CN112070158A - 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 - Google Patents

一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 Download PDF

Info

Publication number
CN112070158A
CN112070158A CN202010932329.7A CN202010932329A CN112070158A CN 112070158 A CN112070158 A CN 112070158A CN 202010932329 A CN202010932329 A CN 202010932329A CN 112070158 A CN112070158 A CN 112070158A
Authority
CN
China
Prior art keywords
image
neural network
convolutional neural
facial
bilateral filtering
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
CN202010932329.7A
Other languages
English (en)
Other versions
CN112070158B (zh
Inventor
张盛平
郑顺源
胡良校
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.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
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 Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN202010932329.7A priority Critical patent/CN112070158B/zh
Publication of CN112070158A publication Critical patent/CN112070158A/zh
Application granted granted Critical
Publication of CN112070158B publication Critical patent/CN112070158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，包括以下步骤：为人脸图像数据标注真实标签以用于卷积神经网络的训练；对训练样本进行随机裁剪，并对瑕疵区域进行过采样；将剪裁所得的图像进行数据增强；通过对彩色图像进行双边滤波，并计算与原始图像的残差以提取图像的高频特征图；分别将彩色图像与高频特征图输入卷积神经网络，经过输入层的特征提取后进行特征融合；构建面部瑕疵检测的卷积神经网络模型，在浅层卷积模块中加入基于多尺度非对称空洞卷积改进的SE模块。本发明可以有效地回归出图像每一像素点属于瑕疵的概率，从而得到更好的面部瑕疵检测结果。

