CN112633077A - 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端 - Google Patents

一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端 Download PDF

Info

Publication number
CN112633077A
CN112633077A CN202011391232.6A CN202011391232A CN112633077A CN 112633077 A CN112633077 A CN 112633077A CN 202011391232 A CN202011391232 A CN 202011391232A CN 112633077 A CN112633077 A CN 112633077A
Authority
CN
China
Prior art keywords
feature
branch
face detection
layer sequence
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.)
Granted
Application number
CN202011391232.6A
Other languages
English (en)
Other versions
CN112633077B (zh
Inventor
赵磊
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.)
Terminus Technology Group Co Ltd
Original Assignee
Terminus Technology Group Co Ltd
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 Terminus Technology Group Co Ltd filed Critical Terminus Technology Group Co Ltd
Priority to CN202011391232.6A priority Critical patent/CN112633077B/zh
Publication of CN112633077A publication Critical patent/CN112633077A/zh
Application granted granted Critical
Publication of CN112633077B publication Critical patent/CN112633077B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V40/168—Feature extraction; Face representation

Landscapes

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

Abstract

本发明公开了一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端，该方法包括：获取待检测的目标图像输入预先训练的人脸检测模型中；对待检测的目标图像进行特征提取操作，生成特征图序列，从特征图序列中选取6个层作为第一分支检测层序列；采用特征金字塔网络将第一分支检测层中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；采用多尺度增强模块将融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列输入到人脸检测模型的头部后得到人脸图像。因此，采用本申请实施例，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注小脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度。

Description

一种基于层内多尺度特征增强的人脸检测方法、系统、存储介 质及终端
技术领域
本发明涉及计算机的深度学习技术领域，特别涉及一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端。
背景技术
基于深度学习的目标检测任务中，特别是实际场景中广泛应用的人脸检测任务中，对于人脸、小人脸的检测难度很大，面临许多技术挑战，这是因为图片分辨率比较低，图片模糊，背景噪音多。
现有的人脸检测方法主要包括传统的图像金字塔和多尺度滑动窗口检测人脸。还包括基于数据扩增方法，通过增加人脸样本数量和种类来提升人脸检测性能；基于特征融合的方法，将高层、低层的多尺度特征融合来提升检测性能；基于锚采样和匹配策略的方法；利用上下文信息的方法等。在基于锚采样和匹配策略的方法中，Pyramidbox网络提出了基于anchor的上下文信息用于监督学习小的、模糊和部分遮挡人脸方法。同时，提出了基于尺度感知的Data-anchor-sampling(DAS)训练策略，以改变训练样本中大、小人脸的分布。DAS方法对小尺度人脸检测效果比较明显，由于这种采样方式会造成不同尺度的人脸数据分布不均衡，使得人脸检测模型的检测性能降低，从而进一步降低了图像中人脸的检测精度。
发明内容
