CN112395986A - 一种新场景快速迁移且防遗忘的人脸识别方法 - Google Patents
一种新场景快速迁移且防遗忘的人脸识别方法 Download PDFInfo
- Publication number
- CN112395986A CN112395986A CN202011290913.3A CN202011290913A CN112395986A CN 112395986 A CN112395986 A CN 112395986A CN 202011290913 A CN202011290913 A CN 202011290913A CN 112395986 A CN112395986 A CN 112395986A
- Authority
- CN
- China
- Prior art keywords
- face
- source domain
- category
- face recognition
- domain
- 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 36
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000013508 migration Methods 0.000 claims abstract description 15
- 230000005012 migration Effects 0.000 claims abstract description 15
- 238000013526 transfer learning Methods 0.000 claims abstract description 14
- 230000002265 prevention Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 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
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric 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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种新场景快速迁移且防遗忘的人脸识别方法,S1:获取源域的人脸图像,并对源域的人脸图像进行人脸检测和人脸关键点检测,得到源域的人脸关键点;S2:对源域的人脸图像进行处理,得到源域的人脸切图;S3:构建神经网络模型,并对神经网络模型进行训练,得到预训练好的源域人脸识别模型;S4:获取目标域的人脸切图,并对预训练好的源域人脸识别模型进行迁移学习训练,得到保留源域性能的目标域人脸识别模型。本发明提供一种新场景快速迁移且防遗忘的人脸识别方法,解决了目前的人脸识别方法不能高效地应对多个不断出现的新场景的问题。
Description
技术领域
本发明涉及人脸识别技术领域,更具体的,涉及一种新场景快速迁移且防遗忘的人脸识别方法。
背景技术
在目前大部分的人脸识别方法中,基本都是单个场景下的数据进行的理论研究。然而在实际情况中,常常面对的是众多特定场景下的人脸识别问题。为了解决这一问题,通常的方法是需要针对每个特定的场景来训练得到专门针对该场景的人脸识别模型。这种多模型的方式显然十分费时费力。为此,目前常用的一种方法是直接使用目标域场景的数据在源域的模型下进行微调,但是这会使得最终的模型在源域场景下的识别性能急剧下降,出现灾难性遗忘现象。另一种方法是采用全部的源域数据和目标域数据进行联合训练。这样虽然能够保证源域和目标域的识别性能都很高,但是会消耗大量的训练时间和数据存储空间。因为每当遇到一个新的场景时,就需要重新使用之前场景的所有数据和当前目标场景的新数据来从头训练模型才能保证最终的模型在各个场景下的性能都很高。因此,目前的人脸识别方法不能高效地应对多个不断出现的新场景。
现有技术中,如2019年05月28日公开的中国专利,基于卷积神经网络的人脸识别方法,公开号为CN109815929A,提供了复杂环境下,高安全系数,高识别精准度且识别速度快的基于卷积神经网络的人脸识别方法,但不能高效地应对多个不断出现的新场景。
发明内容
本发明为克服目前的人脸识别方法不能高效地应对多个不断出现的新场景的技术缺陷,提供一种新场景快速迁移且防遗忘的人脸识别方法。
为解决上述技术问题,本发明的技术方案如下:
一种新场景快速迁移且防遗忘的人脸识别方法,包括以下步骤:
S1:获取源域的人脸图像,并对源域的人脸图像进行人脸检测和人脸关键点检测,得到源域的人脸关键点;
S2:根据源域的人脸关键点对源域的人脸图像进行处理,得到源域的人脸切图;
S3:构建神经网络模型,并利用源域的人脸切图对神经网络模型进行训练,得到预训练好的源域人脸识别模型;
S4:获取目标域的人脸切图,并利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练,得到保留源域性能的目标域人脸识别模型,通过目标域人脸识别模型实现新场景快速迁移且防遗忘的人脸识别。
