CN112507958B - 不同人脸识别模型特征码的转换系统及可读存储介质 - Google Patents
不同人脸识别模型特征码的转换系统及可读存储介质 Download PDFInfo
- Publication number
- CN112507958B CN112507958B CN202011522084.7A CN202011522084A CN112507958B CN 112507958 B CN112507958 B CN 112507958B CN 202011522084 A CN202011522084 A CN 202011522084A CN 112507958 B CN112507958 B CN 112507958B
- Authority
- CN
- China
- Prior art keywords
- face recognition
- repeatable
- conversion system
- layer
- different 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.)
- Active
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了不同人脸识别模型特征码的转换系统,包括从前至后依次连接并封装的M个可重复单块,以及从前至后依次连接后分别与第M个可重复单块、N个可重复单块的输出一一对应连接的数组全连接层和正则化层;数组所述全连接层和正则化层的输出的平均值即为转换系统的输出;任一所述可重复单块由从前至后依次连接并封装的数个全连接模块组成;任一所述全连接模块由从前至后依次连接并封装的全连接层、批归一化层和激活层组成。通过上述方案,本发明具有转换可靠、高效准确、计算工作量少等优点,在计算机机器视觉中的人脸识别技术领域具有很高的实用价值和推广价值。
Description
技术领域
本发明涉及计算机机器视觉中的人脸识别技术领域,尤其是不同人脸识别模型特征码的转换系统及可读存储介质。
背景技术
目前,计算机机器视觉中的人脸识别技术被大量的应用于考勤、安防、视频监控、身份认证等众多领域,人脸识别技术也是计算机机器视觉技术应用最为广泛的技术之一。其中,人脸识别技术的核心之一就是提取人脸图像的特征码。特征码作为核心技术,不同的算法公司一般都会训练独有的人脸识别模型来提取特征码;即便是一家公司,也可能会由于升级等原因更新人脸识别模型。那么,同一张图像,如果由不同的人脸识别模型来提取,得到的特征码一般也是不同的,这种差异就会限制不同模型生成的特征码的相互兼容替换。对于人脸识别系统使用者而言,如果需要替换或者更新人脸识别模型,就需要对系统底库中所有的注册人脸全部由新模型重新生成特征码,且历史记录中保存的特征码也无法再使用,这极大的限制了脸识别系统的灵活性和兼容性。目前,现有技术中暂无不同人脸识别模型之间的特征码转换系统、方法。
因此,急需要提出一种高效、准确的不同人脸识别模型特征码的转换系统及可读存储介质。
需要说明的是,本技术依据的原理为:不同人脸识别模型特征码的转换系统,实质上是需要实现待转换模型特征码与目标模型特征码的连续映射函数。奥地利学者KurtHornik在其1991年的论文
《multilayer feedforward networks are universal approximators》中,从理论上论证了,神经网络可以近似任意连续函数。更进一步的,增加神经网络中神经元的数目,就可以实现任意精度的近似。Zuowei Shen在其2019年报告《Deep Approximation viaDeep Learning》中更深入地研究了现在复杂模型网络之间的映射关系。上述研究给人脸识别模型特征码的转换互通提供了坚实的理论基础。自2012年,以AlexNet为代表的众多神经网络在图像分类,物体检测,人脸识别等机器视觉领域带来了突破性的进展。这些领域的应用,本质上均是用神经网络去近似输入图像与输出结果之间的映射函数。神经网络在这些领域的成功,充份论证了其近似任意连续函数在实际应用时的能力。
发明内容
针对上述问题,本发明的目的在于提供不同人脸识别模型特征码的转换系统及可读存储介质,本发明采用的技术方案如下:
不同人脸识别模型特征码的转换系统,包括从前至后依次连接并封装的M个可重复单块,以及从前至后依次连接后分别与第M个可重复单块、N个可重复单块的输出一一对应连接的数组全连接层和正则化层;所述M为大于1的整数;所述N为小于M、且大于0的整数;数组所述全连接层和正则化层的输出的平均值即为转换系统的输出;
任一所述可重复单块由从前至后依次连接并封装的数个全连接模块组成;任一所述全连接模块由从前至后依次连接并封装的全连接层、批归一化层和激活层组成。
进一步地,所述可重复单块采用残差连接。
进一步地,所述可重复单块中,第一个全连接模块中的第一个全连接层的输出维度小于所在的可重复单块中剩余的全连接层的输出维度。
更进一步地,所述可重复单块中,第一个全连接模块的输出维度为所在的可重复单块中剩余的全连接模块的输出维度的