本申请实施例提供了一种基于多尺度特征增强的人脸检测方法、系统、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于层内多尺度特征增强的人脸检测方法，方法包括：
获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
可选的，所述采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列，包括：
多尺度增强模块将所述融合后的特征通道集合中各特征通道划分为三组特征通道；
多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列；
多尺度增强模块将所述三组空洞卷积后的特征图序列中各特征图通过1*1卷积参数再次特征融合后生成三组再次卷积的特征图序列；
多尺度增强模块将所述三组再次卷积的特征图序列进行拼接处理，生成第二分支检测层序列。
可选的，所述多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列，包括：
多尺度增强模块将所述三组特征通道中的第一组进行空洞卷积处理，生成第一处理结果；
多尺度增强模块将所述第一处理结果与所述三组特征通道中的第二组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第二处理结果；
多尺度增强模块将所述第二处理结果与所述三组特征通道中的第三组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第三处理结果；
将所述第一处理结果、第二处理结果以及第三处理结果确定为三组空洞卷积后的特征图序列。
可选的，按照以下步骤生成预先训练的人脸检测模型，包括：
采用经过扩展的卷积神经网络VGG16创建骨干网络；
将第一分支检测层序列、特征金字塔网络以及多尺度增强模块添加至所述创建的骨干网络中，生成人脸检测模型；其中，所述人脸检测模型中包含SSD目标检测算法模块；
加载第一分支的检测层序列，并将所述人脸检测模型的骨干网络中的6个层作为第一分支的检测层序列，生成替换后的人脸检测模型；
采集带有人脸图像的训练样本，并将所述带有人脸图像的训练样本输入所述替换后的人脸检测模型中的第一分支检测层序列、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值；
当所述人脸检测模型的渐进锚损失值达到预设最小值时，生成训练后的人脸检测模型。
可选的，所述将所述带有人脸图像的训练样本输入所述替换后的人脸检测模型中的第一分支检测层序列、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值，包括：
从所述带有人脸图像的训练样本中获取人脸图像输入所述第一分支的检测层序列中，得到原始特征图集合；
根据多尺度特征增强模块将所述原始特征图集合中的各原始特征图转换为增强后的特征图集合；
将所述增强后的特征图集合中各特征图采用1*1卷积进行处理后，生成卷积后的特征图集合，作为第二分支的检测层序列；
基于所述第一分支的检测层序列和所述第二分支的检测层序列计算所述人脸检测模型的渐进锚损失值，并输出所述人脸检测模型的渐进锚损失值。
可选的，所述基于所述第一分支的检测层序列和所述第二分支的检测层序列计算所述人脸检测模型的渐进锚损失值，包括：
计算所述第一分支的检测层序列对应的渐进锚损失值；
计算所述第二分支的检测层序列对应的渐进锚损失值；
将所述第一分支的检测层序列对应的渐进锚损失值与所述第二分支的检测层序列对应的渐进锚损失值相加后，生成人脸检测模型的渐进锚损失值。
可选的，所述将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像，包括：
将所述第二分支检测层序列输入到所述SSD目标检测算法模块的头部后，对检测层上产生的人脸候选框经过分类和边框回归处理后，得到最后的人脸检测结果。
第二方面，本申请实施例提供了一种基于层内多尺度特征增强的人脸检测系统，该系统包括：
图像输入模块，用于获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
图像卷积模块，用于采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
特征融合模块，用于采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
多尺度增强模块，用于采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
人脸输出模块，用于将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，基于层内多尺度特征增强的人脸检测系统首先获取待检测的目标图像输入预先训练的人脸检测模型中，再对待检测的目标图像进行特征提取操作生成特征图序列，并从特征图序列中选取6个层作为第一分支检测层序列，在采用特征金字塔网络将第一分支检测层中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合，然后采用多尺度增强模块将融合后的特征通道集合中各特征通道进行多尺度增强处理，最后生成第二分支检测层序列输入到人脸检测模型的头部后得到人脸图像。因此，采用本申请实施例，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注人脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种基于层内多尺度特征增强的人脸检测方法的流程示意图；
