CN112907575A - 人脸质量评估方法、装置及电子设备 - Google Patents

人脸质量评估方法、装置及电子设备 Download PDF

Info

Publication number
CN112907575A
CN112907575A CN202110319293.XA CN202110319293A CN112907575A CN 112907575 A CN112907575 A CN 112907575A CN 202110319293 A CN202110319293 A CN 202110319293A CN 112907575 A CN112907575 A CN 112907575A
Authority
CN
China
Prior art keywords
face
evaluated
image
branch
face image
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
CN202110319293.XA
Other languages
English (en)
Other versions
CN112907575B (zh
Inventor
肖贺
肖潇
孟祥昊
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.)
Suzhou Keda Technology Co Ltd
Original Assignee
Suzhou Keda Technology 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 Suzhou Keda Technology Co Ltd filed Critical Suzhou Keda Technology Co Ltd
Priority to CN202110319293.XA priority Critical patent/CN112907575B/zh
Publication of CN112907575A publication Critical patent/CN112907575A/zh
Application granted granted Critical
Publication of CN112907575B publication Critical patent/CN112907575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种人脸质量评估方法、装置及电子设备，人脸质量评估方法包括：检测待评估人脸图像的头部姿态参数；采用经训练的脸部遮挡检测模型，检测待评估人脸图像的脸部遮挡参数，所述脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支；计算待评估人脸图像的图像清晰度；计算待评估人脸图像的人脸面积；根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值。本申请对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果。