优选地,所述全连接模块设置3个。
优选地,所述可重复单块设置6个;且第2个可重复单块、第4个可重复单块和第6个可重复单块的输出一一对应连接从前至后依次连接的3组全连接层和正则化层。
不同人脸识别模型特征码的转换系统的转换方法,包括以下步骤:
构建不同人脸识别模型特征码的转换系统;
获取不同人脸识别模型特征码的训练集和验证集;
利用训练集并结合损失函数对转换系统进行训练,得到训练后的转换系统,所述损失函数的表达式为:
l=1-sum(f(inputs)*label)
其中,inputs表示网络的输入的待转换特征码,label表示输入对应的训练标签,即原始人脸图像对应的目标模型生成的特征码;f表示映射函数,*为元素积,sum为求和函数,l为训练的损失值;
利用验证集对训练后的转换系统进行验证。
一种计算机可读存储介质,存储有上述的不同人脸识别模型特征码的转换系统。
与现有技术相比,本发明具有以下有益效果:
(1)本发明依据神经网络具有对任意连续函数,具有任意精度的近似能力的原理,实现不同人脸识别模型的特征码转换。不同人脸识别模型特征码的转换系统,实质上是需要实现待转换模型特征码与目标模型特征码的连续映射函数。奥地利学者Kurt Hornik在其1991年的论文(multilayer feedforward networks are universal approximators)中,从理论上论证了,神经网络可以近似任意连续函数。更进一步的,增加神经网络中神经元的数目,就可以实现任意精度的近似。实际应用时,神经网络受限于网络的计算量,训练样本的数量,模型过拟合,优化难易度等诸多因素的制约,实际精度依赖于模型结构,损失函数函数形式,训练样本数量等众多超参数。本发明构建的神经网络,以全连接层为模型的主体,应用了多输出融合,残差连接,模块化设置,直接优化特征码向量之间的余弦夹角等方式,实现了不同人脸识别模型特征码之间映射函数的高精度近似,从而实现不同人脸识别模型的特征码转换;
(2)本发明巧妙地利用可重复堆叠的全连接层为主体构成的模块,其计算量小,应用时耗时短,消耗的资源少;
(3)本发明在训练时采用损失函数,其等效于直接优化转换后的特征码与目标特征码之间的余弦夹角,与人脸识别系统实际应用时使用特征码的方式一致,有利于提升转换精度;
(4)本发明采用3组全连接层和正则化层作为输出,其输入分别接可重复的单块的输出,并将3组全连接层和正则化层的输出按元素计算平均值,以获得转换后的特征码,等效于使用了3个权重共享的网络,有利于提升结果精度,同时不增加额外的计算量;
综上所述,本发明具有转换可靠、高效准确、计算工作量少等优点,在计算机机器视觉中的人脸识别技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需使用的附图作简单介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对保护范围的限定,对于本领域技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的整体结构示意图。
图2为本发明的全连接模块。
图3为本发明的不带残差连接的可重复的单块示意图。
图4为本发明的带残差连接的可重复的单块示意图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚,下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
实施例
如图1至图4所示,本实施例提供了不同人脸识别模型特征码的转换系统及可读存储介质;其采用计算机可读存储介质存储不同人脸识别模型特征码的转换系统;
下面详细说明本实施例的转方法,其包括以下步骤:
第一步:构建不同人脸识别模型特征码的转换系统;
(1)从前至后按全连接层、批归一化层和激活层顺序连接并封装得到全连接模块;
(2)将数个全连接模块顺序连接得到可重复的单块;其中,可重复单块可使用残差连接的方法,即将单块中最后一个全连接模块的输出,与单块的输入按元素进行相加,作为单块的输出。另外,可重复单块也可不使用残差连接,即将直接将单块中最后一个全连接模块的输出,作为单块的输出。
在本实施例中,可重复的单块中,第一个全连接层的输出维度应为单块中最小。其他全连接层的输出维度均比第一个全连接层的输出维度更大。本实施例中,所有可重复的单块均包含3个全连接模块。第2和第3个全连接层的输出维度均等于第1个全连接模块的输出维度的两倍。
(3)将6个可重复单块按顺序连接构成神经网络的主体;
(4)将神经网络主体中部分或者全部的可重复的单块的输出,分别额外连接全连接层,正则化层,得到多个输出;本实施例中,需额外连接的可重复的单块为第2,第4,和第6个可重复的单块。
(5)将3组全连接层和正则化层的输出按元素计算平均值,以获得转换后的特征码。
第二步,获取不同人脸识别模型特征码的训练集和验证集。
第三步,利用训练集并结合损失函数对转换系统进行训练,得到训练后的转换系统,所述损失函数的表达式为:
