CN112069946A - 人脸美丽预测方法、装置、系统及存储介质 - Google Patents

人脸美丽预测方法、装置、系统及存储介质 Download PDF

Info

Publication number
CN112069946A
CN112069946A CN202010862316.7A CN202010862316A CN112069946A CN 112069946 A CN112069946 A CN 112069946A CN 202010862316 A CN202010862316 A CN 202010862316A CN 112069946 A CN112069946 A CN 112069946A
Authority
CN
China
Prior art keywords
face
beauty prediction
module
label
face beauty
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
CN202010862316.7A
Other languages
English (en)
Other versions
CN112069946B (zh
Inventor
甘俊英
吴必诚
翟懿奎
何国辉
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.)
Wuyi University
Original Assignee
Wuyi 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 Wuyi University filed Critical Wuyi University
Priority to CN202010862316.7A priority Critical patent/CN112069946B/zh
Publication of CN112069946A publication Critical patent/CN112069946A/zh
Application granted granted Critical
Publication of CN112069946B publication Critical patent/CN112069946B/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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了人脸美丽预测方法、装置及存储介质，其中方法包括：获取人脸图像；对人脸图像提取图像特征；根据图像特征分类得到人脸美丽判断结果；其中，在训练人脸美丽预测网络至特征稳定状态后，通过自纠正机制纠正标签中的噪声标签。通过自纠正机制纠正噪声标签，使噪声标签变成正确标签，然后重新对人脸美丽预测网络训练得到正确的人脸美丽判断结果；在重新训练的过程中，对人脸美丽预测网络的参数进行调整以优化人脸美丽预测网络，提高人脸美丽预测网络的泛化能力和分类准确性。

