CN112766229A - 基于注意力机制的人脸点云图像智能识别系统及方法 - Google Patents
基于注意力机制的人脸点云图像智能识别系统及方法 Download PDFInfo
- Publication number
- CN112766229A CN112766229A CN202110171946.4A CN202110171946A CN112766229A CN 112766229 A CN112766229 A CN 112766229A CN 202110171946 A CN202110171946 A CN 202110171946A CN 112766229 A CN112766229 A CN 112766229A
- Authority
- CN
- China
- Prior art keywords
- layer
- point cloud
- module
- image
- 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
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06N3/047—Probabilistic or stochastic 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
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)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于注意力机制的人脸点云图像智能识别系统，包括点云数据转化模块、特征提取模块、注意力机制模块、图像融合模块、数据集样本划分以及孪生神经网络模块。本发明中提出将点云数据转化为人脸深度图，并对深度图进行特征提取，加入注意力机制，能够更好地提取出反映人脸的特征区域；本发明提出对数据样本划分为正样本和负样本，并使用孪生神经网络模块对正负样本进行训练，利用对比损失函数能够更好地对人脸特征向量进行误差计算，最后找到最接近的人脸类别，能够更加准确、迅速地进行人脸识别。
Description
技术领域
本发明属于人脸识别技术领域，具体说是一种基于注意力机制的人脸点云图像智能识别系统及方法。
背景技术
人脸识别技术是一种高精度、易于使用、稳定性高的生物识别技术，在很多海关、机场、银行等重要检测领域都有着广泛的应用，在保障人身和财产安全上有着重要的意义；实现人脸识别首先需要找到人脸区域，再进行人脸特征提取，在进特征提取时，常常容易受到环境的影响，比如光照条件不同、人脸的不同姿态和表情等，如何在复杂场景下进行准确的人脸识别，是当下人脸识别的研究内容之一，实现对光照、表情和姿态的人脸鲁棒性检测，有助于提高人脸图像的识别率。
发明内容
发明目的：针对上述现有技术存在的不足，本发明的目的是提供一种基于注意力机制的人脸点云图像智能识别系统及方法，能够根据人脸的点云数据生成的图像快速识别出人脸，并且能够对不同表情的人脸进行识别。
技术方案：为了实现上述发明目的，本发明采用的技术方案如下：一种基于注意力机制的人脸点云图像智能识别系统，其特征在于：包括点云数据转化模块、特征提取模块、注意力机制模块、图像融合模块、数据集样本划分以及孪生神经网络模块。
一种基于注意力机制的人脸点云图像智能识别方法，包括以下步骤：
1)三维点云数据经过点云数据转化模块转换为二维的深度图像，将深度图像经过特征提取模块得到人脸特征图像；
2)将得到的人脸特征图像经过注意力机制模块得到注意力特征图像，将人脸特征图像和注意力特征图像经过图像融合模块得到带有注意力特征的人脸特征图像；
3)将带有注意力特征的人脸特征图像作为数据集进行数据集样本划分，最后将数据集样本经过孪生神经网络模块进行训练得到人脸识别网络模型。
作为优选，所述的点云数据转化模块将点云数据首先经过三维数据投影到二维平面，再经过三次样条插值函数填充空缺的点，从而得到完整的人脸深度图像。
作为优选，将经过点云数据转化后的人脸深度图像作为特征提取模块的输入值；且所述的特征提取模块具体为：选取Alexnet作为卷积网络模型，AlexNet网络设置为：第一层为卷积层，有48个11*11的卷积核，步长为4；第二层为池化层，卷积核为3*3，步长为2；第三层为卷积层，有128个5*5的卷积核，步长为1；第四层为池化层，卷积核为3*3，步长为2；第五层为卷积层，有192个3*3的卷积核，步长为1；第六层为卷积层，有384个卷积核，步长为1；第七层为卷积层，有256个卷积核，步长为1；第八层为池化层，卷积核个数为3*3；第九层为全连接层，输出4096个神经元；第十层为全连接层，输出4096个神经元；第十一层为全连接层，输出1000个神经元。
作为优选，将经过特征提取模块处理之后的图像特征的最后一层全连接层输出的结果作为注意力机制模块的输入，将其结果经过公式(1)计算如下：
y＝Softmax(tanh(Wx+b)) (1)
其中，W为所设定的权值，b为设定的偏置值，x为输入的特征，经过tanh函数和Softmax函数将上一步选取的特征进行数据处理，可相应找出注意力较大的特征；所述Softmax函数如下公式(2)所示：
其中，xi为输入数据，经过指数函数的计算得到输出值为
其中n为x样本的个数，xi为第i样本的值，e为指数函数，k为输入样本的第k个值。