图2是本申请实施例提供的一种人脸检测网络结构的示意图；
图3是本申请实施例提供的一种多尺度特征增强模块结构图的示意图；
图4是本申请实施例提供的另一种基于层内多尺度特征增强的人脸检测方法的流程示意图；
图5是本申请实施例提供的一种基于层内多尺度特征增强的人脸检测系统的系统结构示意图；
图6是本申请实施例提供的一种终端示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
到目前为止，现有的人脸检测方法主要包括传统的图像金字塔和多尺度滑动窗口检测人脸。还包括基于数据扩增方法，通过增加人脸样本数量和种类来提升人脸检测性能；基于特征融合的方法，将高层、低层的多尺度特征融合来提升检测性能；基于锚采样和匹配策略的方法；利用上下文信息的方法等。在基于锚采样和匹配策略的方法中，Pyramidbox网络提出了基于anchor的上下文信息用于监督学习小的、模糊和部分遮挡人脸方法。同时，提出了基于尺度感知的Data-anchor-sampling(DAS)训练策略，以改变训练样本中大、小人脸的分布。DAS方法对小尺度人脸检测效果比较明显，由于这种采样方式会造成不同尺度的人脸数据分布不均衡，使得人脸检测模型的检测性能降低，从而进一步降低了图像中人脸的检测精度。为此，本申请提供了一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注人脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图4，对本申请实施例提供的基于层内多尺度特征增强的人脸检测方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于层内多尺度特征增强的人脸检测系统上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
请参见图1，为本申请实施例提供了一种基于层内多尺度特征增强的人脸检测方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
其中，人脸检测模型的骨干网络结构为双分支人脸检测算法，双分支人脸检测算法(dual shot face detector，DSFD)结合FPN特征金字塔网络(feature pyramidnetwork,FPN)与RFB多支路的卷积块(receptive field block，RFB)思想，提出了一种特征增强模块(feature enhance module，FEM)，本申请将层内多尺度特征融入FEM模块，不仅增加了感受野，而且经过本申请的多尺度特征增强后，使得检测网络更加关注小脸特征，对DSFD算法的小脸检测性能有较大提升。
通常，在对人脸检测模型进行训练时，首先采用卷积神经网络VGG16创建骨干网络，再将多支路的卷积块、特征金字塔网络以及多尺度增强模块添加至创建的骨干网络中，生成人脸检测模型；其中，人脸检测模型中包含SSD目标检测算法模块，然后加载第一分支的检测层序列，并将人脸检测模型的骨干网络中的全连接层替换为第一分支的检测层序列，生成替换后的人脸检测模型，再采集带有人脸图像的训练样本，并将带有人脸图像的训练样本输入替换后的人脸检测模型中的多支路的卷积块、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值，最后当人脸检测模型的渐进锚损失值达到预设最小值时，生成训练后的人脸检测模型。
进一步地，在将带有人脸图像的训练样本输入替换后的人脸检测模型中的多支路的卷积块、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值时，首先从带有人脸图像的训练样本中获取人脸图像输入第一分支的检测层序列中，得到原始特征图集合，然后根据多尺度特征增强模块将原始特征图集合中的各原始特征图转换为增强后的特征图集合，再将增强后的特征图集合中各特征图采用1*1卷积进行处理后，生成卷积后的特征图集合，再将卷积后的特征图集合输入到SSD目标检测算法模块的头部后，生成第二分支的检测层序列，最后基于第一分支的检测层序列和第二分支的检测层序列计算人脸检测模型的渐进锚损失值，并输出人脸检测模型的渐进锚损失值。
进一步地，在基于第一分支的检测层序列和第二分支的检测层序列计算人脸检测模型的渐进锚损失值时，首先计算第一分支的检测层序列对应的渐进锚损失值，然后计算第二分支的检测层序列对应的渐进锚损失值，最后将第一分支的检测层序列对应的渐进锚损失值与第二分支的检测层序列对应的渐进锚损失值相加后，生成人脸检测模型的渐进锚损失值。
在一种可能的实现方式中，在模型训练结束后，在进行人脸图像检测时，首先获取待检测的图像帧，然后将人脸图像输入人脸检测模型中依次经过多支路的卷积块、特征金字塔网络以及多尺度增强模块进行处理。
S102，采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
在一种可能的实现方式中，在基于步骤S101输入人脸检测模型后，首先人脸检测模型中的多支路的卷积块将原始图像进行卷积操作，卷积后得到多个层的特征图集合。
