CN112800882A - 一种基于加权双流残差网络的口罩人脸姿态分类方法 - Google Patents
一种基于加权双流残差网络的口罩人脸姿态分类方法 Download PDFInfo
- Publication number
- CN112800882A CN112800882A CN202110053899.3A CN202110053899A CN112800882A CN 112800882 A CN112800882 A CN 112800882A CN 202110053899 A CN202110053899 A CN 202110053899A CN 112800882 A CN112800882 A CN 112800882A
- Authority
- CN
- China
- Prior art keywords
- residual error
- convolution
- mask
- mask face
- face pose
- 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 23
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000004519 manufacturing process Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001125 extrusion Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 9
- 230000001815 facial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012795 verification 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于加权双流残差网络的口罩人脸姿态分类方法，属于计算机视觉领域。该方法包括如下步骤：1：采集、构建口罩人脸姿态数据集，并制作仿真口罩人脸姿态数据集进行数据扩充；2：将口罩人脸姿态数据集划分为训练样本部分和测试样本部分；3：将口罩人脸姿态图像划分出口罩未遮挡部分；4：构建加权双流残差网络模型；步骤5：将构建的加权双流残差网络模型在训练样本部分进行训练；步骤6：将测试样本部分输入步骤5训练后的模型，得到各个人脸姿态类别的输出概率，实现口罩人脸姿态估计。本发明通过充分利用未遮挡信息来进行基于卷积神经网络的建模，有效地实现口罩遮挡的人脸姿态估计。
Description
技术领域
本发明涉及一种基于加权双流残差网络的口罩人脸姿态分类方 法，属于计算机视觉领域。
背景技术
人脸姿态估计是计算机视觉和智能分析技术的热点研究话题，人 脸姿态估计在人脸识别、行为分析、人机交互等领域有着广泛的应用， 通过估计人脸姿态来辅助计算机更好地分析并执行相应的程序或操 作。通常人脸姿态估计方法分作基于模型和基于表观两类，基于模型 的方法对面部遮挡、光照变化、噪声干扰等因素不具有鲁棒性，所以 基于表观的方法更适合于口罩人脸姿态估计。基于表观的方法可以看 作是模式识别任务，其实质为构建图像空间或特征空间到姿态空间的 映射关系，寻找敏感且鲁棒的特征，构建性能较好的分类器是该方法 的核心任务。
近年来，随着基于深度学习的卷积神经网络不断发展，其在图像 分类领域取得了长足的进展。卷积神经网络具有强大的特征获取能力 及出色的分类性能，已被成功地应用于人脸姿态估计中。在变化光照、 噪声干扰等野外场景下已有效地实现了人脸姿态估计，因此将运用卷 积神经网络来解决口罩遮挡的人脸姿态估计。
发明内容
本发明提出了一种基于加权双流残差网络的口罩人脸姿态分类 方法，针对口罩遮挡的人脸目标，通过充分利用未遮挡信息来进行基 于卷积神经网络的建模，有效地实现口罩遮挡的人脸姿态估计。
本发明为解决其技术问题采用如下技术方案：
一种基于加权双流残差网络的口罩人脸姿态分类方法，包括具体 步骤如下：
步骤1：采集、构建口罩人脸姿态数据集，并制作半仿真口罩人 脸姿态数据集进行数据扩充；
步骤2：将口罩人脸姿态数据集划分为训练样本部分和测试样本 部分；
步骤3：将口罩人脸姿态图像划分出口罩未遮挡部分，将口罩未 遮挡部分图像和口罩人脸姿态图像统一调整尺寸为128×128；
步骤4：构建加权双流残差网络模型，该模型由双路残差卷积神 经网络并行组成，所述网络模型包括2个前置卷积层和8个残差卷积 单元，1个改进CAM模块、1个自适应均值池化层及1个全连接层；
步骤5：将步骤4中构建的加权双流残差网络模型在步骤2中的 口罩人脸姿态数据集的训练样本部分进行训练，得到训练后的模型；
步骤6：将步骤2中的口罩人脸姿态数据集的测试样本部分输入 步骤5训练后的模型，得到各个人脸姿态类别的输出概率，实现口罩 人脸姿态估计。