Description

一种基于卷积神经网络和双边滤波的面部瑕疵检测方法
技术领域
本发明涉及图像处理和模式识别技术领域，尤其是一种基于深度学习和双边滤波的面部瑕疵检测方法。
背景技术
面部瑕疵检测是计算机视觉领域的一个重要研究方向，它在人像美化和人脸跟踪领域具有广泛的应用。目前，大部分现有的瑕疵检测方法使用SVM分类器或最大期望算法，对提取的面部特征进行分类，判断其是否为面部瑕疵。在特征提取时，可利用Gabor变换、小波变换、Canny算子、DOG算子等方法，最大化面部瑕疵区域特征与正常皮肤区域特征之间的距离，使其更有利于分类。同时，随着卷积神经网络在各领域的成功应用，基于卷积神经网络的面部瑕疵检测方法也随之出现。但是在现有的基于深度学习的方法中，不论是以局部图像块作为输入的方法或是以整幅面部图像作为输入的方法，它们都忽略了频域特征在面部瑕疵检测中的作用。
发明内容
本发明的目的是提供一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，通过面部彩色图像与双边滤波图像在卷积神经网络浅层的特征提取与融合，提高卷积神经网络对面部瑕疵的判别能力；通过在浅层神经网络中加入多尺度非对称空洞卷积，增强卷积神经网络在浅层特征中对上下文信息的利用。
为实现上述目的，本发明采用下述技术方案：
一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，包括以下步骤：
为人脸图像数据标注真实标签以用于卷积神经网络的训练；
对训练样本进行随机裁剪，并对瑕疵区域进行过采样；
将剪裁所得的图像进行数据增强；
通过对彩色图像进行双边滤波，并计算与原始图像的残差以提取图像的高频特征图；
分别将彩色图像与高频特征图输入卷积神经网络，经过输入层的特征提取后进行特征融合；
构建面部瑕疵检测的卷积神经网络模型，在浅层卷积模块中加入基于多尺度非对称空洞卷积改进的SE模块。
进一步地，所述为人脸图像数据标注真实标签以用于卷积神经网络的训练，包括：为CelebA-HQ高清人脸数据集中的图像标注像素级二分类真实标签，将痣、粉刺、痤疮、色斑、雀斑等与周围正常皮肤在纹理或颜色上有明显差异的区域标注为瑕疵。
进一步地，所述对训练样本进行随机裁剪，并对瑕疵区域进行过采样，包括：
在原始高清人脸图像中随机裁剪出满足卷积神经网络输入大小的图像块，若随机裁剪所得图像块中不包含瑕疵区域或包含的瑕疵区域过少，则重新进行随机裁剪，若重复次数达到设定次数的上限，则使用最后一次随机裁剪所得的图像块。
进一步地，所述将剪裁所得的图像进行数据增强，包括：对原始数据在左右翻转、锐度调整、饱和度调整、亮度调整、对比度调整、仿射变换、弹性变换这七种方法中随机选择并随机组合后先后顺序进行数据增强，每种数据增强的方式都以同样的概率被选择。
进一步地，所述通过对彩色图像进行双边滤波，并计算与原始图像的残差以提取图像的高频特征图，包括：使用双边滤波器对彩色图像进行双边滤波，所得图像视为低频图像，然后与原始图像作差，得到残差图，将残差图数值放大并截断0至255范围外的数值，所得结果视为高频特征图。
进一步地，所述分别将彩色图像与高频特征图输入卷积神经网络，经过输入层的特征提取后进行特征融合，包括：对彩色图像，分别经过卷积核大小为5×5的常规卷积层与三组不同尺度的非对称空洞卷积层，将两部分输出相加后使用激活函数激活，然后经过卷积核大小为7×7的常规卷积层完成彩色图像的输入层特征提取；对高频特征图，使用逆亚像素卷积层进行特征图2倍降采样，然后经过卷积核大小为7×7的常规卷积层完成高频特征图的输入层特征提取；然后将上述两部分特征图拼接在一起。
进一步地，所述构建面部瑕疵检测的卷积神经网络模型，在浅层卷积模块中加入基于多尺度非对称空洞卷积改进的SE模块，包括：使用以ResNet101为骨架模型的DeepLab-v3+卷积神经网络构建面部瑕疵检测模型，并在ResNet的残差模块Bottleneck中加入通道注意力机制SE模块，在浅层的神经网络中，对SE模块进行改进，在输入特征图与注意力权重向量相乘之前，对该模块的输入特征图使用多尺度非对称空洞卷积以编码多尺度上下文信息。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
本发明提供一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，克服了传统基于手工提取特征的检测算法判别能力不足的缺点，弥补了现有基于卷积神经网络的算法没有充分利用频域信息以及浅层特征多尺度信息的缺陷。通过卷积神经网络和双边滤波的结合，在频域信息和多尺度信息的指导下，本发明可以有效地回归出图像每一像素点属于瑕疵的概率，从而得到更好的面部瑕疵检测结果。
附图说明
图1是本发明基于卷积神经网络和双边滤波的面部瑕疵检测方法流程图。
具体实施方式
如图1所示，一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，包括以下步骤：
S1、为人脸图像数据标注真实标签以用于卷积神经网络的训练；