作为优选，将经过注意力机制模块处理后的图像特征与原始的深度图像特征进行特征融合，得到融合后的人脸点云深度图像特征。
且图像融合可相应采用图像的加法或者乘法获得，具体如下：将特征提取后的原始特征数据与注意力机制得到的数据进行加法和乘法运算，分别如下公式(3)、公式(4)和公式(5)所示：
yo(i,j)＝yin(i,j)+ya(i,j) (3)
yo(i,j)＝yin(i,j)×ya(i,j) (4)
ya(i,j)＝ Softmax(tanh(Wi,jx(i,j)+bi,j)) (5)
式中，yin(i,j)表示原始图像特征中(i,j)位置的值，x(i,j)表示经过特征提取网络后的最后一层图像中(i,j)位置的值，Wi,j为设定的(i,j)位置的注意力权值，bi,j为设定的(i,j)位置注意力偏置值，ya(i,j)表示注意力机制模块的输出值；yo(i,j)为最后经过注意力机制和原始图像加法或乘法运算后的输出值。
作为优选，将融合后的人脸点云深度图像特征作为原始样本，人脸深度图像中包括若干不同的人脸，每个人脸包含若干不同的表情，且将样本的数据集划分如下：将属于同一人的匹配人脸作为正样本，将属于不同人的不匹配人脸作为负样本，选取正负样本的比例为1:1用于训练。
作为优选，将划分后的正、负样本数据集两两组合作为孪生神经网络模块的训练输入值，并经过孪生神经网络模块中的两个卷积神经网络处理，输出一维特征向量，并使用对比损失函数计算误差。
作为优选，所述孪生神经网络模块中的两个卷积神经网络结构相同，第一层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，再经过归一化层和Dropout层输出到第二层；第二层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，经过归一化再经过Dropout层，之后输出到第三层；第三层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，经过归一化再经过Dropout层，最后输出一维特征向量，将特征向量用于对比损失函数计算误差。
作为优选，所述的孪生神经网络模块训练的对比损失函数为公式(6)所示：
DW＝||GW(X1)-GW(X2)||2#(7)
其中，DW代表两个样本X1和X2计算的特征向量的欧氏距离，并可由公式(7)计算得到，GW为经过孪生神经网络中的卷积神经网络模型得到的特征向量，W代表孪生神经网络中的卷积神经网络模型，Y为两个样本是否匹配的标签，Y＝1则代表输入人脸样本不匹配，Y＝0代表两个输入人脸样本匹配，m为设定的不同类别之间的间隔阈值，L是对比损失函数。
有益效果：本发明与现有技术相比，具有以下优点：本发明中提出将点云数据转化为人脸深度图，并对深度图进行特征提取，加入注意力机制，能够更好地提取出反映人脸的特征区域；本发明提出对数据样本划分为正样本和负样本，并使用孪生神经网络模块对正负样本进行训练，利用对比损失函数能够更好地对人脸特征向量进行误差计算，最后找到最接近的人脸类别，能够更加准确、迅速地进行人脸识别。
附图说明
图1为本发明结构图；
图2为本发明中特征提取网络和注意力机制模块结构图；
图3为本发明中孪生神经网络模块结构示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，本实施例在以本发明技术方案为前提下进行实施，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
实施例1
如图1所示，本实施例中的识别系统包括点云数据转化模块，特征提取模块，注意力机制模块，图像融合模块，数据集样本划分以及孪生神经网络模块；相应的识别方法如下：三维点云数据经过点云数据转化模块转换为二维的深度图像，将深度图像经过特征提取模块得到人脸特征图像，人脸特征图像经过注意力机制模块得到注意力特征图像，将人脸特征图像和注意力特征图像经过图像融合得到带有注意力特征的人脸特征图像，将带有注意力特征的人脸特征图像作为数据集进行数据集样本划分，最后将数据集样本经过孪生神经网络模块进行训练得到人脸识别网络模型。
其中，点云数据转化图像模块将点云数据首先经过三维数据投影到二维平面，再经过三次样条插值函数填充，可以得到人脸的深度图像，之后，将经过点云数据转化后的深度图像作为特征提取模块的输入。
而特征提取模块则具体为：将经过点云数据转化后的人脸深度图像作为特征提取模块的输入值；且所述的特征提取模块具体为：选取Alexnet作为卷积网络模型，AlexNet网络设置为：第一层为卷积层，有48个11*11的卷积核，步长为4；第二层为池化层，卷积核为3*3，步长为2；第三层为卷积层，有128个5*5的卷积核，步长为1；第四层为池化层，卷积核为3*3，步长为2；第五层为卷积层，有192个3*3的卷积核，步长为1；第六层为卷积层，有384个卷积核，步长为1；第七层为卷积层，有256个卷积核，步长为1；第八层为池化层，卷积核个数为3*3；第九层为全连接层，输出4096个神经元；第十层为全连接层，输出4096个神经元；第十一层为全连接层，输出1000个神经元。
作为优选，将经过特征提取模块处理之后的图像特征的最后一层全连接层输出的结果作为注意力机制模块的输入，将其结果经过公式(1)计算如下：
y＝Softmax(tanh(Wx+b)) (1)