上述方案中,通过利用源域的人脸切图训练神经网络模型得到预训练好的源域人脸识别模型,再利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练,得到保留源域性能的目标域人脸识别模型;保留源域性能的目标域人脸识别模型能够高效地应对多个不断出现的新场景,从而快速提高新场景下的识别性能,同时保留之前场景下的识别性能基本不下降。
优选的,在步骤S2中,对人脸图像的处理包括:旋转、缩放、平移和裁剪。
优选的,在步骤S3中,所述神经网络模型包括特征提取器和分类层,特征提取器通过从人脸切图中提取特征得到特征层。
优选的,在步骤S3中,利用源域的人脸切图对神经网络模型进行训练包括以下步骤:
S3.1:通过神经网络模型的特征提取器提取源域的人脸切图的特征;
S3.2:计算步骤S3.1提取得到的特征的损失;
S3.3:判断损失是否收敛;
若是,则完成对神经网络模型的训练;若否,则更新神经网络模型的参数,并返回步骤S3.2。
优选的,在进行迁移学习训练之前还包括提取预训练好的源域人脸识别模型的分类层中的类别权重作为源域类别特征。
优选的,利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练包括以下步骤:
S4.1.1:通过预训练好的源域人脸识别模型提取目标域的人脸切图的特征,得到目标域类别特征层;
S4.1.2:将源域类别特征注入目标域类别特征层中,得到拓展特征层;
S4.1.3:将拓展特征层通过分类层得到激活值,并对预训练好的源域人脸识别模型进行训练。
优选的,利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练包括以下步骤:
S4.2.1:通过预训练好的源域人脸识别模型按照源域的人脸切图的类别提取出各类别的方向特征;
S4.2.2:将各类别的方向特征分别与对应的源域类别特征相加,得到各类别的虚拟样本特征;
S4.2.3:通过预训练好的源域人脸识别模型提取目标域的人脸切图的特征,得到目标域类别特征层;
S4.2.4:将各类别的虚拟样本特征注入目标域类别特征层中,得到拓展特征层;
S4.2.5:将拓展特征层通过分类层得到激活值,并对预训练好的源域人脸识别模型进行训练。
优选的,步骤S4.2.1具体为:
S4.2.1.1:使用预训练好的源域人脸识别模型提取所有源域的人脸切图的特征;
S4.2.1.2:按照源域的人脸切图的类别将步骤S4.2.1.1提取的特征进行分类,并求取每类特征的平均值,得到每个类别的类别中心;
S4.2.1.3:分别计算各个类别的每个特征与其类别中心的差值,对应得到各类别的方向特征。
优选的,对预训练好的源域人脸识别模型进行训练包括以下步骤:计算拓展特征层的损失,并判断损失是否收敛;若是,则完成对预训练好的源域人脸识别模型的训练;若否,则更新预训练好的源域人脸识别模型的参数,并重新计算拓展特征层的损失和判断损失是否收敛。
优选的,采用分类损失函数计算损失。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供了一种新场景快速迁移且防遗忘的人脸识别方法,通过利用源域的人脸切图训练神经网络模型得到预训练好的源域人脸识别模型,再利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练,得到保留源域性能的目标域人脸识别模型;保留源域性能的目标域人脸识别模型能够高效地应对多个不断出现的新场景,从而快速提高新场景下的识别性能,同时保留之前场景下的识别性能基本不下降。
附图说明
图1为本发明中实施例1的步骤流程图;
图2为本发明中利用源域的人脸切图对神经网络模型进行训练的步骤流程图;
图3为本发明中实施例2的迁移学习训练的步骤流程图;
图4为本发明中实施例2的流程示意图;
图5为本发明中实施例3的迁移学习训练的步骤流程图;
图6为本发明中实施例3的流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,一种新场景快速迁移且防遗忘的人脸识别方法,包括以下步骤:
S1:获取源域的人脸图像,并对源域的人脸图像进行人脸检测和人脸关键点检测,得到源域的人脸关键点;
S2:根据源域的人脸关键点对源域的人脸图像进行处理,得到源域的人脸切图;
S3:构建神经网络模型,并利用源域的人脸切图对神经网络模型进行训练,得到预训练好的源域人脸识别模型;
S4:获取目标域的人脸切图,并利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练,得到保留源域性能的目标域人脸识别模型,通过目标域人脸识别模型实现新场景快速迁移且防遗忘的人脸识别。
更具体的,在步骤S2中,对人脸图像的处理包括:旋转、缩放、平移和裁剪。
在具体实施过程中,对所有源域的人脸图像进行人脸检测和人脸关键点检测得到二十五个源域的人脸关键点,按照源域的人脸关键点位置对齐人脸图像中的人脸,其中包含旋转、缩放、平移等操作,并且将人脸图像裁剪成预先设定的大小(如120*120)。
更具体的,在步骤S3中,所述神经网络模型包括特征提取器和分类层,特征提取器通过从人脸切图中提取特征得到特征层。