l=1-sum(f(inputs)*label)
其中,inputs表示网络的输入的待转换特征码,label表示输入对应的训练标签,即原始人脸图像对应的目标模型生成的特征码;f表示映射函数,*为元素积,sum为求和函数,l为训练的损失值。
第四步,利用验证集对训练后的转换系统进行验证。
为了验证本方法的可行性和良好的性能,本实施例通过构建以下实验进行测试。首先准备两个不同的人脸识别模型,模型A和模型B,以及人脸识别的验证集。实验中,模型A输出的特征码为512维,模型B输出的特征码为256维。由于特征码维度不同,两个模型的输出无法兼容使用。通过构建本实施例中的神经网络,将一张人脸图像由模型A输出的特征码作为神经网络的输入,同一张图像由模型B输出的特征码作为对应标签进行训练。训练时,训练集包含25万张不同的人脸图像。训练完成后,使用人脸识别验证集进行测试:
综上所述,本发明既能降低网络所需要的运算量,又不损失网络的精度;与相同技术相比,本发明具有突出的实质性特点和显著的进步,在机器视觉领域具有很高的实用价值和推广价值。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而作出的变化,均应属于本发明的保护范围之内。
Claims (7)
1.不同人脸识别模型特征码的转换系统,其特征在于,包括从前至后依次连接并封装的M个可重复单块,以及从前至后依次连接后分别与第M个可重复单块、N个可重复单块的输出一一对应连接的数组全连接层和正则化层;所述M为大于1的整数;所述N为小于M、且大于0的整数;数组所述全连接层和正则化层的输出的平均值即为转换系统的输出;
任一所述可重复单块由从前至后依次连接并封装的数个全连接模块组成;任一所述全连接模块由从前至后依次连接并封装的全连接层、批归一化层和激活层组成;
不同人脸识别模型特征码的转换系统的转换方法,包括以下步骤:
构建不同人脸识别模型特征码的转换系统;
获取不同人脸识别模型特征码的训练集和验证集;
利用训练集并结合损失函数对转换系统进行训练,得到训练后的转换系统,所述损失函数的表达式为:
l=1-sum(f(inputs)*label)
其中,inputs表示网络的输入的待转换特征码,label表示输入对应的训练标签,即原始人脸图像对应的目标模型生成的特征码;f表示映射函数,*为元素积,sum为求和函数,l为训练的损失值;
利用验证集对训练后的转换系统进行验证。
2.根据权利要求1所述的不同人脸识别模型特征码的转换系统,其特征在于,所述可重复单块采用残差连接。
3.根据权利要求1所述的不同人脸识别模型特征码的转换系统,其特征在于,所述可重复单块中,第一个全连接模块中的第一个全连接层的输出维度小于所在的可重复单块中剩余的全连接层的输出维度。
4.根据权利要求1或2所述的不同人脸识别模型特征码的转换系统,其特征在于,所述可重复单块中,第一个全连接模块的输出维度为所在的可重复单块中剩余的全连接模块的输出维度的
5.根据权利要求4所述的不同人脸识别模型特征码的转换系统,其特征在于,所述全连接模块设置3个。
6.根据权利要求4所述的不同人脸识别模型特征码的转换系统,其特征在于,所述可重复单块设置6个;且第2个可重复单块、第4个可重复单块和第6个可重复单块的输出一一对应连接从前至后依次连接的3组全连接层和正则化层。
7.一种计算机可读存储介质,其特征在于,存储有权利要求1~6任一项所述的不同人脸识别模型特征码的转换系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522084.7A CN112507958B (zh) | 2020-12-22 | 2020-12-22 | 不同人脸识别模型特征码的转换系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522084.7A CN112507958B (zh) | 2020-12-22 | 2020-12-22 | 不同人脸识别模型特征码的转换系统及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507958A CN112507958A (zh) | 2021-03-16 |
CN112507958B true CN112507958B (zh) | 2024-04-02 |
Family
ID=74922961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011522084.7A Active CN112507958B (zh) | 2020-12-22 | 2020-12-22 | 不同人脸识别模型特征码的转换系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507958B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339679A (zh) * | 2016-08-24 | 2017-01-18 | 奥奈斯特(宁波)软件技术有限公司 | 一种人脸识别系统 |