其中，W为所设定的权值，b为设定的偏置值，x为输入的特征，经过tanh函数和Softmax函数将上一步选取的特征进行数据处理，可相应找出注意力较大的特征；所述Softmax函数如下公式(2)所示：
其中，xi为输入数据，经过指数函数的计算得到输出值为
其中n为x样本的个数，xi为第i样本的值，e为指数函数，k为输入样本的第k个值。
作为优选，将经过注意力机制模块处理后的图像特征与原始的深度图像特征进行特征融合，得到融合后的人脸点云深度图像特征。
且图像融合可相应采用图像的加法或者乘法获得，具体如下：将特征提取后的原始特征数据与注意力机制得到的数据进行加法和乘法运算，分别如下公式(3)、公式(4)和公式(5)所示：
yo(i,j)＝yin(i,j)+ya(i,j) (3)
yo(i,j)＝yin(i,j)×ya(i,j) (4)
ya(i,j)＝Softmax)tanh)Wi,jx(i,j)+bi,j)) (5)
式中，yin(i,j)表示原始图像特征中(i,j)位置的值，x(i,j)表示经过特征提取网络后的最后一层图像中(i,j)位置的值，Wi,j为设定的(i,j)位置的注意力权值，bi,j为设定的(i,j)位置注意力偏置值，ya(i,j)表示注意力机制模块的输出值；yo(i,j)为最后经过注意力机制和原始图像加法或乘法运算后的输出值。
作为优选，将融合后的人脸点云深度图像特征作为原始样本，人脸深度图像中包括若干不同的人脸，每个人脸包含若干不同的表情，且将样本的数据集划分如下：将属于同一人的匹配人脸作为正样本，将属于不同人的不匹配人脸作为负样本，选取正负样本的比例为1:1用于训练。
作为优选，将划分后的正、负样本数据集两两组合作为孪生神经网络模块的训练输入值，并经过孪生神经网络模块中的两个卷积神经网络处理，输出一维特征向量，并使用对比损失函数计算误差。
作为优选，所述孪生神经网络模块中的两个卷积神经网络结构相同，第一层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，再经过归一化层和Dropout层输出到第二层；第二层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，经过归一化再经过Dropout层，之后输出到第三层；第三层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，经过归一化再经过Dropout层，最后输出一维特征向量，将特征向量用于对比损失函数计算误差。
作为优选，所述的孪生神经网络模块训练的对比损失函数为公式(6)所示：
DW＝||GW(X1)-GW(X2)||2 (7)
其中，DW代表两个样本X1和X2计算的特征向量的欧氏距离，并可由公式(7)计算得到，GW为经过孪生神经网络中的卷积神经网络模型得到的特征向量，W代表孪生神经网络中的卷积神经网络模型，Y为两个样本是否匹配的标签，Y＝1则代表输入人脸样本不匹配，Y＝0代表两个输入人脸样本匹配，m为设定的不同类别之间的间隔阈值，L是对比损失函数。
并且，损失函数的作用可分为两个方面，一方面是针对同类人脸样本产生吸引力，另一方面则是在不同类别的人脸样本之间产生斥力；当两个样本为同类别样本时，Y＝0，则可简化为如下公式：
本发明中提出将点云数据转化为人脸深度图，并对深度图进行特征提取，加入注意力机制，能够更好地提取出反映人脸的特征区域；本发明提出对数据样本划分为正样本和负样本，并使用孪生神经网络模块对正负样本进行训练，利用对比损失函数能够更好地对人脸特征向量进行误差计算，最后找到最接近的人脸类别，能够更加准确、迅速地进行人脸识别。
具体实施方式只是本发明的一个优选实施例，并不是用来限制本发明的实施与权利要求范围的，凡依据本发明申请专利保护范围内容做出的等效变化和修饰，均应包括于本发明专利申请范围内。
Claims (10)
1.一种基于注意力机制的人脸点云图像智能识别系统，其特征在于：包括点云数据转化模块、特征提取模块、注意力机制模块、图像融合模块、数据集样本划分以及孪生神经网络模块。
2.一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：包括以下步骤：
1)三维点云数据经过点云数据转化模块转换为二维的深度图像，将深度图像经过特征提取模块得到人脸特征图像；
2)将得到的人脸特征图像经过注意力机制模块得到注意力特征图像，将人脸特征图像和注意力特征图像经过图像融合模块得到带有注意力特征的人脸特征图像；
3)将带有注意力特征的人脸特征图像作为数据集进行数据集样本划分，最后将数据集样本经过孪生神经网络模块进行训练得到人脸识别网络模型。
3.根据权利要求2所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：所述的点云数据转化模块将点云数据首先经过三维数据投影到二维平面，再经过三次样条插值函数填充空缺的点，从而得到完整的人脸深度图像。