Description

人脸美丽预测方法、装置、系统及存储介质
技术领域
本发明涉及图像识别领域，特别是人脸美丽预测方法、装置、系统及存储介质。
背景技术
人脸美丽预测网络模型在进行预测前需要大量的训练；用于训练人脸美丽预测网络模型的人脸图像样本需要人为标注标签，但是由于审美疲劳、主观审美偏差等因素的影响，会造成标签标注错位，从而出现噪声标签，噪声标签的学习容易对人脸美丽预测网络模型的泛化能力造成损害。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供人脸美丽预测方法、装置及存储介质。
本发明解决其问题所采用的技术方案是：
本发明的第一方面，人脸美丽预测方法，应用于人脸美丽预测网络，所述人脸美丽预测方法包括以下步骤：
获取人脸图像，其中所述人脸图像标有标签，所述标签与所述人脸图像一一对应，所述标签包括正确标签和噪声标签；
对所述人脸图像提取图像特征；
根据所述图像特征分类得到人脸美丽判断结果；
其中，在训练所述人脸美丽预测网络至特征稳定状态后，通过自纠正机制纠正所述标签中的噪声标签。
根据本发明的第一方面，人脸美丽预测方法，还包括以下步骤：
计算所有所述人脸图像的损失值；
将所述损失值小于第一设定阈值的人脸图像所对应的标签归类为所述正确标签，并将所述损失值大于第一设定阈值的人脸图像所对应的标签归类为所述噪声标签。
根据本发明的第一方面，人脸美丽预测方法，还包括以下步骤：判定所述人脸美丽预测网络是否处于所述特征稳定状态；当所述人脸美丽预测网络的总损失函数小于第二设定阈值，所述人脸美丽预测网络处于所述特征稳定状态，其中所述总损失函数为所有人脸图像的特征方差总和与正确标签的损失值之和。
根据本发明的第一方面，所述自纠正机制具体为：通过纠正公式返回的类别替换对应的所述人脸图像的类别；所述纠正公式为
Figure BDA0002648553280000021
Figure BDA0002648553280000022
式中Ftop是所述噪声标签的特征，
Figure BDA0002648553280000023
是所述人脸图像的特征方差；其中所述人脸图像标有多种标签，具有相同所述标签的所述人脸图像归为一个类别。
本发明的第二方面，人脸美丽预测装置，应用人脸美丽预测网络，所述人脸美丽预测装置包括：
输入模块，用于输入人脸图像，其中所述人脸图像标有标签，所述标签与所述人脸图像一一对应，所述标签包括正确标签和噪声标签；
特征提取模块，用于对所述人脸图像提取图像特征；
分类模块，用于根据所述图像特征分类得到人脸美丽判断结果；
纠正模块，用于在训练所述人脸美丽预测网络至特征稳定状态后，通过自纠正机制纠正所述标签中的噪声标签。
根据本发明的第二方面，人脸美丽预测装置，还包括第一判断模块，所述第一判断模块包括：
第一计算子模块，用于计算所有所述人脸图像的损失值；
第一判断子模块，用于将所述损失值小于第一设定阈值的人脸图像所对应的标签归类为所述正确标签，并将所述损失值大于第一设定阈值的人脸图像所对应的标签归类为所述噪声标签。
根据本发明的第二方面，所述自纠正模块包括第二判断模块，所述第二判断模块用于判定所述人脸美丽预测网络是否处于所述特征稳定状态；其中当所述人脸美丽预测网络的总损失函数小于第二设定阈值，所述第二判断模块判定所述人脸美丽预测网络处于所述特征稳定状态；
所述人脸美丽预测装置还包括第二计算子模块，用于计算所述人脸美丽预测网络的总损失函数，所述总损失函数为所有人脸图像的特征方差总和与正确标签的损失值之和。
根据本发明的第二方面，所述纠正模块还包括第三计算子模块和替换模块；
所述第三计算子模块用于计算所述纠正公式；
所述替换模块用于用所述第三计算子模块的输出值替换对应的所述人脸图像的类别；
其中所述纠正公式为
Figure BDA0002648553280000041
式中Ftop是所述噪声标签的特征，
Figure BDA0002648553280000042
是所述人脸图像的特征方差；
其中所述人脸图像标有多种标签，具有相同所述标签的所述人脸图像归为一个类别。
本发明的第三方面，人脸美丽预测系统，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如本发明第一方面所述的人脸美丽预测方法。
本发明的第四方面，存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行如本发明第一方面所述的人脸美丽预测方法。
上述方案至少具有以下的有益效果：通过自纠正机制纠正噪声标签，使噪声标签变成正确标签，然后重新对人脸美丽预测网络训练得到正确的人脸美丽判断结果；在重新训练的过程中，对人脸美丽预测网络的参数进行调整以优化人脸美丽预测网络，提高人脸美丽预测网络的泛化能力和分类准确性。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明实施例人脸美丽预测方法的流程图；
图2是本发明实施例人脸美丽预测装置的结构图；
图3是人脸美丽预测网络的结构图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参照图1和图3，本发明的一个实施例，人脸美丽预测方法，应用于人脸美丽预测网络100，人脸美丽预测网络100包括输入层110、特征提取层120和分类层130，人脸美丽预测方法包括以下步骤：
步骤S100、通过输入层110获取人脸图像，其中人脸图像标有标签，标签与人脸图像一一对应，标签包括正确标签和噪声标签；
步骤S200、通过特征提取层120对人脸图像提取图像特征；
步骤S300、通过分类层130根据图像特征分类得到人脸美丽判断结果；
步骤S400、在训练人脸美丽预测网络100至特征稳定状态后，通过自纠正机制纠正标签中的噪声标签。