CN106548161A (zh) * | 2016-11-23 | 2017-03-29 | 上海成业智能科技股份有限公司 | 用于户外或光扰条件下人脸识别特征码采集与识别的方法 |
CN109272571A (zh) * | 2018-08-22 | 2019-01-25 | 上海核工程研究设计院有限公司 | 一种PDS三维数据转换为Flowmaster模型的系统和方法 |
CN110175516A (zh) * | 2019-04-17 | 2019-08-27 | 深圳绿米联创科技有限公司 | 生物特征模型生成方法、装置、服务器及存储介质 |
CN110210515A (zh) * | 2019-04-25 | 2019-09-06 | 浙江大学 | 一种图像数据多标签分类方法 |
CN110222775A (zh) * | 2019-06-10 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110390340A (zh) * | 2019-07-18 | 2019-10-29 | 暗物智能科技(广州)有限公司 | 特征编码模型、视觉关系检测模型的训练方法及检测方法 |
WO2020057624A1 (zh) * | 2018-09-20 | 2020-03-26 | 杭州海康威视数字技术股份有限公司 | 语音识别的方法和装置 |
US10614382B1 (en) * | 2019-07-12 | 2020-04-07 | Capital One Services, Llc | Computer-based systems and methods configured to utilize automating deployment of predictive models for machine learning tasks |
CN111339931A (zh) * | 2020-02-25 | 2020-06-26 | 四川翼飞视科技有限公司 | 一种联合性别属性训练的人脸识别网络模型构建方法 |
CN111401292A (zh) * | 2020-03-25 | 2020-07-10 | 成都东方天呈智能科技有限公司 | 一种融合红外图像训练的人脸识别网络构建方法 |
CN111797696A (zh) * | 2020-06-10 | 2020-10-20 | 武汉大学 | 一种现场自主学习的人脸识别系统和方法 |
CN111860453A (zh) * | 2020-08-04 | 2020-10-30 | 沈阳工业大学 | 一种戴口罩的人脸识别方法 |
-
2020
- 2020-12-22 CN CN202011522084.7A patent/CN112507958B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339679A (zh) * | 2016-08-24 | 2017-01-18 | 奥奈斯特(宁波)软件技术有限公司 | 一种人脸识别系统 |
CN106548161A (zh) * | 2016-11-23 | 2017-03-29 | 上海成业智能科技股份有限公司 | 用于户外或光扰条件下人脸识别特征码采集与识别的方法 |
CN109272571A (zh) * | 2018-08-22 | 2019-01-25 | 上海核工程研究设计院有限公司 | 一种PDS三维数据转换为Flowmaster模型的系统和方法 |
WO2020057624A1 (zh) * | 2018-09-20 | 2020-03-26 | 杭州海康威视数字技术股份有限公司 | 语音识别的方法和装置 |
CN110175516A (zh) * | 2019-04-17 | 2019-08-27 | 深圳绿米联创科技有限公司 | 生物特征模型生成方法、装置、服务器及存储介质 |
CN110210515A (zh) * | 2019-04-25 | 2019-09-06 | 浙江大学 | 一种图像数据多标签分类方法 |
CN110222775A (zh) * | 2019-06-10 | 2019-09-10 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
US10614382B1 (en) * | 2019-07-12 | 2020-04-07 | Capital One Services, Llc | Computer-based systems and methods configured to utilize automating deployment of predictive models for machine learning tasks |