更具体的,如图2所示,在步骤S3中,利用源域的人脸切图对神经网络模型进行训练包括以下步骤:
S3.1:通过神经网络模型的特征提取器提取源域的人脸切图的特征;
S3.2:计算步骤S3.1提取得到的特征的损失;
S3.3:判断损失是否收敛;
若是,则完成对神经网络模型的训练;若否,则更新神经网络模型的参数,并返回步骤S3.2。
在具体实施过程中,采用分类损失函数softmax loss计算损失,损失收敛,则完成对神经网络模型的训练,得到预训练好的源域人脸识别模型;损失不收敛,则更新神经网络模型的参数,并重新计算损失和判断损失是否收敛。
更具体的,在进行迁移学习训练之前还包括提取预训练好的源域人脸识别模型的分类层中的类别权重作为源域类别特征cj,其中j为第一类别标号。
实施例2
本实施例在实施例1的基础上实现,更具体的,如图3-4所示,利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练包括以下步骤:
S4.1.1:通过预训练好的源域人脸识别模型提取目标域的人脸切图的特征,得到目标域类别特征层Ft;
S4.1.2:将源域类别特征cj注入目标域类别特征层Ft中,得到拓展特征层F=[Ft,Fs],此处Fs=[c1,c2,c3,…,cn],n为类别总数;
S4.1.3:将拓展特征层F通过分类层得到激活值,并对预训练好的源域人脸识别模型进行训练。
在具体实施过程中,通过将源域类别特征注入目标域类别特征层中,使得预训练好的源域人脸识别模型在目标域数据训练的同时获得源域的类间信息,使得迁移之后不遗忘源域的场景,保留源域的识别性能。
实施例3
本实施例在实施例1的基础上实现,更具体的,如图5-6所示,利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练包括以下步骤:
S4.2.1:通过预训练好的源域人脸识别模型按照源域的人脸切图的类别提取出各类别的方向特征directi=[di 1,di 2,di 3,…,di m],其中i为第二类别标号,m为源域类别i的样本数;
S4.2.2:将各类别的方向特征directi分别与对应的源域类别特征cj相加,得到各类别的虚拟样本特征fj=cj+directi,从而得到源域上所有类的虚拟样本特征集合Fs=[f1,f2,f3,…,fn],其中n为类别总数;
S4.2.3:通过预训练好的源域人脸识别模型提取目标域的人脸切图的特征,得到目标域类别特征层Ft;
S4.2.4:将各类别的虚拟样本特征注入目标域类别特征层中,得到拓展特征层F=[Ft,Fs];
S4.2.5:将拓展特征层F通过分类层得到激活值,并对预训练好的源域人脸识别模型进行训练。
在具体实施过程中,将各类别的虚拟样本特征注入目标域类别特征层中,使特征层不仅拥有目标域数据提取的特征,还有源域的类别特征,之后将拓展特征层通过分类层和损失函数对预训练好的源域人脸识别模型进行训练,使得预训练好的源域人脸识别模型在目标域数据训练的同时获得源域的类间信息,使得迁移之后不遗忘源域的场景,保留源域的识别性能。
实施例3与实施例2的区别在于利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练的步骤不同。在实施例2中,通过将源域类别特征注入目标域类别特征层中得到拓展特征层;而在实施例3中,通过提取出各类别的方向特征,再将各类别的方向特征分别与对应的源域类别特征相加,得到各类别的虚拟样本特征,然后将各类别的虚拟样本特征注入目标域类别特征层中,得到拓展特征层。实施例2和实施例3都能使得迁移之后不遗忘源域的场景,保留源域的识别性能;而且相比之下,实施例3注入的特征更加丰富,识别精度更高。
更具体的,步骤S4.2.1具体为:
S4.2.1.1:使用预训练好的源域人脸识别模型提取所有源域的人脸切图的特征;
S4.2.1.2:按照源域的人脸切图的类别将步骤S4.2.1.1提取的特征进行分类,并求取每类特征的平均值,得到每个类别的类别中心;
S4.2.1.3:分别计算各个类别的每个特征与其类别中心的差值,对应得到各类别的方向特征directi=[di 1,di 2,di 3,…,di m],其中i为类别标号,m为源域类别i的样本数。
实施例4
更具体的,对预训练好的源域人脸识别模型进行训练包括以下步骤:计算拓展特征层的损失,并判断损失是否收敛;若是,则完成对预训练好的源域人脸识别模型的训练;若否,则更新预训练好的源域人脸识别模型的参数,并重新计算拓展特征层的损失和判断损失是否收敛。
更具体的,采用分类损失函数计算损失。
在具体实施过程中,采用分类损失函数softmax loss计算损失。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,包括以下步骤:
S1:获取源域的人脸图像,并对源域的人脸图像进行人脸检测和人脸关键点检测,得到源域的人脸关键点;
S2:根据源域的人脸关键点对源域的人脸图像进行处理,得到源域的人脸切图;
S3:构建神经网络模型,并利用源域的人脸切图对神经网络模型进行训练,得到预训练好的源域人脸识别模型;