在该实施例中，通过自纠正机制纠正噪声标签，使噪声标签变成正确标签。然后将所有人脸图像重新输入至人脸美丽预测网络100进行训练得到正确的人脸美丽判断结果；此时所有人脸图像只有正确标签，因为噪声标签已被纠正为正确标签。在重新训练的过程中，对人脸美丽预测网络100的参数进行调整以优化人脸美丽预测网络100，提高人脸美丽预测网络100的泛化能力和分类准确性。
进一步，在人脸图像第一次输入至人脸美丽预测网络100中时，人脸美丽预测网络100是不能区分人脸图像的标签是标注正确的正确标签还是标注错误的噪声标签。
该人脸美丽预测方法还包括以下步骤以区分标签是正确标签还是噪声标签：
在人脸美丽预测网络100的前向传播后，计算所有人脸图像的损失值；需要说明的是，在该实施例中，采用交叉熵计算人脸图像的损失值；
将损失值小于第一设定阈值的人脸图像所对应的标签归类为正确标签，并将损失值大于第一设定阈值的人脸图像所对应的标签归类为噪声标签。需要说明的是，该第一设定阈值可由多次匹配数据统计得到。
需要说明的是，由于噪声标签是标注错误的标签，因此利用标注有噪声标签的人脸图像训练人脸美丽预测网络100，则人脸美丽预测网路根据该人脸图像
进一步，在通过自纠正机制纠正标签中的噪声标签前需要确定人脸美丽预测网络100是否处于特征稳定状态。总损失函数能反映出模型的稳定程度，因此该人脸美丽预测方法采用以下方法判定人脸美丽预测网络100是否处于特征稳定状态：当人脸美丽预测网络100的总损失函数小于第二设定阈值，人脸美丽预测网络100处于特征稳定状态；当人脸美丽预测网络100的总损失函数大于或等于第二设定阈值，人脸美丽预测网络100处于特征非稳定状态。需要说明的是，该第二设定阈值可由多次匹配数据统计得到。
设第i个类别的人脸图像的D维特征是Di，第i个类别的人脸图像的D维特征的平均值meani＝Di/n，n为第i个类别的人脸图像的D维特征的数量，所有人脸图像的特征方差总和为
Figure BDA0002648553280000081
正确标签的损失值记为LM*(1-R)，则正确标签的损失值之和为∑LM*(1-R)。
总损失函数为所有人脸图像的特征方差总和与正确标签的损失值之和，对应式子为
Figure BDA0002648553280000082
其中c为类别的总数量。
在该实施例中，通过总损失函数使该人脸美丽预测网络100在训练过程中不断对人脸图像的特征方差以及正确标签进行了优化。
进一步，自纠正机制具体为：通过纠正公式返回的类别替换对应的人脸图像的类别；纠正公式为
Figure BDA0002648553280000083
式中Ftop是噪声标签的特征，
Figure BDA0002648553280000084
是人脸图像的特征方差；其中人脸图像标有多种标签，具有相同标签的人脸图像归为一个类别。
需要说明的是，标签为人脸美丽等级，通常用1-5表示，数字越大表示人脸美丽程度越高。
参照图2和图3，本发明的另一个实施例，人脸美丽预测装置，应用人脸美丽预测网络100，人脸美丽预测装置包括：
输入模块10，对应人脸美丽预测网络100的输入层110，用于输入人脸图像，其中人脸图像标有标签，标签与人脸图像一一对应，标签包括正确标签和噪声标签；
特征提取模块20，对应人脸美丽预测网络100的特征提取层120，用于对人脸图像提取图像特征；
分类模块30，对应人脸美丽预测网络100的分类层130，用于根据图像特征分类得到人脸美丽判断结果；
纠正模块40，用于在训练人脸美丽预测网络100至特征稳定状态后，通过自纠正机制纠正标签中的噪声标签。
在该实施例中，通过纠正模块40的自纠正机制纠正噪声标签，使噪声标签变成正确标签。然后将所有人脸图像重新输入至人脸美丽预测网络100进行训练得到正确的人脸美丽判断结果；在重新训练的过程中，对人脸美丽预测网络100的参数进行调整以优化人脸美丽预测网络100，提高人脸美丽预测网络100的泛化能力和分类准确性。
进一步，人脸美丽预测装置，还包括第一判断模块50，第一判断模块50包括：
第一计算子模块，用于计算所有人脸图像的损失值；
第一判断子模块，用于将损失值小于第一设定阈值的人脸图像所对应的标签归类为正确标签，并将损失值大于第一设定阈值的人脸图像所对应的标签归类为噪声标签。
进一步，自纠正模块40包括第二判断模块，第二判断模块用于判定人脸美丽预测网络100是否处于特征稳定状态；其中当人脸美丽预测网络100的总损失函数小于第二设定阈值，第二判断模块判定人脸美丽预测网络100处于特征稳定状态；
人脸美丽预测装置还包括第二计算子模块60，用于计算人脸美丽预测网络100的总损失函数，总损失函数为所有人脸图像的特征方差总和与正确标签的损失值之和。
进一步，纠正模块40还包括第三计算子模块和替换模块；
第三计算子模块用于计算纠正公式；
替换模块用于用第三计算子模块的输出值替换对应的人脸图像的类别；
其中纠正公式为
Figure BDA0002648553280000101
式中Ftop是噪声标签的特征，
Figure BDA0002648553280000102
是人脸图像的特征方差；
其中人脸图像标有多种标签，具有相同标签的人脸图像归为一个类别。
需要说明的是，人脸美丽预测装置，应用如方法实施例所述的人脸美丽预测方法，经各个模块的配合，能执行人脸美丽预测方法的各个步骤，具有相同的技术效果，在此不再详述。
本发明的另一个实施例，提供了人脸美丽预测系统，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如本发明的方法实施例所述的人脸美丽预测方法。
本发明的另一个实施例，提供了存储介质，存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行如本发明的方法实施例所述的人脸美丽预测方法。
需要说明的是，存储器和存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (10)