Description

人脸质量评估方法、装置及电子设备
技术领域
本申请涉及图像处理领域，尤其涉及一种人脸质量评估方法、装置及电子设备。
背景技术
目前，在各种图像处理中，尤其是监控领域，常常需要进行人脸识别和人脸属性分析。为了更好地进行人脸识别和人脸属性分析，需要从一个序列的同一个标识的人脸图像中筛选出最好的一张来做识别和分析任务，此时要对同一个标识的所有人脸图像质量进行评分，得分最高的便会被当作最好的人脸图像。然而，现有的人脸质量评估方法缺乏系统全面的评价因子，且部分评估模块所用方法得到的效果并不理想。
由此，如何对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果，是本领域技术人员亟待解决的技术问题。
发明内容
本申请为了克服上述现有技术存在的缺陷，提供一种人脸质量评估方法、装置及电子设备，对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果。
根据本申请的一个方面，提供一种人脸质量评估方法，包括：
检测待评估人脸图像的头部姿态参数；
采用经训练的脸部遮挡检测模型，检测待评估人脸图像的脸部遮挡参数，所述脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支；
计算待评估人脸图像的图像清晰度；
计算待评估人脸图像的人脸面积；
根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值。
在本申请的一些实施例中，所述脸部遮挡参数为：所述脸部遮挡检测模型的第一类分支输出的遮挡框中的所述脸部遮挡检测模型的第二类分支输出的遮挡掩膜，与待评估人脸图像之比。
在本申请的一些实施例中，所述脸部遮挡检测模型的第一类分支包括中心点分支、偏置分支、尺寸分支；所述脸部遮挡检测模型的第二类分支包括语义分割分支，所述第一类分支和所述第二类分支共用特征图，所述语义分割分支用于对所述特征图的像素进行二值化，所述特征图为输入所述脸部遮挡检测模型的图像经由特征处理后获得的特征图。
在本申请的一些实施例中，所述脸部遮挡检测模型的模型损失为所述中心点分支的中心点分类损失、所述偏置分支的偏置损失、所述尺寸分支的尺寸损失以及所述语义分割分支的语义分割损失加权合，所述尺寸损失的权重小于所述中心点分类损失的权重，所述尺寸损失的权重小于所述偏置损失的权重，所述尺寸损失的权重小于所述语义分割损失的权重。
在本申请的一些实施例中，所述待评估人脸图像的头部姿态参数采用经训练的头部姿态估计模型检测，所述头部姿态估计模型用于输出估计头部姿态角度映射值，所述估计头部姿态角度映射值转换为估计头部姿态角度以作为所述头部姿态参数，所述头部姿态估计模型输出的估计头部姿态角度映射值i的预测值yi满足：
y0<y1<y2<...<yi>yi+1>yi+2>...>yN
其中，头部姿态角度映射值的范围为[0,N+1)，y为各头部姿态角度的预测值，所述头部姿态角度的预测值用于指示头部姿态角度的准确率，N为大于2的整数，
所述头部姿态估计模型的损失L根据如下公知计算：
Figure BDA0002992497330000021
在本申请的一些实施例中，所述头部姿态角度包括偏航角、俯仰角以及翻滚角，所述头部姿态估计模型包括主干网络以及串接于所述主干网络的偏航角分支、俯仰角分支以及翻滚角分支。
在本申请的一些实施例中，所述计算待评估人脸图像的图像清晰度包括：
计算所述待评估人脸图像的图像八邻域梯度；
计算所述待评估人脸图像的图像四邻域对比度；
将所述待评估人脸图像的图像八邻域梯度以及所述待评估人脸图像的图像四邻域对比度加权和作为所述待评估人脸图像的图像清晰度。
在本申请的一些实施例中，所述根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值包括：
根据标准头部姿态参数计算所述待评估人脸图像的头部姿态参数的姿态评分；
根据映射函数，将待评估人脸图像的图像清晰度映射为清晰度评分；
基于人脸面积阈值与所述待评估人脸图像的人脸面积的比较，获取面积评分；
计算所述姿态评分、清晰度评分以及面积评分的加权和，作为中间值；
根据待评估人脸图像的脸部遮挡参数，计算未被遮挡脸部参数，作为遮挡评分；
将所述遮挡评分和所述中间值的乘积作为所述待评估人脸图像的人脸评估值。
根据本申请的又一方面，还提供一种人脸质量评估装置，包括：
第一模块，配置成检测待评估人脸图像的头部姿态参数；
第二模块，配置成采用经训练的脸部遮挡检测模型，检测待评估人脸图像的脸部遮挡参数，所述脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支；
第三模块，配置成计算待评估人脸图像的图像清晰度；
第四模块，配置成计算待评估人脸图像的人脸面积；
评估模块，配置成根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值。
根据本申请的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本申请的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。
由此可见，本申请提供的方案，与现有技术相比，具有如下优势：
本申请根据待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值，对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果；使得脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支，第一类分支和第二类分支之间具有相关性，能够相互促进，从而提高遮挡检测的遮挡框和遮挡掩膜的精度，从而优化待评估人脸图像的脸部遮挡参数，进而使得人脸质量更加准确和有效。
附图说明
通过参照附图详细描述其示例实施方式，本申请的上述和其它特征及优点将变得更加明显。