S2、对训练样本进行随机裁剪，并对瑕疵区域进行过采样；
S3、将剪裁所得的图像进行数据增强；
S4、通过对彩色图像进行双边滤波，并计算与原始图像的残差以提取图像的高频特征图；
S5、分别将彩色图像与高频特征图输入卷积神经网络，经过输入层的特征提取后进行特征融合；
S6、构建面部瑕疵检测的卷积神经网络模型，在浅层卷积模块中加入基于多尺度非对称空洞卷积改进的SE模块。
步骤S1中，为CelebA-HQ高清人脸数据集中的图像标注像素级二分类真实标签，瑕疵区域标注为1，非瑕疵区域标注为0。将痣、粉刺、痤疮、色斑、雀斑等与周围正常皮肤在纹理或颜色上有明显差异的区域标注为瑕疵。在原始人脸数据集CelebA-HQ中，共挑选并标注了5600张带有面部瑕疵的人脸图像，按5:1:1的比例划分训练集、验证集和测试集，即训练集包含4000张图像，验证集和测试集各包含800张图像。
步骤S2中，对原始大小为1024×1024像素的训练样本进行随机裁剪，在原图中随机裁剪出512×512像素的图像块作为输入样本，满足卷积神经网络的输入大小；若随机裁剪所得图像块中不包含瑕疵区域或包含的瑕疵区域少于100个像素，则重新进行随机裁剪；若重复次数达到10次，则使用最后一次随机裁剪所得的图像块；对瑕疵区域过采样可在一定程度上减小样本的不均衡问题给小目标检测带来的困难。
步骤S3中，对原始数据在左右翻转、锐度调整、饱和度调整、亮度调整、对比度调整、仿射变换、弹性变换这七种方法中随机选择并随机组合先后顺序进行数据增强，每种数据增强的方式都以0.5的概率被选中；其中图像锐度、图像饱和度、图像亮度、图像对比度若被选择，则将原图的相应属性随机调整为原图的0.8至1.2倍；放射变换若被选择，则将原图的长宽分别随机缩放为原图的0.9至1.1倍，然后随机旋转-15度至15度；弹性变换若被选择，则进行弹性系数为20，变形强度控制因子为100的弹性形变增强。
步骤S4中，通过对彩色图像进行双边滤波，并计算与原始图像的残差以提取图像的高频特征图，包括：
在点p处，双边滤波定义为：
Figure BDA0002670647880000051
其中
Figure BDA0002670647880000052
其中Iq为输入图像，
Figure BDA0002670647880000053
为双边滤波后的图像，Gσ为高斯滤波核，s代表空间域，r代表像素范围域，p和q分别为空间域中的两个像素点。我们将σs和σr均设为75，使用双边滤波器对彩色图像进行双边滤波，平滑图像，所得图像可视为低频图像。
将低频图像与原始图像作差，得到残差图，将残差图每一点的值放大至5倍，然后将0至255范围外的数值截断，将所得结果视为高频特征图。
步骤S5中，分别将彩色图像与高频特征图输入卷积神经网络，经过输入层的特征提取后进行特征融合，包括：
对彩色图像，分别经过卷积核大小为5×5的常规卷积层与三组不同尺度的非对称空洞卷积层；卷积核大小为5×5的常规卷积层输入为3通道512×512像素彩色图像，卷积核步长设置为1，卷积核个数设置为64，则输出为64通道512×512像素的特征图，之后使用batchnorm层进行批标准化；每一组非对称空洞卷积包含一个卷积核大小为1×3的非对称卷积层和一个卷积核大小为1×3的非对称卷积层，卷积核步长设置为n，同时卷积核空洞率也设置为n，卷积核个数设置为64，输入图像分别输入两个卷积核，将得到的输出相加后使用batchnorm层进行批标准化；我们将三组非对称空洞卷积层的n分别设置为4、8、12，输入均为3通道512×512像素彩色图像，输出均为64通道512×512像素的特征图，将这三部分特征图与5×5的常规卷积层的输出四部分对应通道相加得到64通道512×512像素的特征图，然后使用ReLU激活函数激活；最后使用卷积核大小为7×7的常规卷积层，输入为64通道512×512像素的特征图，卷积核步长设置为2，进行2倍下采样，卷积核个数设置为48，输出为48通道256×256像素的特征图，之后使用batchnorm层进行批标准化，完成彩色图像部分输入层特征提取。
高频特征图，使用尺度为2的逆亚像素卷积进行2倍降采样，将3通道512×512像素的高频特征图，拆分为12通道256×256像素的特征图；然后使用卷积核大小为7×7的常规卷积层，输入为12通道256×256像素的特征图，卷积核步长设置为1，卷积核个数设置为16，输出为16通道256×256像素的特征图，之后使用batchnorm层进行批标准化，完成高频特征图部分输入层特征提取。
将彩色图像经过输入层特征提取后的48通道256×256像素特征图与高频特征图经过输入层特征提取后的16通道256×256像素特征图拼接为64通道256×256像素特征图；该特征图尺寸符合现有的主流卷积神经网络的输入尺寸。
步骤S6中，构建面部瑕疵检测的卷积神经网络模型，在浅层卷积模块中加入基于多尺度非对称空洞卷积改进的SE模块，包括：