所述步骤1中的口罩人脸姿态数据集共有Yaw方向上-67°、 -45°、-22°、0°、+22°、+45°、+67°七个姿态类别。
所述步骤2中所述训练样本部分为70％的实际采集数据和制作的 半仿真口罩人脸姿态数据，所述的测试样本部分为剩余30％的实际采 集数据。
步骤4中的所述改进CAM模块将输入的通道特征图分别进行全局 均值池化、全局随机值池化和全局最大值池化，从而挤压得到三个特 征描述符，接着把三个特征描述符送入由两层全连接层构成的共享网 络中进行计算，共享网络输出权重向量，然后将权重向量经过sigmoid 函数激活得到每个特征通道的权重，最后将权重赋予对应通道的特征 图，公式如下：
其中，
C为通道数，r为共享网络的缩放系数， 取16，σ为sigmoid激活函数，F为输入的特征图，ReLU(·)为激活函 数，Avgpool(·)为全局均值池化，Maxpool(·)为全局最大值池化， Stochasticpool(·)为全局随机值值池化，z1表示全局最大值池化后的特征 描述符，z2表示全局均值池化后的特征描述符，z3表示全局随机值池 化后的特征描述符，sc为每个特征通道的权重。
步骤4中所述加权双流残差网络模型由双路残差卷积神经网络 并行而成，其中一路网络包含1个前置卷积层和4个残差卷积单元， 单个残差卷积单元的中间层由两层卷积层组成，卷积核尺寸为3×3， 4个残差卷积单元的输出通道数分别为64、128、256、512，残差卷 积单元的公式如下：
y＝Conv(x,Hi)+Hsx
＝H2σ(H1x)+Hsx (2)
其中，x为输入的特征图，Conv(·)为残差卷积单元的中间卷积层，H1和 H2分别为残差卷积单元中间层的第一级和第二级卷积映射关系，Hs为保持与残差卷积单元短接后输出维度一致的线性映射关系，σ为 sigmoid激活函数；y为经过残差卷积单元后的输出；
另外一路网络具有相同的结构，但残差卷积模块中的卷积方式为 空洞卷积；两路得到的输出特征图沿通道维度拼接，并采用改进CAM 模块来对每个通道的特征图进行自适应加权。
本发明的有益效果如下：
1.本发明提出的基于加权双流残差网络的口罩人脸姿态分类模型 能够对口罩遮挡的人脸姿态图像进行准确地识别，总体准确率达到 97.86％。
2.本发明通过构建双流卷积神经网络模型，通过增加对口罩未遮 挡部分的信息利用，提高了有用信息的利用程度。
3.本发明通过采用改进CAM(通道注意力模块)模块来对两路卷 积神经网络获取的特征图进行自适应加权，采用通道加权的方式能够 更加有效地突出贡献程度大的特征并抑制贡献程度小的特征。
4.本发明通过改进CAM模块来增加压缩通道特征图的信息，丰富 激励阶段的可利用信息，从而使得CAM模块更好地对每个特征通道进 行加权。
附图说明
图1是整体流程图。
图2是部分样本数据展示图。
图3是改进CAM模块示意图。
图4是加权双流残差网络结构示意图。
图5是模型训练测试流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
本发明的一种基于加权双流残差网络的口罩人脸姿态分类方法， 整体流程如图1所示。首先采集了真实场景下佩戴口罩的人脸姿态图 像数据，共有Yaw(偏航)方向上7个姿态类别(-67°、-45°、-22°、 0°、+22°、+45°、+67°)。采集了57个人的人脸图像，总共包 含798张样本。由于样本数据较少,所以本发明通过在公开通用的人 脸姿态图像上叠加经过适当形变、缩放、旋转等操作的仿真口罩图像 来生成半仿真口罩人脸姿态图像数据，该数据集的人脸姿态与真实口 罩人脸姿态图像一致，包含了1040个志愿者的人脸图像，共7280张样本。半仿真口罩人脸姿态图像和真实口罩人脸姿态图像的部分样本 如图2所示。所有的半仿真口罩人脸姿态图像和70％的真实采集的口 罩人脸姿态图像作为训练数据，剩余30％的真实采集口罩人脸姿态图 像为测试数据。此外，在送入网络模型训练之前需要对数据进行预处 理。首先将样本图像进行二等分，其次将包含人眼信息的上半部分图 像和整体人脸图像统一调整尺寸为128×128，并且对图像进行加高 斯噪声、椒盐噪声等干扰，均值模糊，亮度变换等数据增强操作。
加权双流残差网络一共有两个输入，分别为整张口罩人脸姿态图 像和口罩未遮挡部分图像。由于口罩未遮挡部分图像包含了大量可用 于姿态识别的图像信息，通过增加一路卷积神经网络对该部分图像进 行特征提取，从而充分利用口罩人脸姿态图像的有效信息。结合另外 一路卷积神经网络对整体图像进行特征提取，双路卷积神经网络能够 获取到更加丰富的图像特征。其中，针对输入为整张图像的残差网络 而言，其获取信息的对象为整副图像，区域较广，所以选取卷积方式 为空洞卷积，扩张感受野的范围，从而更好地把握全局信息。由于两 路网络获取到的特征重要程度不同，所以需要对特征进行加权处理， 突出对分类结果贡献程度大的特征，抑制对分类结果贡献程度低或者 无效的特征。