4.根据权利要求3所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：将经过点云数据转化后的人脸深度图像作为特征提取模块的输入值；且所述的特征提取模块具体为：选取Alexnet作为卷积网络模型，AlexNet网络设置为：第一层为卷积层，有48个11*11的卷积核，步长为4；第二层为池化层，卷积核为3*3，步长为2；第三层为卷积层，有128个5*5的卷积核，步长为1；第四层为池化层，卷积核为3*3，步长为2；第五层为卷积层，有192个3*3的卷积核，步长为1；第六层为卷积层，有384个卷积核，步长为1；第七层为卷积层，有256个卷积核，步长为1；第八层为池化层，卷积核个数为3*3；第九层为全连接层，输出4096个神经元；第十层为全连接层，输出4096个神经元；第十一层为全连接层，输出1000个神经元。
5.根据权利要求4所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：将经过特征提取模块处理之后的图像特征的最后一层全连接层输出的结果作为注意力机制模块的输入，将其结果经过公式(1)计算如下：
y＝Softmax(tanh(Wx+b)) (1)
其中，W为所设定的权值，b为设定的偏置值，x为输入的特征，经过tanh函数和Softmax函数将上一步选取的特征进行数据处理，可相应找出注意力较大的特征；所述Softmax函数如下公式(2)所示：
其中，xi为输入数据，经过指数函数的计算得到输出值为
其中n为x样本的个数，xi为第i样本的值，e为指数函数，k为输入样本的第k个值。
6.根据权利要求5所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：将经过注意力机制模块处理后的图像特征与原始的深度图像特征进行特征融合，得到融合后的人脸点云深度图像特征；
且图像融合可相应采用图像的加法或者乘法获得，具体如下：将特征提取后的原始特征数据与注意力机制得到的数据进行加法和乘法运算，分别如下公式(3)、公式(4)和公式(5)所示：
yo(i,j)＝yin(i,j)+ya(i,j) (3)
yo(i,j)＝yin(i,j)×ya(i,j) (4)
ya(i,j)＝Softmax(tanh(Wi,jx(i,j)+bi,j)) (5)
式中，yin(i,j)表示原始图像特征中(i,j)位置的值，x(i,j)表示经过特征提取网络后的最后一层图像中(i,j)位置的值，Wi,j为设定的(i,j)位置的注意力权值，bi,j为设定的(i,j)位置注意力偏置值，ya(i,j)表示注意力机制模块的输出值；yo(i,j)为最后经过注意力机制和原始图像加法或乘法运算后的输出值。
7.根据权利要求6所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：将融合后的人脸点云深度图像特征作为原始样本，人脸深度图像中包括若干不同的人脸，每个人脸包含若干不同的表情，且将样本的数据集划分如下：将属于同一人的匹配人脸作为正样本，将属于不同人的不匹配人脸作为负样本，选取正负样本的比例为1:1用于训练。
8.根据权利要求7所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：将划分后的正、负样本数据集两两组合作为孪生神经网络模块的训练输入值，并经过孪生神经网络模块中的两个卷积神经网络处理，输出一维特征向量，并使用对比损失函数计算误差。
9.根据权利要求8所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：所述孪生神经网络模块中的两个卷积神经网络结构相同，第一层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，再经过归一化层和Dropout层输出到第二层；第二层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，经过归一化再经过Dropout层，之后输出到第三层；第三层为一个卷积层，其卷积核个数为3，之后经过Relu激活函数，经过归一化再经过Dropout层，最后输出一维特征向量，将特征向量用于对比损失函数计算误差。
10.根据权利要求9所述的一种基于注意力机制的人脸点云图像智能识别方法，其特征在于：所述的孪生神经网络模块训练的对比损失函数为公式(6)所示：
DW＝||GW(X1)-GW(X2)||2 (7)
其中，DW代表两个样本X1和X2计算的特征向量的欧氏距离，并可由公式(7)计算得到，GW为经过孪生神经网络中的卷积神经网络模型得到的特征向量，W代表孪生神经网络中的卷积神经网络模型，Y为两个样本是否匹配的标签，Y＝1则代表输入人脸样本不匹配，Y＝0代表两个输入人脸样本匹配，m为设定的不同类别之间的间隔阈值，L是对比损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110171946.4A CN112766229B (zh) | 2021-02-08 | 2021-02-08 | 基于注意力机制的人脸点云图像智能识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110171946.4A CN112766229B (zh) | 2021-02-08 | 2021-02-08 | 基于注意力机制的人脸点云图像智能识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766229A true CN112766229A (zh) | 2021-05-07 |