使用以ResNet101为骨架模型的DeepLab-v3+卷积神经网络构建面部瑕疵检测模型，并在ResNet的残差模块Bottleneck中加入通道注意力机制SE模块；ResNet101的编码器部分共4个尺度的卷积模块，每一个卷积模块中都堆叠了一定数量的Bottleneck，从大尺度到小尺度，堆叠的个数分别为3、4、23、3；在每一个Bottleneck的输出前，加入通道注意力机制SE模块。
在浅层神经网络中，即在前两个尺度的Bottleneck中，对SE模块进行改进，在输入特征图与注意力权重向量相乘之前，对该模块的输入特征图使用多尺度非对称空洞卷积以编码多尺度上下文信息；每一组非对称空洞卷积包含一个卷积核大小为1×3的非对称卷积层和一个卷积核大小为1×3的非对称卷积层，卷积核步长设置为n，同时卷积核空洞率也设置为n，卷积核个数与输入特征图通道数保持一致，输入图像分别输入两个卷积核，将得到的输出相加后使用batchnorm层进行批标准化，输入特征图经过每一组非对称空洞卷积层后通道数和大小均保持不变；在第一个卷积模块中，我们为每个Bottleneck中的SE模块加入4组非对称空洞卷积，n分别为3、5、7、9，将4组非对称空洞卷积后的特征图相加后与注意力权重向量相乘；在第二个卷积模块中，我们为每个Bottleneck中的SE模块加入3组非对称空洞卷积，n分别为3、5、7，将3组非对称空洞卷积后的特征图相加后与注意力权重向量相乘。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，其特征是，包括以下步骤：
步骤一、为人脸图像数据标注真实标签以用于卷积神经网络的训练；
步骤二、对训练样本进行随机裁剪，并对瑕疵区域进行过采样；
步骤三、将剪裁所得的图像进行数据增强；
步骤四、通过对彩色图像进行双边滤波，并计算与原始图像的残差以提取图像的高频特征图；
步骤五、分别将彩色图像与高频特征图输入卷积神经网络，经过输入层的特征提取后进行特征融合；
步骤六、构建面部瑕疵检测的卷积神经网络模型，在浅层卷积模块中加入基于多尺度非对称空洞卷积改进的SE模块。
2.如权利要求1所述的一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，其特征是，所述步骤一中为人脸图像数据标注真实标签，具体为：为CelebA-HQ高清人脸数据集中的图像标注像素级二分类真实标签，将与周围正常皮肤在纹理或颜色上有明显差异的区域标注为瑕疵区。
3.如权利要求1所述的一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，其特征是，所述步骤二中对训练样本进行随机裁剪，并对瑕疵区域进行过采样，具体为：在原始高清人脸图像中随机裁剪出满足卷积神经网络输入大小的图像块，若随机裁剪所得图像块中不包含瑕疵区域或包含的瑕疵区域过少，则重新进行随机裁剪，若重复次数达到设定次数的上限，则使用最后一次随机裁剪所得的图像块。
4.如权利要求1所述的一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，其特征是，所述步骤三中将剪裁所得的图像进行数据增强，数据增强的方式，具体为：对原始数据在左右翻转、锐度调整、饱和度调整、亮度调整、对比度调整、仿射变换、弹性变换这七种方法中随机选择并随机组合。
5.如权利要求1所述的一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，其特征是，所述步骤四中通过对彩色图像进行双边滤波，并计算与原始图像的残差以提取图像的高频特征图，具体为：使用双边滤波器对彩色图像进行双边滤波，所得图像视为低频图像，然后与原始图像作差，得到残差图，将残差图数值放大并截断0至255范围外的数值，所得结果视为高频特征图。
6.如权利要求1所述的一种基于卷积神经网络和双边滤波的面部瑕疵检测方法，其特征是，所述步骤六中构建面部瑕疵检测的卷积神经网络模型，在浅层卷积模块中加入基于多尺度非对称空洞卷积改进的SE模块，具体为：使用以ResNet101为骨架模型的DeepLab-v3+卷积神经网络构建面部瑕疵检测模型，并在ResNet的残差模块Bottleneck中加入通道注意力机制SE模块，在浅层的神经网络中，对SE模块进行改进，在输入特征图与注意力权重向量相乘之前，对该模块的输入特征图使用多尺度非对称空洞卷积以编码多尺度上下文信息。
CN202010932329.7A 2020-09-08 2020-09-08 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 Active CN112070158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010932329.7A CN112070158B (zh) 2020-09-08 2020-09-08 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010932329.7A CN112070158B (zh) 2020-09-08 2020-09-08 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法