所以首先将两路残差网络最后一层卷积层输出的特征图 沿着通道维度进行拼接，然后利用改进CAM模块对每个特征通道进行 加权。标准的CAM模块仅仅利用了特征图的全局最大值池化信息和全 局均值池化信息，在此基础上，通过增加全局随机值池化来丰富CAM 模块在激励阶段的可利用信息。综合最大值池化、均值池化和随机值 池化三个特征符来更加全面地描述特征图信息，使得CAM模块更好地 对每个通道特征加权，改进的CAM模块如图3所示。然后输出的加权 特征图将被送入自适应池化层，特征图压缩至1×1×n(n为输出特 征图的通道数)并将其送至全连接层整合特征信息，最后送入Softmax (Softmax是个函数名称)分类层得到最终的姿态分类结果，加权双 流残差网络的网络整体示意图如图4所示。
本发明所述的一种基于加权双流残差网络的口罩人脸姿态分类方 法的网络训练和测试流程如图5所示，具体过程如下：
将构建好的加权双流残差网络模型在训练样本部分进行训练，训 练算法为随机梯度下降法，其动量因子为0.9，权重衰减因子为 0.0005，初始学习率为0.01，批大小为16，迭代次数为100，损失 函数为交叉熵损失函数。实验平台的CPU处理器为Core i7-9750H，8GB内存，GPU显卡为NVIDIA GeForce GTX 1650，基于Pytorch深 度学习框架。训练完成后将模型在测试样本部分中进行模型性能的验 证。
首先为了说明采用改进CAM模块对特征加权的有益效果，实验设 置了未采用CAM模块来加权拼接特征图的网络模型、采用CAM模块来 加权拼接特征图的网络模型和采用改进CAM模块来加权拼接特征图 的网络模型进行对比，实验结果如表1所示。从表中可以看出，采用 CAM模块来对拼接的特征图进行加权能够有效提升网络模型的性能， 采用改进的CAM模块能够进一步优化加权的效果，提升模型总体准确 率。
表1采用改进CAM模块的对比实验
为了对比采用双流卷积神经网络的效果，实验设置了只对整体人 脸信息提取特征的网络模型和只对口罩未遮挡部分的人脸信息提取 特征的网络模型作对比，实验结果如表2所示。从表中可以看出，不 论是只利用整体人脸图像或是只利用口罩未遮挡部分的人脸图像的 单路卷积神经网络模型的效果都较差，而利用双流卷积神经网络可以 充分利用口罩人脸图像的信息，有效实现了口罩人脸姿态估计。
表2采用双流卷积神经网络的效果对比
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任 何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同 变化，仍属于本发明所要求保护的范围。
Claims (5)
1.一种基于加权双流残差网络的口罩人脸姿态分类方法，其特征在于,包括具体步骤如下：
步骤1：采集、构建口罩人脸姿态数据集，并制作半仿真口罩人脸姿态数据集进行数据扩充；
步骤2：将口罩人脸姿态数据集划分为训练样本部分和测试样本部分；
步骤3：将口罩人脸姿态图像划分出口罩未遮挡部分，将口罩未遮挡部分图像和口罩人脸姿态图像统一调整尺寸为128×128；
步骤4：构建加权双流残差网络模型，该模型由双路残差卷积神经网络并行组成，所述网络模型包括2个前置卷积层和8个残差卷积单元，1个改进CAM模块、1个自适应均值池化层及1个全连接层；
步骤5：将步骤4中构建的加权双流残差网络模型在步骤2中的口罩人脸姿态数据集的训练样本部分进行训练，得到训练后的模型；
步骤6：将步骤2中的口罩人脸姿态数据集的测试样本部分输入步骤5训练后的模型，得到各个人脸姿态类别的输出概率，实现口罩人脸姿态估计。
2.根据权利要求1所述的一种基于加权双流残差网络的口罩人脸姿态分类方法，其特征在于：所述步骤1中的口罩人脸姿态数据集共有Yaw方向上-67°、-45°、-22°、0°、+22°、+45°、+67°七个姿态类别。
3.根据权利要求1所述的一种基于加权双流残差网络的口罩人脸姿态分类方法，其特征在于：所述步骤2中所述训练样本部分为70％的实际采集数据和制作的半仿真口罩人脸姿态数据，所述的测试样本部分为剩余30％的实际采集数据。
4.根据权利要求1所述的一种基于加权双流残差网络的口罩人脸姿态分类方法，其特征在于：步骤4中的所述改进CAM模块将输入的通道特征图分别进行全局均值池化、全局随机值池化和全局最大值池化，从而挤压得到三个特征描述符，接着把三个特征描述符送入由两层全连接层构成的共享网络中进行计算，共享网络输出权重向量，然后将权重向量经过sigmoid函数激活得到每个特征通道的权重，最后将权重赋予对应通道的特征图，公式如下：
sc＝σ(W2ReLU(W1Maxpool(F))+W2ReLU(W1Avgpool(F))+W2ReLU(W1Stochasticpool(F)))
＝σ(W2ReLU(W1z1)+W2ReLU(W1z2)+W2ReLU(W1z3)) (1)
其中，