| CN112766229B CN112766229B (zh) | 2022-09-27 |
Family
ID=75705239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110171946.4A Active CN112766229B (zh) | 2021-02-08 | 2021-02-08 | 基于注意力机制的人脸点云图像智能识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766229B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379714A (zh) * | 2021-06-24 | 2021-09-10 | 辽宁工程技术大学 | 基于深度卷积神经网络的光学遥感图像目标检测系统 |
| CN113538675A (zh) * | 2021-06-30 | 2021-10-22 | 同济人工智能研究院(苏州)有限公司 | 一种为激光点云计算注意力权重的神经网络及训练方法 |
| CN113837208A (zh) * | 2021-10-18 | 2021-12-24 | 北京远鉴信息技术有限公司 | 一种异常图像的确定方法、装置、电子设备及存储介质 |
| CN114595725A (zh) * | 2022-03-15 | 2022-06-07 | 合肥工业大学 | 一种基于加法网络和监督对比学习的脑电信号分类方法 |
| CN114637880A (zh) * | 2022-02-18 | 2022-06-17 | 厦门大学 | 基于多视角投影的跨维数据检索方法 |
| CN117495723A (zh) * | 2023-12-29 | 2024-02-02 | 中国石油大学(华东) | 基于分波段处理的不成对数据遥感图像薄云去除方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN109829427A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 一种基于纯度检测和空间注意力网络的人脸聚类方法 |
| CN110414349A (zh) * | 2019-06-26 | 2019-11-05 | 长安大学 | 引入感知模型的孪生卷积神经网络人脸识别算法 |
| CN111582044A (zh) * | 2020-04-15 | 2020-08-25 | 华南理工大学 | 基于卷积神经网络和注意力模型的人脸识别方法 |
| CN111754637A (zh) * | 2020-06-30 | 2020-10-09 | 华东交通大学 | 一种样本相似度抑制的大尺度三维人脸合成系统 |
-
2021
- 2021-02-08 CN CN202110171946.4A patent/CN112766229B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10304193B1 (en) * | 2018-08-17 | 2019-05-28 | 12 Sigma Technologies | Image segmentation and object detection using fully convolutional neural network |
| CN109829427A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 一种基于纯度检测和空间注意力网络的人脸聚类方法 |
| CN110414349A (zh) * | 2019-06-26 | 2019-11-05 | 长安大学 | 引入感知模型的孪生卷积神经网络人脸识别算法 |
| CN111582044A (zh) * | 2020-04-15 | 2020-08-25 | 华南理工大学 | 基于卷积神经网络和注意力模型的人脸识别方法 |
| CN111754637A (zh) * | 2020-06-30 | 2020-10-09 | 华东交通大学 | 一种样本相似度抑制的大尺度三维人脸合成系统 |
Non-Patent Citations (1)
| Title |
|---|
| 赵青: "基于深度学习的三维人脸识别技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379714A (zh) * | 2021-06-24 | 2021-09-10 | 辽宁工程技术大学 | 基于深度卷积神经网络的光学遥感图像目标检测系统 |
| CN113538675A (zh) * | 2021-06-30 | 2021-10-22 | 同济人工智能研究院(苏州)有限公司 | 一种为激光点云计算注意力权重的神经网络及训练方法 |
| CN113837208A (zh) * | 2021-10-18 | 2021-12-24 | 北京远鉴信息技术有限公司 | 一种异常图像的确定方法、装置、电子设备及存储介质 |
| CN113837208B (zh) * | 2021-10-18 | 2024-01-23 | 北京远鉴信息技术有限公司 | 一种异常图像的确定方法、装置、电子设备及存储介质 |