1.人脸美丽预测方法，其特征在于，应用于人脸美丽预测网络，所述人脸美丽预测网络包括输入层、特征提取层和分类层，所述人脸美丽预测方法包括以下步骤：
通过所述输入层获取人脸图像，其中所述人脸图像标有标签，所述标签与所述人脸图像一一对应，所述标签包括正确标签和噪声标签；
通过所述特征提取层对所述人脸图像提取图像特征；
通过所述分类层根据所述图像特征分类得到人脸美丽判断结果；
其中，在训练所述人脸美丽预测网络至特征稳定状态后，通过自纠正机制纠正所述标签中的噪声标签。
2.根据权利要求1所述的人脸美丽预测方法，其特征在于，还包括以下步骤：
计算所有所述人脸图像的损失值；
将所述损失值小于第一设定阈值的人脸图像所对应的标签归类为所述正确标签，并将所述损失值大于第一设定阈值的人脸图像所对应的标签归类为所述噪声标签。
3.根据权利要求2所述的人脸美丽预测方法，其特征在于，还包括以下步骤：判定所述人脸美丽预测网络是否处于所述特征稳定状态；当所述人脸美丽预测网络的总损失函数小于第二设定阈值，所述人脸美丽预测网络处于所述特征稳定状态，其中所述总损失函数为所有人脸图像的特征方差总和与正确标签的损失值之和。
4.根据权利要求3所述的人脸美丽预测方法，其特征在于，所述自纠正机制具体为：通过纠正公式返回的类别替换对应的所述人脸图像的类别；所述纠正公式为
Figure FDA0002648553270000021
式中Ftop是所述噪声标签的特征，
Figure FDA0002648553270000022
是所述人脸图像的特征方差；其中所述人脸图像标有多种标签，具有相同所述标签的所述人脸图像归为一个类别。
5.人脸美丽预测装置，其特征在于，应用人脸美丽预测网络，所述人脸美丽预测装置包括：
输入模块，用于输入人脸图像，其中所述人脸图像标有标签，所述标签与所述人脸图像一一对应，所述标签包括正确标签和噪声标签；
特征提取模块，用于对所述人脸图像提取图像特征；
分类模块，用于根据所述图像特征分类得到人脸美丽判断结果；
纠正模块，用于在训练所述人脸美丽预测网络至特征稳定状态后，通过自纠正机制纠正所述标签中的噪声标签。
6.根据权利要求5所述的人脸美丽预测装置，其特征在于，还包括
第一判断模块，所述第一判断模块包括：
第一计算子模块，用于计算所有所述人脸图像的损失值；
第一判断子模块，用于将所述损失值小于第一设定阈值的人脸图像所对应的标签归类为所述正确标签，并将所述损失值大于第一设定阈值的人脸图像所对应的标签归类为所述噪声标签。
7.根据权利要求6所述的人脸美丽预测装置，其特征在于，所述自纠正模块包括第二判断模块，所述第二判断模块用于判定所述人脸美丽预测网络是否处于所述特征稳定状态；其中当所述人脸美丽预测网络的总损失函数小于第二设定阈值，所述第二判断模块判定所述人脸美丽预测网络处于所述特征稳定状态；
所述人脸美丽预测装置还包括第二计算子模块，用于计算所述人脸美丽预测网络的总损失函数，所述总损失函数为所有人脸图像的特征方差总和与正确标签的损失值之和。
8.根据权利要求7所述的人脸美丽预测装置，其特征在于，所述纠正模块还包括第三计算子模块和替换模块；
所述第三计算子模块用于计算所述纠正公式；
所述替换模块用于用所述第三计算子模块的输出值替换对应的所述人脸图像的类别；
其中所述纠正公式为
Figure FDA0002648553270000031
式中Ftop是所述噪声标签的特征，
Figure FDA0002648553270000032
是所述人脸图像的特征方差；
其中所述人脸图像标有多种标签，具有相同所述标签的所述人脸图像归为一个类别。
9.人脸美丽预测系统，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至4任一项所述的人脸美丽预测方法。
10.存储介质，其特征在于，所述存储介质存储有可执行指令，可执行指令能被计算机执行，使所述计算机执行如权利要求1至4任一项所述的人脸美丽预测方法。
CN202010862316.7A 2020-08-25 2020-08-25 人脸美丽预测方法、装置、系统及存储介质 Active CN112069946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010862316.7A CN112069946B (zh) 2020-08-25 2020-08-25 人脸美丽预测方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010862316.7A CN112069946B (zh) 2020-08-25 2020-08-25 人脸美丽预测方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112069946A true CN112069946A (zh) 2020-12-11
CN112069946B CN112069946B (zh) 2024-02-20

