有正样本占总样本数量的比值；
则自适应损失函数Loss表示如下：
Figure BDA0002637282840000071
其中，N表示训练样本数；M表示属性个数；g(pij)表示交叉熵分类损失，即g(pij)＝-(yijlog(pij)+(1-yij)log(1-pij))；β为可调节参数，本实施例中设置为0.5。
5)得到训练好的双路径学习网络模型后，就可以用其对待识别的人脸图片进行人脸属性识别。
本发明还提供了应用上述方法的人脸属性识别系统，包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序，当处理器运行该计算机程序时，实现上述的方法步骤。
本发明基于CelebA数据集对本发明提出的人脸属性识别方法与其他人脸属性识别方法进行了对比验证。图3所示的表2示出了在CelebA数据集上本发明方法与其他方法的对比结果。从表2可以看到，本发明方法相较于现有的人脸属性识别方法具有更高的正确率，即本发明具有更佳的识别效果。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (5)

1.一种基于深度双路径学习网络的人脸属性识别方法，其特征在于，包括以下步骤：
1)获取人脸属性数据集，根据与属性相关的人脸面部区域范围大小，将人脸属性数据集包含的人脸属性分成局部属性组和全局属性组；
2)构建双路径学习网络模型，所述双路径学习网络模型包括局部属性子网络和全局属性子网络，其分别由层数少和层数多的深度卷积神经网络构成，并分别用以对局部属性组和全局属性组的学习；
3)将数据集中人脸图片输入双路径学习网络模型，获取不同尺度人脸图片，分别以大尺度人脸图片、小尺度人脸图片作为其中局部属性子网络、全局属性子网络的输入；
4)设计考虑挖掘难分样本和平衡正负样本的自适应损失函数，并使用所述损失函数训练模型，通过最小化损失函数学习模型的最优参数，得到训练好的双路径学习网络模型；
5)用训练好的双路径学习网络模型对待识别的人脸图片进行人脸属性识别；
所述局部属性子网络、全局属性子网络分别包括不同层数的卷积层、最大池化层、全连接层以及softmax层；
所述步骤4) 中，为了挖掘难分样本，设计一难分样本惩罚项F(pij)，其在softmax函数上加入一项调节因子(1-pij)γ来增加难分样本的权重，其计算公式如下：
Figure FDA0003341667240000011
其中，γ为可调节参数；yij∈{0，1}表示图片的真实标签，yij＝0表示不存在第i个样本的第j个属性，yij＝1表示存在第i个样本的第j个属性；pij表示第i个样本的第j个属性经过softmax函数的预测值；
为了解决样本的不平衡问题，进一步设计一自适应损失惩罚项f(pij)，其设置一个参数μ来平衡数据集中的正负样本权重，具体如下：
f(pij)＝μF(pij)
Figure FDA0003341667240000012
其中，rj表示数据集中第j个属性的所有正样本占总样本数量的比值；
则自适应损失函数Loss表示如下：
Figure FDA0003341667240000021
其中，N表示训练样本数；M表示属性个数；g(pij)表示交叉熵分类损失，即g(pij)＝-(yijlog(pij)+(1-yij)log(1-pij))；β为可调节参数。
2.根据权利要求1所述的基于深度双路径学习网络的人脸属性识别方法，其特征在于，所述步骤1) 中，从CelebA数据集获取人脸属性数据集，将其中包含的40个人脸属性分成局部属性组和全局属性组。
3.根据权利要求1所述的基于深度双路径学习网络的人脸属性识别方法，其特征在于，所述步骤2) 中，所述局部属性子网络包括6层卷积层、4层最大池化层、2层全连接层以及1层softmax层；所述全局属性子网络包括8层卷积层、4层最大池化层、2层全连接层以及1层softmax层；从而，采用不同层数的深度卷积神经网络分别对局部属性组和全局属性组进行学习。
4.根据权利要求1所述的基于深度双路径学习网络的人脸属性识别方法，其特征在于，所述步骤3) 中，输入的人脸图片的大小为224像素x224像素，所述双路径学习网络模型通过设置平均池化层来调整图片大小，对于局部属性子网络，设置内核为1、步长也为1的平均池化层，使图片尺寸保持输入图片原来的尺寸，作为大尺度人脸图片输入局部属性子网络；对于全局属性子网络，设置内核为2、步长也为2的平均池化层，将图片尺寸调整为112像素x112像素，作为小尺度人脸图片输入全局属性子网络。
5.一种基于深度双路径学习网络的人脸属性识别系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够在处理器上运行的计算机程序，当处理器运行该计算机程序时，实现如权利要求1-4任一项所述的方法步骤。
CN202010829155.1A 2020-08-18 2020-08-18 基于深度双路径学习网络的人脸属性识别方法及系统 Active CN111967389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010829155.1A CN111967389B (zh) 2020-08-18 2020-08-18 基于深度双路径学习网络的人脸属性识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010829155.1A CN111967389B (zh) 2020-08-18 2020-08-18 基于深度双路径学习网络的人脸属性识别方法及系统