| CN114637880A (zh) * | 2022-02-18 | 2022-06-17 | 厦门大学 | 基于多视角投影的跨维数据检索方法 |
| CN114595725A (zh) * | 2022-03-15 | 2022-06-07 | 合肥工业大学 | 一种基于加法网络和监督对比学习的脑电信号分类方法 |
| CN114595725B (zh) * | 2022-03-15 | 2024-02-20 | 合肥工业大学 | 一种基于加法网络和监督对比学习的脑电信号分类方法 |
| CN117495723A (zh) * | 2023-12-29 | 2024-02-02 | 中国石油大学(华东) | 基于分波段处理的不成对数据遥感图像薄云去除方法 |
| CN117495723B (zh) * | 2023-12-29 | 2024-03-19 | 中国石油大学(华东) | 基于分波段处理的不成对数据遥感图像薄云去除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766229B (zh) | 2022-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766229B (zh) | 基于注意力机制的人脸点云图像智能识别系统及方法 | |
| CN110033002B (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
| CN111639544B (zh) | 基于多分支跨连接卷积神经网络的表情识别方法 | |
| CN105975931B (zh) | 一种基于多尺度池化的卷积神经网络人脸识别方法 | |
| CN112633350B (zh) | 一种基于图卷积的多尺度点云分类实现方法 | |
| CN109325547A (zh) | 非机动车图像多标签分类方法、系统、设备及存储介质 | |
| CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
| CN112801015B (zh) | 一种基于注意力机制的多模态人脸识别方法 | |
| CN111898621B (zh) | 一种轮廓形状识别方法 | |
| CN111401303B (zh) | 一种身份与视角特征分离的跨视角步态识别方法 | |
| CN110321862B (zh) | 一种基于紧致三元损失的行人再识别方法 | |
| CN113628201A (zh) | 基于深度学习的病理切片分析方法、电子设备及可读存储介质 | |
| Jiang | A review of the comparative studies on traditional and intelligent face recognition methods | |
| CN110135277B (zh) | 一种基于卷积神经网络的人体行为识别方法 | |
| CN113032613A (zh) | 一种基于交互注意力卷积神经网络的三维模型检索方法 | |
| CN108363962B (zh) | 一种基于多层次特征深度学习的人脸检测方法及系统 | |
| CN105893941A (zh) | 一种基于区域图像的人脸表情识别方法 | |
| CN108537342A (zh) | 一种基于邻居信息的网络表示学习方法及系统 | |
| CN109685823B (zh) | 一种基于深度森林的目标跟踪方法 | |
| CN112836658B (zh) | 基于迁移学习和稀疏损失函数的人脸识别方法 | |
| CN110728186A (zh) | 一种基于多网融合的火灾检测方法 | |
| CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
| CN113723558A (zh) | 基于注意力机制的遥感图像小样本舰船检测方法 | |
| CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
| CN112766305A (zh) | 一种基于端到端度量网络的视觉slam闭环检测方法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210507 Assignee: NANJING FANGXINGWEIAI AGRICULTURAL TECHNOLOGY Co.,Ltd. Assignor: NANJING FORESTRY University Contract record no.: X2023320000215 Denomination of invention: Intelligent recognition system and method for facial point cloud images based on attention mechanism Granted publication date: 20220927 License type: Common License Record date: 20231013 |
|
| EE01 | Entry into force of recordation of patent licensing contract |