Family

ID=73660334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010862316.7A Active CN112069946B (zh) 2020-08-25 2020-08-25 人脸美丽预测方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112069946B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033679A (zh) * 2021-03-31 2021-06-25 清华大学深圳国际研究生院 一种用于监控视频车辆检测的半监督带噪声学习方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271970A (zh) * 2018-10-30 2019-01-25 北京旷视科技有限公司 人脸检测模型训练方法及装置
CN110705406A (zh) * 2019-09-20 2020-01-17 五邑大学 基于对抗迁移学习的人脸美丽预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109271970A (zh) * 2018-10-30 2019-01-25 北京旷视科技有限公司 人脸检测模型训练方法及装置
CN110705406A (zh) * 2019-09-20 2020-01-17 五邑大学 基于对抗迁移学习的人脸美丽预测方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GAN JUNYING: "facial beauty predictiong based on lighted deep convolution neural network with feature extraction strengthened", 《CHINESE JOURNAL OF ELECTRONICS》, vol. 29, no. 2, pages 312 - 321, XP006090510, DOI: 10.1049/cje.2020.01.009 *
GAN JUNYING: "unconstrained facial beauty prediction based on multi-scale k-means", 《CHINESE JOURNAL OF ELECTRONICS》, vol. 26, no. 3, pages 548 - 556, XP006072314, DOI: 10.1049/cje.2016.10.020 *
JUNYING GAN: "2m beautynet：facial beauty prediction based on multi-task transfer learning", 《IEEEACCESS》, pages 20245 - 20256 *
YIKUI ZHAI: "beautynet：joint multiscale cnn and transfer learning method for unconstrained facial beauty prediction", 《HINDAWI》, pages 1 - 15 *
姜开永;甘俊英;谭海英;: "基于深度学习的人脸美丽预测模型及其应用", 五邑大学学报(自然科学版), no. 02, pages 49 - 56 *
蒋婷;沈旭东;陆伟;袁政;: "基于多特征融合的人脸颜值预测", 网络新媒体技术, no. 02, pages 10 - 16 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033679A (zh) * 2021-03-31 2021-06-25 清华大学深圳国际研究生院 一种用于监控视频车辆检测的半监督带噪声学习方法
CN113033679B (zh) * 2021-03-31 2022-05-31 清华大学深圳国际研究生院 一种用于监控视频车辆检测的半监督带噪声学习方法

Also Published As

Publication number Publication date
CN112069946B (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN109117848A (zh) 一种文本行字符识别方法、装置、介质和电子设备
US20190179850A1 (en) Generating congruous metadata for multimedia
US9135567B2 (en) Transductive lasso for high-dimensional data regression problems
JP5772442B2 (ja) 画像処理装置及び画像処理プログラム
CN111125658B (zh) 识别欺诈用户的方法、装置、服务器和存储介质
CN111695602B (zh) 多维度任务人脸美丽预测方法、系统及存储介质
US9886546B2 (en) Methods and apparatus to label radiology images
CN112070123B (zh) 小样本sar图像识别方法、装置及存储介质
CN109271957B (zh) 人脸性别识别方法以及装置
US20200151443A1 (en) Supervised ocr training for custom forms
WO2022127333A1 (zh) 图像分割模型的训练方法、图像分割方法、装置、设备
CN111310860A (zh) 改进梯度提升决策树性能的方法及计算机可读存储介质
CN113128536A (zh) 无监督学习方法、系统、计算机设备及可读存储介质
CN112183326A (zh) 人脸年龄识别模型训练方法及相关装置
CN114255381B (zh) 图像识别模型的训练方法、图像识别方法、装置及介质
CN112069946A (zh) 人脸美丽预测方法、装置、系统及存储介质
CN114637877A (zh) 标注方法、电子设备及存储介质
US20210073591A1 (en) Robustness estimation method, data processing method, and information processing apparatus
US11769319B2 (en) Method and device for predicting beauty based on migration and weak supervision, and storage medium
CN111681203A (zh) 基于标注噪声纠正的骨龄评测方法及装置
CN112446428A (zh) 一种图像数据处理方法及装置
CN109145918B (zh) 图像分割标注方法及设备
CN115809697A (zh) 一种数据修正方法、装置及电子设备
CN116050382A (zh) 章节检测方法、装置、电子设备和存储介质
EP2172874B1 (en) Modeling images as mixtures of image models

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