S4:获取目标域的人脸切图,并利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练,得到保留源域性能的目标域人脸识别模型,通过目标域人脸识别模型实现新场景快速迁移且防遗忘的人脸识别。
2.根据权利要求1所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,在步骤S2中,对人脸图像的处理包括:旋转、缩放、平移和裁剪。
3.根据权利要求1所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,在步骤S3中,所述神经网络模型包括特征提取器和分类层,特征提取器通过从人脸切图中提取特征得到特征层。
4.根据权利要求3所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,在步骤S3中,利用源域的人脸切图对神经网络模型进行训练包括以下步骤:
S3.1:通过神经网络模型的特征提取器提取源域的人脸切图的特征;
S3.2:计算步骤S3.1提取得到的特征的损失;
S3.3:判断损失是否收敛;
若是,则完成对神经网络模型的训练;若否,则更新神经网络模型的参数,并返回步骤S3.2。
5.根据权利要求3所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,在进行迁移学习训练之前还包括提取预训练好的源域人脸识别模型的分类层中的类别权重作为源域类别特征。
6.根据权利要求5所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练包括以下步骤:
S4.1.1:通过预训练好的源域人脸识别模型提取目标域的人脸切图的特征,得到目标域类别特征层;
S4.1.2:将源域类别特征注入目标域类别特征层中,得到拓展特征层;
S4.1.3:将拓展特征层通过分类层得到激活值,并对预训练好的源域人脸识别模型进行训练。
7.根据权利要求5所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,利用目标域的人脸切图对预训练好的源域人脸识别模型进行迁移学习训练包括以下步骤:
S4.2.1:通过预训练好的源域人脸识别模型按照源域的人脸切图的类别提取出各类别的方向特征;
S4.2.2:将各类别的方向特征分别与对应的源域类别特征相加,得到各类别的虚拟样本特征;
S4.2.3:通过预训练好的源域人脸识别模型提取目标域的人脸切图的特征,得到目标域类别特征层;
S4.2.4:将各类别的虚拟样本特征注入目标域类别特征层中,得到拓展特征层;
S4.2.5:将拓展特征层通过分类层得到激活值,并对预训练好的源域人脸识别模型进行训练。
8.根据权利要求7所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,步骤S4.2.1具体为:
S4.2.1.1:使用预训练好的源域人脸识别模型提取所有源域的人脸切图的特征;
S4.2.1.2:按照源域的人脸切图的类别将步骤S4.2.1.1提取的特征进行分类,并求取每类特征的平均值,得到每个类别的类别中心;
S4.2.1.3:分别计算各个类别的每个特征与其类别中心的差值,对应得到各类别的方向特征。
9.根据权利要求6或7所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,对预训练好的源域人脸识别模型进行训练包括以下步骤:计算拓展特征层的损失,并判断损失是否收敛;若是,则完成对预训练好的源域人脸识别模型的训练;若否,则更新预训练好的源域人脸识别模型的参数,并重新计算拓展特征层的损失和判断损失是否收敛。
10.根据权利要求9所述的一种新场景快速迁移且防遗忘的人脸识别方法,其特征在于,采用分类损失函数计算损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290913.3A CN112395986B (zh) | 2020-11-17 | 2020-11-17 | 一种新场景快速迁移且防遗忘的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290913.3A CN112395986B (zh) | 2020-11-17 | 2020-11-17 | 一种新场景快速迁移且防遗忘的人脸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395986A true CN112395986A (zh) | 2021-02-23 |
CN112395986B CN112395986B (zh) | 2024-04-26 |
Family
ID=74606435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290913.3A Active CN112395986B (zh) | 2020-11-17 | 2020-11-17 | 一种新场景快速迁移且防遗忘的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395986B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005015A (zh) * | 2021-12-28 | 2022-02-01 | 北京的卢深视科技有限公司 | 模型训练方法、电子设备和计算机可读存储介质 |