S103，采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
S104，采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
在一种可能的实现方式中，在采用多尺度增强模块进行增强时，首先多尺度增强模块将融合后的特征通道集合中各特征通道划分为三组特征通道，再将三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列，然后将三组空洞卷积后的特征图序列中各特征图通过1*1卷积参数再次特征融合后生成三组再次卷积的特征图序列，最后将三组再次卷积的特征图序列进行拼接处理，生成增强后的特征图序列。
进一步地，在生成三组空洞卷积后的特征图序列时，首先多尺度增强模块将三组特征通道中的第一组进行空洞卷积处理，生成第一处理结果，再将第一处理结果与三组特征通道中的第二组特征通道相加，并将相加后的特征通道进行空洞卷积处理，生成第二处理结果，然后将第二处理结果与三组特征通道中的第三组特征通道相加，并将相加后的特征通道进行空洞卷积处理，生成第三处理结果，最后将第一处理结果、第二处理结果以及第三处理结果确定为三组空洞卷积后的特征图序列。
例如图2所示，图2是本申请实施例提供的一种多尺度增强模块的网络结构图，在进行处理时，多尺度特征增强模块(MS-FEM)是将原始FEM模块中经过FPN构建的特征融合层中的特征通道分为3组；对第一组，使用一个空洞卷积进行处理；对第二组，将第一组处理结果与分组后的第二组特征图相加，再经过一个空洞卷积进行处理；对第三组，将第二组处理结果与分组后的第三组特征图相加，再经过一个空洞卷积进行处理；经过上述三个分组经过不同个数的空洞卷积处理后，会得到不同感受野的特征图；对分组进行多尺度特征增强后的特征图再使用1*1卷积进一步地特征融合，有利于特征通道内的信息交流；将三者拼接在一起，得到增强后的特征图。这种先拆分后融合的策略能够使卷积可以更高效的处理特征，以更细粒度(granular level)表示多尺度特征，并增加每个网络层的感受野(receptive fields)范围。
S105，将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
将所述第二分支检测层序列输入到所述SSD目标检测算法模块的头部后，对检测层上产生的人脸候选框经过分类和边框回归处理后，得到最后的人脸检测结果。
例如图3所示，图3是本申请实施例提供的一种基于多尺度特征增强的人脸检测模型的网络结构图，首先通过扩展VGG16作为DSFD的基底骨干网络，即将VGG16的全连接层替换成其他辅助的卷积层。本申请选择的卷积层分别是以下：conv3_3,conv4_3,conv5_3,conv_fc7,conv6_2,conv7_2作为第一分支的检测器层，以生成6个原始的特征图，其对应命名为of1,of2,of3,of4,of5,of6，然后本申请提出的多尺度增强模块将6个原始的特征图转换成6个多尺度增强的特征图，其对应命名为ef1,ef2,ef3,ef4,ef5,ef6，它们与对应的6个原始的特征图有相同的尺寸大小，通过将他们输入到人脸检测模型的骨干网络SSD类型的头部，以此构建第二分支的检测层。在使用多尺度增强模块对感受野增强和新的锚设计策略后，原则上就没必要让(stride，锚，感受野)这三个size满足等比例间隔原则。因此，DSFD更灵活也更鲁棒。同时，原始的第一分支的检测器层和构建第二分支的检测层有2个不同的损失值。分别被命名为第一分支渐进式锚损失(first shot progressive anchor loss,FSL)和第二分支渐进式锚loss(second shot progressive anchor loss,SSL)。
在本申请实施例中，基于层内多尺度特征增强的人脸检测系统首先获取待检测的目标图像输入预先训练的人脸检测模型中，再对待检测的目标图像进行特征提取操作生成特征图序列，并从特征图序列中选取6个层作为第一分支检测层序列，在采用特征金字塔网络将第一分支检测层中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合，然后采用多尺度增强模块将融合后的特征通道集合中各特征通道进行多尺度增强处理，最后生成第二分支检测层序列输入到人脸检测模型的头部后得到人脸图像。因此，采用本申请实施例，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注人脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度。
请参见图4，为本申请实施例提供的另一种基于层内多尺度特征增强的人脸检测方法的流程示意图。该基于多尺度特征增强的人脸检测方法可以包括以下步骤：
S201，获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
S202，采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
S203，采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
S204，多尺度增强模块将所述融合后的特征通道集合中各特征通道划分为三组特征通道；
S205，多尺度增强模块将所述三组特征通道中的第一组进行空洞卷积处理，生成第一处理结果；