Publications (2)

Publication Number Publication Date
CN111967389A CN111967389A (zh) 2020-11-20
CN111967389B true CN111967389B (zh) 2022-02-18

Family

ID=73388325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010829155.1A Active CN111967389B (zh) 2020-08-18 2020-08-18 基于深度双路径学习网络的人脸属性识别方法及系统

Country Status (1)

Country Link
CN (1) CN111967389B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569732B (zh) * 2021-07-27 2023-06-06 厦门理工学院 基于并行共享多任务网络的人脸属性识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294998A (zh) * 2013-05-22 2013-09-11 合肥工业大学 一种基于属性空间的人脸可视化特征表征方法
CN109325398A (zh) * 2018-06-30 2019-02-12 东南大学 一种基于迁移学习的人脸属性分析方法
CN109492529A (zh) * 2018-10-08 2019-03-19 中国矿业大学 一种多尺度特征提取及全局特征融合的人脸表情识别方法
CN110163110A (zh) * 2019-04-23 2019-08-23 中电科大数据研究院有限公司 一种基于迁移学习和深度特征融合的行人重识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103294998A (zh) * 2013-05-22 2013-09-11 合肥工业大学 一种基于属性空间的人脸可视化特征表征方法
CN109325398A (zh) * 2018-06-30 2019-02-12 东南大学 一种基于迁移学习的人脸属性分析方法
CN109492529A (zh) * 2018-10-08 2019-03-19 中国矿业大学 一种多尺度特征提取及全局特征融合的人脸表情识别方法
CN110163110A (zh) * 2019-04-23 2019-08-23 中电科大数据研究院有限公司 一种基于迁移学习和深度特征融合的行人重识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Beyond Face Rotation: Global and Local Perception GAN for Photorealistic and Identity Preserving Frontal View Synthesis;Rui Huang等;《2017 IEEE International Conference on Computer Vision》;20171225;第2460页第1栏第3段至第2461段第1栏第3段、图2 *
MTCNN WITH WEIGHTED LOSS PENALTY AND ADAPTIVE THRESHOLD LEARNING FOR FACIAL ATTRIBUTE PREDICTION;Xingting He等;《2019 IEEE International Conference on Multimedia & Expo Workshops (ICMEW)》;20190815;第180页第2栏第3段至第181页第1栏第2段、第183页第2栏第2段 *

Also Published As

Publication number Publication date
CN111967389A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
Hua et al. HERO: Human emotions recognition for realizing intelligent Internet of Things
Saxen et al. Face attribute detection with mobilenetv2 and nasnet-mobile
CN107633207B (zh) Au特征识别方法、装置及存储介质
CN110163236B (zh) 模型的训练方法和装置、存储介质、电子装置
CN110443189B (zh) 基于多任务多标签学习卷积神经网络的人脸属性识别方法
CN112734775B (zh) 图像标注、图像语义分割、模型训练方法及装置
CN112784763B (zh) 基于局部与整体特征自适应融合的表情识别方法及系统
CN109815826A (zh) 人脸属性模型的生成方法及装置
US20210089824A1 (en) Image processing method, image processing device, and storage medium
Arif et al. Automated body parts estimation and detection using salient maps and Gaussian matrix model
CN109002755B (zh) 基于人脸图像的年龄估计模型构建方法及估计方法
CN111199202B (zh) 基于循环注意力网络的人体动作识别方法及识别装置
Zhuang et al. Multi-task learning of cascaded cnn for facial attribute classification
CN107351080B (zh) 一种基于相机单元阵列的混合智能研究系统及控制方法
CN113807399A (zh) 一种神经网络训练方法、检测方法以及装置
CN113052150B (zh) 活体检测方法、装置、电子设备和计算机可读存储介质
CN115527269B (zh) 一种人体姿态图像智能识别方法及系统
JP2022511221A (ja) 画像処理方法、画像処理装置、プロセッサ、電子機器、記憶媒体及びコンピュータプログラム
CN111967389B (zh) 基于深度双路径学习网络的人脸属性识别方法及系统
Pang et al. Dance video motion recognition based on computer vision and image processing
Fang et al. Pedestrian attributes recognition in surveillance scenarios with hierarchical multi-task CNN models
CN111191675B (zh) 行人属性识别模型实现方法及相关装置
Srininvas et al. A framework to recognize the sign language system for deaf and dumb using mining techniques
CN114038035A (zh) 一种基于大数据的人工智能识别装置
CN112215162A (zh) 一种基于mcnn网络的多标签多任务人脸属性预测方法

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