CN114550215A (zh) * | 2022-02-25 | 2022-05-27 | 北京拙河科技有限公司 | 一种基于迁移学习的目标检测方法及系统 |
WO2023125654A1 (zh) * | 2021-12-29 | 2023-07-06 | 杭州海康威视数字技术股份有限公司 | 人脸识别模型的训练方法、装置、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159021A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 特征提取方法、装置与模式识别方法、装置 |
US20190325861A1 (en) * | 2018-04-18 | 2019-10-24 | Maneesh Kumar Singh | Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques |
CN110399856A (zh) * | 2019-07-31 | 2019-11-01 | 上海商汤临港智能科技有限公司 | 特征提取网络训练方法、图像处理方法、装置及其设备 |
CN110569985A (zh) * | 2019-03-09 | 2019-12-13 | 华南理工大学 | 基于在线和离线决策集成学习的在线异构迁移学习的方法 |
CN110569780A (zh) * | 2019-09-03 | 2019-12-13 | 北京清帆科技有限公司 | 一种基于深度迁移学习的高精度人脸识别方法 |
CN110738071A (zh) * | 2018-07-18 | 2020-01-31 | 浙江中正智能科技有限公司 | 一种基于深度学习和迁移学习的人脸算法模型训练方法 |
CN110837865A (zh) * | 2019-11-08 | 2020-02-25 | 北京计算机技术及应用研究所 | 一种基于表示学习和迁移学习的领域适配方法 |
CN111652121A (zh) * | 2020-06-01 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种表情迁移模型的训练方法、表情迁移的方法及装置 |
CN111695522A (zh) * | 2020-06-15 | 2020-09-22 | 重庆邮电大学 | 一种平面内的旋转不变人脸检测方法、装置及存储介质 |
-
2020
- 2020-11-17 CN CN202011290913.3A patent/CN112395986B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159021A (zh) * | 2007-11-29 | 2008-04-09 | 北京中星微电子有限公司 | 特征提取方法、装置与模式识别方法、装置 |
US20190325861A1 (en) * | 2018-04-18 | 2019-10-24 | Maneesh Kumar Singh | Systems and Methods for Automatic Speech Recognition Using Domain Adaptation Techniques |
CN110738071A (zh) * | 2018-07-18 | 2020-01-31 | 浙江中正智能科技有限公司 | 一种基于深度学习和迁移学习的人脸算法模型训练方法 |
CN110569985A (zh) * | 2019-03-09 | 2019-12-13 | 华南理工大学 | 基于在线和离线决策集成学习的在线异构迁移学习的方法 |
CN110399856A (zh) * | 2019-07-31 | 2019-11-01 | 上海商汤临港智能科技有限公司 | 特征提取网络训练方法、图像处理方法、装置及其设备 |
CN110569780A (zh) * | 2019-09-03 | 2019-12-13 | 北京清帆科技有限公司 | 一种基于深度迁移学习的高精度人脸识别方法 |
CN110837865A (zh) * | 2019-11-08 | 2020-02-25 | 北京计算机技术及应用研究所 | 一种基于表示学习和迁移学习的领域适配方法 |
CN111652121A (zh) * | 2020-06-01 | 2020-09-11 | 腾讯科技(深圳)有限公司 | 一种表情迁移模型的训练方法、表情迁移的方法及装置 |
CN111695522A (zh) * | 2020-06-15 | 2020-09-22 | 重庆邮电大学 | 一种平面内的旋转不变人脸检测方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