C为通道数，r为共享网络的缩放系数，取16，σ为sigmoid激活函数，F为输入的特征图，ReLU(·)为激活函数，Avgpool(·)为全局均值池化，Maxpool(·)为全局最大值池化，Stochasticpool(·)为全局随机值值池化，z1表示全局最大值池化后的特征描述符，z2表示全局均值池化后的特征描述符，z3表示全局随机值池化后的特征描述符，sc为每个特征通道的权重。
5.根据权利要求1所述的一种基于加权双流残差网络的口罩人脸姿态分类方法，其特征在于：步骤4中所述加权双流残差网络模型由双路残差卷积神经网络并行而成，其中一路网络包含1个前置卷积层和4个残差卷积单元，单个残差卷积单元的中间层由两层卷积层组成，卷积核尺寸为3×3，4个残差卷积单元的输出通道数分别为64、128、256、512，残差卷积单元的公式如下：
其中，x为输入的特征图，Conv(·)为残差卷积单元的中间卷积层，H1和H2分别为残差卷积单元中间层的第一级和第二级卷积映射关系，Hs为保持与残差卷积单元短接后输出维度一致的线性映射关系，σ为sigmoid激活函数；y为经过残差卷积单元后的输出；
另外一路网络具有相同的结构，但残差卷积模块中的卷积方式为空洞卷积；两路得到的输出特征图沿通道维度拼接，并采用改进CAM模块来对每个通道的特征图进行自适应加权。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053899.3A CN112800882B (zh) | 2021-01-15 | 2021-01-15 | 一种基于加权双流残差网络的口罩人脸姿态分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110053899.3A CN112800882B (zh) | 2021-01-15 | 2021-01-15 | 一种基于加权双流残差网络的口罩人脸姿态分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112800882A true CN112800882A (zh) | 2021-05-14 |
| CN112800882B CN112800882B (zh) | 2024-10-15 |
Family
ID=75809616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110053899.3A Active CN112800882B (zh) | 2021-01-15 | 2021-01-15 | 一种基于加权双流残差网络的口罩人脸姿态分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112800882B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114550269A (zh) * | 2022-03-02 | 2022-05-27 | 北京百度网讯科技有限公司 | 口罩佩戴检测方法、设备和介质 |
| CN116524327A (zh) * | 2023-06-25 | 2023-08-01 | 云账户技术(天津)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 |
| CN118334724A (zh) * | 2024-04-16 | 2024-07-12 | 北京热芒科技有限公司 | 基于图像数据处理的智能台灯 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
| US20180351775A1 (en) * | 2012-12-05 | 2018-12-06 | Origin Wireless, Inc. | Method, apparatus, and system for wireless motion monitoring |
| CN110348330A (zh) * | 2019-06-24 | 2019-10-18 | 电子科技大学 | 基于vae-acgan的人脸姿态虚拟视图生成方法 |
-
2021
- 2021-01-15 CN CN202110053899.3A patent/CN112800882B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180351775A1 (en) * | 2012-12-05 | 2018-12-06 | Origin Wireless, Inc. | Method, apparatus, and system for wireless motion monitoring |
| CN107122705A (zh) * | 2017-03-17 | 2017-09-01 | 中国科学院自动化研究所 | 基于三维人脸模型的人脸关键点检测方法 |