CN110390340A (zh) * | 2019-07-18 | 2019-10-29 | 暗物智能科技(广州)有限公司 | 特征编码模型、视觉关系检测模型的训练方法及检测方法 |
CN111339931A (zh) * | 2020-02-25 | 2020-06-26 | 四川翼飞视科技有限公司 | 一种联合性别属性训练的人脸识别网络模型构建方法 |
CN111401292A (zh) * | 2020-03-25 | 2020-07-10 | 成都东方天呈智能科技有限公司 | 一种融合红外图像训练的人脸识别网络构建方法 |
CN111797696A (zh) * | 2020-06-10 | 2020-10-20 | 武汉大学 | 一种现场自主学习的人脸识别系统和方法 |
CN111860453A (zh) * | 2020-08-04 | 2020-10-30 | 沈阳工业大学 | 一种戴口罩的人脸识别方法 |
Non-Patent Citations (3)
Title |
---|
A Unified Feature Disentangler for Multi-Domain Image Translation and Manipulation;Alexander H. Liu等;Advances in Neural Information Processing Systems;第1-10页 * |
基于改进AlexNet卷积神经网络的人脸表情识别;石翠萍等;电讯技术(第9期);第11-18页 * |
非可控条件下人脸识别中的若干问题研究;黄仁杰;中国博士学位论文全文数据库 信息科技辑(第3期);第I138-101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112507958A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175953B (zh) | 一种图像超分辨方法和系统 | |
CN110597991B (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
CN111507311B (zh) | 一种基于多模态特征融合深度网络的视频人物识别方法 | |
Singh et al. | Steganalysis of digital images using deep fractal network | |
WO2022134465A1 (zh) | 加速可重构处理器运行的稀疏化数据处理方法和装置 | |
WO2020258902A1 (zh) | 图像生成和神经网络训练方法、装置、设备和介质 | |
CN116628597B (zh) | 一种基于关系路径注意力的异质图节点分类方法 | |
CN108805802A (zh) | 一种基于约束条件的堆叠步进自编码器的正面人脸重建系统及方法 | |
CN112749603A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN112148620A (zh) | 一种测试案例生成方法及相关设备 | |
CN112597984A (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
CN113962371A (zh) | 一种基于类脑计算平台的图像识别方法及系统 | |
CN114863407A (zh) | 一种基于视觉语言深度融合的多任务冷启动目标检测方法 | |
CN112507958B (zh) | 不同人脸识别模型特征码的转换系统及可读存储介质 | |
CN109858618B (zh) | 一种卷积神经单元块、构成的神经网络及图像分类方法 | |
CN111709790A (zh) | 一种日前市场异常电价辨识方法、装置、设备和存储介质 | |
CN111402156A (zh) | 一种涂抹图像的复原方法、装置及存储介质和终端设备 | |
CN114119997A (zh) | 图像特征提取模型的训练方法、装置、服务器和存储介质 | |
CN117611133A (zh) | 基于电力运检业务的大模型推理加速方法及系统 | |
CN103136743A (zh) | 立体匹配系统中的预处理装置 | |
Dheeraj et al. | Detecting deepfakes using deep learning | |
Chui et al. | Capsule networks and face recognition | |
CN115331828A (zh) | 应用于ai的信息防护方法及存储介质 | |
Yan et al. | Low Latency Conversion of Artificial Neural Network Models to Rate-encoded Spiking Neural Networks |
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 |