MUHAMMAD ABDULLAH JAMAL等: "Deep Face Detector Adaptation Without Negative Transfer or Catastrophic Forgetting", PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR), 2018, pages 5608 - 5618 * |
胡佃敏: "基于深度学习的人脸属性识别研究与应用", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 138 - 1224 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114005015A (zh) * | 2021-12-28 | 2022-02-01 | 北京的卢深视科技有限公司 | 模型训练方法、电子设备和计算机可读存储介质 |
WO2023125654A1 (zh) * | 2021-12-29 | 2023-07-06 | 杭州海康威视数字技术股份有限公司 | 人脸识别模型的训练方法、装置、电子设备及存储介质 |
CN114550215A (zh) * | 2022-02-25 | 2022-05-27 | 北京拙河科技有限公司 | 一种基于迁移学习的目标检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112395986B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395986A (zh) | 一种新场景快速迁移且防遗忘的人脸识别方法 | |
CN107833213B (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN106980858B (zh) | 一种语言文本检测与定位系统及应用该系统的语言文本检测与定位方法 | |
Ping et al. | A deep learning approach for street pothole detection | |
CN112016464A (zh) | 检测人脸遮挡的方法、装置、电子设备及存储介质 | |
CN108595558B (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
CN107730553B (zh) | 一种基于伪真值搜寻法的弱监督物体检测方法 | |
CN113052184B (zh) | 一种基于两阶段局部特征对齐的目标检测方法 | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN112257665A (zh) | 图像内容的识别方法、图像识别模型的训练方法及介质 | |
CN117152746B (zh) | 一种基于yolov5网络的宫颈细胞分类参数获取方法 | |
Lv et al. | Nuclei R-CNN: improve mask R-CNN for nuclei segmentation | |
CN116363374B (zh) | 图像语义分割网络持续学习方法、系统、设备及存储介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115427976A (zh) | 利用深度编码器的用于对象检测器的可解释主动学习方法与利用该方法的主动学习设备 | |
EP3702960B1 (en) | Method and device for managing smart database for face recognition based on continual learning | |
Guan et al. | Multi-scale object detection with feature fusion and region objectness network | |
CN113408651B (zh) | 基于局部判别性增强的无监督三维物体分类方法 | |
CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
Luo et al. | Boundary-aware and semiautomatic segmentation of 3-D object in point clouds | |
CN114419584A (zh) | 一种改进的非极大值抑制YOLOv4交通标志识别定位方法 | |
US20220245777A1 (en) | Image processing method, apparatus and device and computer-readable storage medium | |
Cuevas et al. | Image segmentation based on differential evolution optimization | |
CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 |
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 |