S206，多尺度增强模块将所述第一处理结果与所述三组特征通道中的第二组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第二处理结果；
S207，多尺度增强模块将所述第二处理结果与所述三组特征通道中的第三组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第三处理结果；
S208，将所述第一处理结果、第二处理结果以及第三处理结果确定为三组空洞卷积后的特征图序列；
S209，多尺度增强模块将所述三组空洞卷积后的特征图序列中各特征图通过1*1卷积参数再次特征融合后生成三组再次卷积的特征图序列；
S210，多尺度增强模块将所述三组再次卷积的特征图序列进行拼接处理，生成第二分支检测层序列；
S211，将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
在本申请实施例中，基于层内多尺度特征增强的人脸检测系统首先获取待检测的目标图像输入预先训练的人脸检测模型中，再对待检测的目标图像进行特征提取操作生成特征图序列，并从特征图序列中选取6个层作为第一分支检测层序列，在采用特征金字塔网络将第一分支检测层中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合，然后采用多尺度增强模块将融合后的特征通道集合中各特征通道进行多尺度增强处理，最后生成第二分支检测层序列输入到人脸检测模型的头部后得到人脸图像。因此，采用本申请实施例，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注人脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度。
下述为本发明系统实施例，可以用于执行本发明方法实施例。对于本发明系统实施例中未披露的细节，请参照本发明方法实施例。
请参见图5，其示出了本发明一个示例性实施例提供的基于层内多尺度特征增强的人脸检测系统的结构示意图。该基于多尺度特征增强的人脸检测系统可以通过软件、硬件或者两者的结合实现成为智能机器人的全部或一部分。该系统1包括图像输入模块10、图像卷积模块20、特征融合模块30、多尺度增强模块40、人脸输出模块50。
图像输入模块10，用于获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
图像卷积模块20，用于采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
特征融合模块30，用于采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
多尺度增强模块40，用于采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
人脸输出模块50，用于将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
需要说明的是，上述实施例提供的基于层内多尺度特征增强的人脸检测系统在执行基于层内多尺度特征增强的人脸检测方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于层内多尺度特征增强的人脸检测系统与基于层内多尺度特征增强的人脸检测方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，基于层内多尺度特征增强的人脸检测系统首先获取待检测的目标图像输入预先训练的人脸检测模型中，再对待检测的目标图像进行特征提取操作生成特征图序列，并从特征图序列中选取6个层作为第一分支检测层序列，在采用特征金字塔网络将第一分支检测层中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合，然后采用多尺度增强模块将融合后的特征通道集合中各特征通道进行多尺度增强处理，最后生成第二分支检测层序列输入到人脸检测模型的头部后得到人脸图像。因此，采用本申请实施例，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注人脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于层内多尺度特征增强的人脸检测方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于层内多尺度特征增强的人脸检测方法。
请参见图6，为本申请实施例提供了一种终端的结构示意图。如图6所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个终端1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行终端1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储系统。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于层内多尺度特征增强的人脸检测应用程序。
在图6所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于层内多尺度特征增强的人脸检测应用程序，并具体执行以下操作：
获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