Publications (2)

Publication Number Publication Date
CN112070158A true CN112070158A (zh) 2020-12-11
CN112070158B CN112070158B (zh) 2022-11-15

Family

ID=73664076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010932329.7A Active CN112070158B (zh) 2020-09-08 2020-09-08 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法

Country Status (1)

Country Link
CN (1) CN112070158B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597885A (zh) * 2020-12-22 2021-04-02 北京华捷艾米科技有限公司 人脸活体检测方法、装置、电子设备及计算机存储介质
CN112686869A (zh) * 2020-12-31 2021-04-20 上海智臻智能网络科技股份有限公司 一种布匹瑕疵检测方法及其装置
CN112733624A (zh) * 2020-12-26 2021-04-30 电子科技大学 室内密集场景的人流密度检测方法、系统存储介质及终端
CN112883890A (zh) * 2021-03-02 2021-06-01 中山大学 基于ACBlock的深度卷积神经网络信息取证方法
CN113205055A (zh) * 2021-05-11 2021-08-03 北京知见生命科技有限公司 基于多尺度注意力机制的真菌显微图像分类方法及系统
CN113709504A (zh) * 2021-10-27 2021-11-26 深圳传音控股股份有限公司 图像处理方法、智能终端及可读存储介质
CN115067945A (zh) * 2022-08-22 2022-09-20 深圳市海清视讯科技有限公司 疲劳检测方法、装置、设备及存储介质
CN116993714A (zh) * 2023-08-30 2023-11-03 深圳伯德睿捷健康科技有限公司 皮肤检测方法、系统及计算机可读存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875391A (zh) * 2017-03-02 2017-06-20 深圳可思美科技有限公司 皮肤图像的识别方法及电子设备
CN107369133A (zh) * 2016-05-13 2017-11-21 炬芯（珠海）科技有限公司 一种人脸图像美化方法和装置
CN109300090A (zh) * 2018-08-28 2019-02-01 哈尔滨工业大学（威海） 一种基于亚像素和条件对抗生成网络的单幅图像去雾方法
CN109492711A (zh) * 2018-12-07 2019-03-19 杭州电子科技大学 基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110008925A (zh) * 2019-04-15 2019-07-12 中国医学科学院皮肤病医院 一种基于集成学习的皮肤自动检测方法
CN110232404A (zh) * 2019-05-21 2019-09-13 江苏理工学院 一种基于机器学习的工业产品表面瑕疵识别方法及装置
CN110310259A (zh) * 2019-06-19 2019-10-08 江南大学 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN110930387A (zh) * 2019-11-21 2020-03-27 中原工学院 基于深度可分离卷积神经网络的织物疵点检测方法
CN111091134A (zh) * 2019-11-14 2020-05-01 武汉纺织大学 一种基于多特征融合的色纺织物组织结构识别的方法
CN111563533A (zh) * 2020-04-08 2020-08-21 华南理工大学 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107369133A (zh) * 2016-05-13 2017-11-21 炬芯（珠海）科技有限公司 一种人脸图像美化方法和装置
CN106875391A (zh) * 2017-03-02 2017-06-20 深圳可思美科技有限公司 皮肤图像的识别方法及电子设备
CN109300090A (zh) * 2018-08-28 2019-02-01 哈尔滨工业大学（威海） 一种基于亚像素和条件对抗生成网络的单幅图像去雾方法
CN109492711A (zh) * 2018-12-07 2019-03-19 杭州电子科技大学 基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110008925A (zh) * 2019-04-15 2019-07-12 中国医学科学院皮肤病医院 一种基于集成学习的皮肤自动检测方法
CN110232404A (zh) * 2019-05-21 2019-09-13 江苏理工学院 一种基于机器学习的工业产品表面瑕疵识别方法及装置
CN110310259A (zh) * 2019-06-19 2019-10-08 江南大学 一种基于改进YOLOv3算法的木结瑕疵检测方法
CN111091134A (zh) * 2019-11-14 2020-05-01 武汉纺织大学 一种基于多特征融合的色纺织物组织结构识别的方法
CN110930387A (zh) * 2019-11-21 2020-03-27 中原工学院 基于深度可分离卷积神经网络的织物疵点检测方法
CN111563533A (zh) * 2020-04-08 2020-08-21 华南理工大学 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN111612758A (zh) * 2020-05-19 2020-09-01 南京航空航天大学 一种基于卷积神经网络的隧道表面缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M. MATSUMOTO ET AL.: "Self-quotient Referential Bilateral Filter and Its Application to Real-Time Face Beautification System", 《INTERNATIONAL JOURNAL OF COMPUTER AND ELECTRICAL ENGINEERING》 *
MANU GOYAL ET AL.: "Skin Lesion Segmentation in Dermoscopic Images With Ensemble Deep Learning Methods", 《IEEE ACCESS》 *
邱佳梁 等: "结合肤色分割与平滑的人脸图像快速美化", 《中国图象图形学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112597885A (zh) * 2020-12-22 2021-04-02 北京华捷艾米科技有限公司 人脸活体检测方法、装置、电子设备及计算机存储介质
CN112733624A (zh) * 2020-12-26 2021-04-30 电子科技大学 室内密集场景的人流密度检测方法、系统存储介质及终端
CN112686869A (zh) * 2020-12-31 2021-04-20 上海智臻智能网络科技股份有限公司 一种布匹瑕疵检测方法及其装置
CN112883890A (zh) * 2021-03-02 2021-06-01 中山大学 基于ACBlock的深度卷积神经网络信息取证方法
CN112883890B (zh) * 2021-03-02 2022-08-12 中山大学 基于ACBlock的深度卷积神经网络信息取证方法
CN113205055A (zh) * 2021-05-11 2021-08-03 北京知见生命科技有限公司 基于多尺度注意力机制的真菌显微图像分类方法及系统
CN113205055B (zh) * 2021-05-11 2024-06-25 重庆知见生命科技有限公司 基于多尺度注意力机制的真菌显微图像分类方法及系统
CN113709504A (zh) * 2021-10-27 2021-11-26 深圳传音控股股份有限公司 图像处理方法、智能终端及可读存储介质
CN115067945A (zh) * 2022-08-22 2022-09-20 深圳市海清视讯科技有限公司 疲劳检测方法、装置、设备及存储介质
CN116993714A (zh) * 2023-08-30 2023-11-03 深圳伯德睿捷健康科技有限公司 皮肤检测方法、系统及计算机可读存储介质