| CN110348330A (zh) * | 2019-06-24 | 2019-10-18 | 电子科技大学 | 基于vae-acgan的人脸姿态虚拟视图生成方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114550269A (zh) * | 2022-03-02 | 2022-05-27 | 北京百度网讯科技有限公司 | 口罩佩戴检测方法、设备和介质 |
| CN116524327A (zh) * | 2023-06-25 | 2023-08-01 | 云账户技术(天津)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 |
| CN116524327B (zh) * | 2023-06-25 | 2023-08-25 | 云账户技术(天津)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 |
| CN118334724A (zh) * | 2024-04-16 | 2024-07-12 | 北京热芒科技有限公司 | 基于图像数据处理的智能台灯 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112800882B (zh) | 2024-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615010B (zh) | 基于平行卷积神经网络特征图融合的人脸表情识别方法 | |
| Zhao et al. | A deep learning iris recognition method based on capsule network architecture | |
| CN112949565B (zh) | 基于注意力机制的单样本部分遮挡人脸识别方法及系统 | |
| CN113221639B (zh) | 一种基于多任务学习的代表性au区域提取的微表情识别方法 | |
| CN108717568B (zh) | 一种基于三维卷积神经网络的图像特征提取与训练方法 | |
| CN109685819B (zh) | 一种基于特征增强的三维医学图像分割方法 | |
| Du et al. | Skeleton based action recognition with convolutional neural network | |
| CN111325111A (zh) | 一种融合逆注意力和多尺度深度监督的行人重识别方法 | |
| CN108510012A (zh) | 一种基于多尺度特征图的目标快速检测方法 | |
| CN112257741B (zh) | 一种基于复数神经网络的生成性对抗虚假图片的检测方法 | |
| Guo et al. | Radar target recognition based on feature Pyramid fusion lightweight CNN | |
| CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
| CN112800882B (zh) | 一种基于加权双流残差网络的口罩人脸姿态分类方法 | |
| CN110929558A (zh) | 一种基于深度学习的行人重识别方法 | |
| CN115222998A (zh) | 一种图像分类方法 | |
| CN114913379A (zh) | 基于多任务动态对比学习的遥感图像小样本场景分类方法 | |
| CN111639697A (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| CN112070009B (zh) | 基于改进的lbp算子的卷积神经网络表情识别方法 | |
| CN117409459A (zh) | 一种图像生成方法及相关装置 | |
| CN116959073A (zh) | 一种方向自适应的多姿态点云人脸识别方法及系统 | |
| CN116894943A (zh) | 一种双约束的伪装目标检测方法及系统 | |
| CN114550047B (zh) | 一种行为速率引导的视频行为识别方法 | |
| CN113705359B (zh) | 一种基于洗衣机滚筒图像的多尺度衣物检测系统及方法 | |
| CN112287989B (zh) | 一种基于自注意力机制的航空影像地物分类方法 | |
| CN111931670B (zh) | 基于卷积神经网的深度图像头部检测与定位方法及系统 |
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 |