在一个实施例中，处理器1001在执行所述采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列时，具体执行以下操作：
多尺度增强模块将所述融合后的特征通道集合中各特征通道划分为三组特征通道；
多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列；
多尺度增强模块将所述三组空洞卷积后的特征图序列中各特征图通过1*1卷积参数再次特征融合后生成三组再次卷积的特征图序列；
多尺度增强模块将所述三组再次卷积的特征图序列进行拼接处理，生成第二分支检测层序列。
在一个实施例中，处理器1001在执行多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列时，具体执行以下操作：
多尺度增强模块将所述三组特征通道中的第一组进行空洞卷积处理，生成第一处理结果；
多尺度增强模块将所述第一处理结果与所述三组特征通道中的第二组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第二处理结果；
多尺度增强模块将所述第二处理结果与所述三组特征通道中的第三组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第三处理结果；
将所述第一处理结果、第二处理结果以及第三处理结果确定为三组空洞卷积后的特征图序列。
在一个实施例中，处理器1001在执行基于增强后的特征图序列输出人脸图像时，具体执行以下操作：
将所述第二分支检测层序列输入到所述SSD目标检测算法模块的头部后，对检测层上产生的人脸候选框经过分类和边框回归处理后，得到最后的人脸检测结果。
在本申请实施例中，基于层内多尺度特征增强的人脸检测系统首先获取待检测的目标图像输入预先训练的人脸检测模型中，再对待检测的目标图像进行特征提取操作生成特征图序列，并从特征图序列中选取6个层作为第一分支检测层序列，在采用特征金字塔网络将第一分支检测层中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合，然后采用多尺度增强模块将融合后的特征通道集合中各特征通道进行多尺度增强处理，最后生成第二分支检测层序列输入到人脸检测模型的头部后得到人脸图像。因此，采用本申请实施例，由于本申请通过多尺度特征增强模块进行增强后，使得人脸检测模型更加关注人脸特征，从而使得人脸检测性能有较大提升，进一步提升了人脸检测精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种基于层内多尺度特征增强的人脸检测方法，其特征在于，所述方法包括：
获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
2.根据权利要求1所述的方法，其特征在于，所述采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列，包括：
多尺度增强模块将所述融合后的特征通道集合中各特征通道划分为三组特征通道；
多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列；
多尺度增强模块将所述三组空洞卷积后的特征图序列中各特征图通过1*1卷积参数再次特征融合后生成三组再次卷积的特征图序列；
多尺度增强模块将所述三组再次卷积的特征图序列进行拼接处理，生成第二分支检测层序列。
3.根据权利要求2所述的方法，其特征在于，所述多尺度增强模块将所述三组特征通道进行空洞卷积处理生成三组空洞卷积后的特征图序列，包括：
多尺度增强模块将所述三组特征通道中的第一组进行空洞卷积处理，生成第一处理结果；
多尺度增强模块将所述第一处理结果与所述三组特征通道中的第二组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第二处理结果；
多尺度增强模块将所述第二处理结果与所述三组特征通道中的第三组特征通道相加，并将所述相加后的特征通道进行空洞卷积处理，生成第三处理结果；
将所述第一处理结果、第二处理结果以及第三处理结果确定为三组空洞卷积后的特征图序列。
4.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先训练的人脸检测模型，包括：
采用经过扩展的卷积神经网络VGG16创建骨干网络；
将第一分支检测层序列、特征金字塔网络以及多尺度增强模块添加至所述创建的骨干网络中，生成人脸检测模型；其中，所述人脸检测模型中包含SSD目标检测算法模块；
加载第一分支的检测层序列，并将所述人脸检测模型的骨干网络中的6个层作为第一分支的检测层序列，生成替换后的人脸检测模型；
采集带有人脸图像的训练样本，并将所述带有人脸图像的训练样本输入所述替换后的人脸检测模型中的第一分支检测层序列、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值；
当所述人脸检测模型的渐进锚损失值达到预设最小值时，生成训练后的人脸检测模型。
5.根据权利要求4所述的方法，其特征在于，所述将所述带有人脸图像的训练样本输入所述替换后的人脸检测模型中的第一分支检测层序列、特征金字塔网络以及多尺度增强模块中进行训练，输出人脸检测模型的渐进锚损失值，包括：
从所述带有人脸图像的训练样本中获取人脸图像输入所述第一分支的检测层序列中，得到原始特征图集合；