Also Published As

Publication number Publication date
CN112070158B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN112070158B (zh) 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN109543606B (zh) 一种加入注意力机制的人脸识别方法
CN107564025B (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN108765408B (zh) 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统
CN108961235B (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN104050471B (zh) 一种自然场景文字检测方法及系统
CN113011357B (zh) 基于时空融合的深度伪造人脸视频定位方法
CN107909005A (zh) 基于深度学习的监控场景下人物姿态识别方法
CN107844795A (zh) 基于主成分分析的卷积神经网络特征提取方法
CN110163069B (zh) 用于辅助驾驶的车道线检测方法
CN110827260B (zh) 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法
Funk et al. Beyond planar symmetry: Modeling human perception of reflection and rotation symmetries in the wild
CN109359527B (zh) 基于神经网络的头发区域提取方法及系统
CN110599502B (zh) 一种基于深度学习的皮肤病变分割方法
CN113112416B (zh) 一种语义引导的人脸图像修复方法
CN113506239B (zh) 一种基于跨阶段局部网络的带钢表面缺陷检测方法
CN112070727A (zh) 一种基于机器学习的金属表面缺陷检测方法
CN111429416A (zh) 一种人脸色素斑识别方法、装置及电子设备
CN109508640A (zh) 一种人群情感分析方法、装置和存储介质
Majumder et al. A tale of a deep learning approach to image forgery detection
Shen et al. Digital forensics for recoloring via convolutional neural network
CN110728238A (zh) 一种融合型神经网络的人员再检测方法
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN111881803B (zh) 一种基于改进YOLOv3的畜脸识别方法

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