根据多尺度特征增强模块将所述原始特征图集合中的各原始特征图转换为增强后的特征图集合；
将所述增强后的特征图集合中各特征图采用1*1卷积进行处理后，生成卷积后的特征图集合，作为第二分支的检测层序列；
基于所述第一分支的检测层序列和所述第二分支的检测层序列计算所述人脸检测模型的渐进锚损失值，并输出所述人脸检测模型的渐进锚损失值。
6.根据权利要求5所述的方法，其特征在于，所述基于所述第一分支的检测层序列和所述第二分支的检测层序列计算所述人脸检测模型的渐进锚损失值，包括：
计算所述第一分支的检测层序列对应的渐进锚损失值；
计算所述第二分支的检测层序列对应的渐进锚损失值；
将所述第一分支的检测层序列对应的渐进锚损失值与所述第二分支的检测层序列对应的渐进锚损失值相加后，生成人脸检测模型的渐进锚损失值。
7.根据权利要求1所述的方法，其特征在于，所述将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像，包括：
将所述第二分支检测层序列输入到所述SSD目标检测算法模块的头部后，对检测层上产生的人脸候选框经过分类和边框回归处理后，得到最后的人脸检测结果。
8.一种基于层内多尺度特征增强的人脸检测系统，其特征在于，所述系统包括：
图像输入模块，用于获取待检测的目标图像，并将所述待检测的目标图像输入预先训练的人脸检测模型中；其中，所述人脸检测模型中包括多支路的卷积块、特征金字塔网络以及多尺度增强模块；
图像卷积模块，用于采用所述卷积块中扩展的VGG16对所述待检测的目标图像进行特征提取操作生成特征图序列，并从所述特征图序列中选取6个层作为第一分支检测层序列；
特征融合模块，用于采用所述特征金字塔网络将所述第一分支检测层序列中相邻不同层的特征图进行特征融合，生成融合后的特征通道集合；
多尺度增强模块，用于采用多尺度增强模块将所述融合后的特征通道集合中各特征通道进行多尺度增强处理，生成第二分支检测层序列；
人脸输出模块，用于将第二分支检测层序列输入到人脸检测模型的SSD目标检测算法头部后，得到检测出的人脸图像。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～7任意一项的方法步骤。
CN202011391232.6A 2020-12-02 2020-12-02 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端 Active CN112633077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011391232.6A CN112633077B (zh) 2020-12-02 2020-12-02 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011391232.6A CN112633077B (zh) 2020-12-02 2020-12-02 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端

Publications (2)

Publication Number Publication Date
CN112633077A true CN112633077A (zh) 2021-04-09
CN112633077B CN112633077B (zh) 2024-05-24

Family

ID=75307301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011391232.6A Active CN112633077B (zh) 2020-12-02 2020-12-02 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN112633077B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255634A (zh) * 2021-07-18 2021-08-13 杭州电子科技大学 基于改进Yolov5的车载移动端目标检测方法
CN113537070A (zh) * 2021-07-19 2021-10-22 中国第一汽车股份有限公司 一种检测方法、装置、电子设备及存储介质
CN114612702A (zh) * 2022-01-24 2022-06-10 珠高智能科技(深圳)有限公司 基于深度学习的图像数据标注系统及其方法
CN117523550A (zh) * 2023-11-22 2024-02-06 中化现代农业有限公司 苹果病虫害检测方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197217A (zh) * 2019-05-24 2019-09-03 中国矿业大学 一种基于深度交错融合分组卷积网络的图像分类方法
CN110781923A (zh) * 2019-09-27 2020-02-11 重庆特斯联智慧科技股份有限公司 特征提取方法及装置
CN111046917A (zh) * 2019-11-20 2020-04-21 南京理工大学 基于深度神经网络的对象性增强目标检测方法
CN111507285A (zh) * 2020-04-22 2020-08-07 腾讯科技（深圳）有限公司 人脸属性识别方法、装置、计算机设备和存储介质
CN111709304A (zh) * 2020-05-21 2020-09-25 江南大学 一种基于时空注意力增强特征融合网络的行为识别方法
CN111950515A (zh) * 2020-08-26 2020-11-17 重庆邮电大学 一种基于语义特征金字塔网络的小人脸检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197217A (zh) * 2019-05-24 2019-09-03 中国矿业大学 一种基于深度交错融合分组卷积网络的图像分类方法
CN110781923A (zh) * 2019-09-27 2020-02-11 重庆特斯联智慧科技股份有限公司 特征提取方法及装置
CN111046917A (zh) * 2019-11-20 2020-04-21 南京理工大学 基于深度神经网络的对象性增强目标检测方法
CN111507285A (zh) * 2020-04-22 2020-08-07 腾讯科技（深圳）有限公司 人脸属性识别方法、装置、计算机设备和存储介质
CN111709304A (zh) * 2020-05-21 2020-09-25 江南大学 一种基于时空注意力增强特征融合网络的行为识别方法
CN111950515A (zh) * 2020-08-26 2020-11-17 重庆邮电大学 一种基于语义特征金字塔网络的小人脸检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIAN LI ET AL.: "DSFD：Dual Shot Face Detector", 《ARXIV:1810.10220V3》, pages 1 - 10 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255634A (zh) * 2021-07-18 2021-08-13 杭州电子科技大学 基于改进Yolov5的车载移动端目标检测方法
CN113537070A (zh) * 2021-07-19 2021-10-22 中国第一汽车股份有限公司 一种检测方法、装置、电子设备及存储介质
CN113537070B (zh) * 2021-07-19 2022-11-22 中国第一汽车股份有限公司 一种检测方法、装置、电子设备及存储介质
CN114612702A (zh) * 2022-01-24 2022-06-10 珠高智能科技(深圳)有限公司 基于深度学习的图像数据标注系统及其方法
CN117523550A (zh) * 2023-11-22 2024-02-06 中化现代农业有限公司 苹果病虫害检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112633077B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN112633077B (zh) 一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端
CN109255352B (zh) 目标检测方法、装置及系统
CN109829433B (zh) 人脸图像识别方法、装置、电子设备及存储介质
CN111582316B (zh) 一种rgb-d显著性目标检测方法
CN108664981B (zh) 显著图像提取方法及装置
CN112184738B (zh) 一种图像分割方法、装置、设备及存储介质
CN107368550B (zh) 信息获取方法、装置、介质、电子设备、服务器及系统
CN109145970B (zh) 基于图像的问答处理方法和装置、电子设备及存储介质
CN109671055B (zh) 肺结节检测方法及装置
CN112488999A (zh) 一种图像中小目标检测方法、系统、存储介质及终端
CN111950702A (zh) 一种神经网络结构确定方法及其装置
CN114330236A (zh) 文字生成方法、装置、电子设备及存储介质
CN112633085A (zh) 一种基于注意力导向机制的人脸检测方法、系统、存储介质及终端
CN111797971A (zh) 应用卷积神经网络进行数据处理的方法、装置和电子系统
CN111967478B (zh) 一种基于权重翻转的特征图重构方法、系统、存储介质及终端
CN110838306A (zh) 语音信号检测方法、计算机存储介质及相关设备
CN110796115B (zh) 图像检测方法、装置、电子设备及可读存储介质
CN114565092A (zh) 一种神经网络结构确定方法及其装置
CN114332489B (zh) 基于不确定性感知的图像显著目标检测方法与系统
CN114422698B (zh) 视频生成方法、装置、设备及存储介质
CN112862073B (zh) 一种压缩数据分析方法、装置、存储介质及终端
CN115495615A (zh) 视频与文本的互检方法、装置、设备、存储介质及终端
CN112633065A (zh) 一种基于数据增强的人脸检测方法、系统、存储介质及终端
CN115223018A (zh) 伪装对象协同检测方法及装置、电子设备和存储介质
CN113191955A (zh) 图像超分辨率重建的方法及装置

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