图1示出了根据本申请实施例的人脸质量评估方法的流程图。
图2示出了根据本申请具体实施例的脸部遮挡检测模型的结构示意图。
图3示出了根据本申请具体实施例的头部姿态估计模型的结构示意图。
图4示出了根据本申请具体实施例的计算待评估人脸图像的图像清晰度的流程图。
图5示出了根据本申请具体实施例的计算人脸评估值的的流程图。
图6示出了根据本申请实施例的人脸质量评估装置的模块图。
图7示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
图8示意性示出本公开示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本申请的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
为了克服上述现有技术存在的缺陷，本申请提供一种人脸质量评估方法、装置及电子设备，对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果。具体而言，本申请提供的人脸质量评估方法可以应用于诸如监控中的人脸识别、人脸属性分析等应用场景中，本申请并非以此为限制。
首先参见图1，图1示出了根据本申请实施例的人脸质量评估方法的流程图。图1共示出了如下步骤：
步骤S110：检测待评估人脸图像的头部姿态参数。
步骤S120：采用经训练的脸部遮挡检测模型，检测待评估人脸图像的脸部遮挡参数，所述脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支。
步骤S130：计算待评估人脸图像的图像清晰度。
步骤S140：计算待评估人脸图像的人脸面积。
步骤S150：根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值。
本申请提供的人脸质量评估方法中，本申请根据待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值，对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果；使得脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支，第一类分支和第二类分支之间具有相关性，能够相互促进，从而提高遮挡检测的遮挡框和遮挡掩膜的精度，从而优化待评估人脸图像的脸部遮挡参数，进而使得人脸质量更加准确和有效。
下面分别结合图2至图5对本申请的多个实施例进行详细描述。
参见图2，图2示出了根据本申请具体实施例的脸部遮挡检测模型的结构示意图。
脸部遮挡检测模型包括主干网络101以及串接于主干网络101的第一类分支和第二类分支。主干网络101可以包括卷积层、池化层等图像处理和计算层的组合。第一类分支用于输出遮挡框。第一类分支可以包括中心点分支102、偏置分支103以及尺寸分支104。遮挡框可以根据中心点分支102输出的中心点，偏置分支103输出的中心点偏置以及尺寸分支104输出的尺寸计算获得。第二类分支用于输出遮挡掩膜。第二类分支可以包括语义分割分支105。
具体而言，脸部遮挡检测模型中的主干网络101以及串接于主干网络101的第一类分支可以为CenterNet(中心网络)，串接于主干网络101的语义分割分支105和第一类分支共用CenterNet的主干网络101输出的特征图。由于语义分割分支105和第一类分支的都是目标的轮廓特征，即任务之间具有相关性，根据多任务提高模型泛化能力的原理，该语义分割与检测的三个分支可以相互促进，从而提高检测和分割的精度。
所述语义分割分支105用于对所述特征图的像素进行二值化。具体而言，所述语义分割分支105可以对特征图进行上采样，从而输出一个与输入图像大小相同的热度图，该热度图通道数例如可以设置为2，从而实现对模型输入的人脸图像中的每个像素进行二分类，用于区分该像素点为遮挡物或非遮挡物，由此，可以根据遮挡物像素获得遮挡掩膜。
由此，实现对待评估人脸图像上的遮挡物进行检测和分割，其中，第一类分支中的中心点分支、偏置分支和尺寸分支用于遮挡物检测，第二类分支用于遮挡物语义分割，根据遮挡物检测框和分割图计算脸部区域上的遮挡物面积。将遮挡物语义分割与遮挡物检测结合，提高了遮挡物检测的精确度；并且根据遮挡物像素获得遮挡掩膜更加准确。
在本申请的一些实施例中，所述脸部遮挡检测模型的模型损失可以为所述中心点分支的中心点分类损失、所述偏置分支的偏置损失、所述尺寸分支的尺寸损失以及所述语义分割分支的语义分割损失加权合。所述尺寸损失的权重可以小于所述中心点分类损失的权重，所述尺寸损失的权重可以小于所述偏置损失的权重，所述尺寸损失的权重可以小于所述语义分割损失的权重。具体而言，由于目标的尺寸范围为0～图像宽或高，所以对应的尺寸损失范围也是0～图像宽或高，而偏置损失范围为0～1，分类损失也比较小，因此，可以使得尺寸损失的权重小于所述偏置损失的权重，所述尺寸损失的权重可以小于所述语义分割损失的权重。
具体而言，中心点分类损失，偏置损失和尺寸损失分别用于计算网络预测的遮挡物中心点坐标和遮挡物实际中心点坐标之间的差距、网络预测的遮挡物中心点坐标偏置和遮挡物实际中心点坐标偏置之间的差距、网络预测的遮挡物大小和遮挡物实际大小之间的差距，语义分割损失用于计算网络预测的遮挡物像素类别和实际的遮挡物像素类别之间的差距。通过从整体方面预测遮挡物大小和遮挡物实际大小之间的差距结合像素类别之间的差距，从整体和像素级角度结合预测，提高了预测的准确度。
具体而言，中心点分类损失可以采用FocalLoss损失函数计算。偏置损失和尺寸损失可以采用SmoothL1 Loss损失函数计算。语义分割损失可以采用SoftmaxLoss损失函数计算。所述脸部遮挡检测模型的模型损失L可以根据如下公式计算：
L＝Lcenter+Loffset+0.1×Lsize+Lseg
其中，Lcenter为中心点分类损失，Loffset为中心点的偏置损失，Lsize为尺寸损失，Lseg为语义分割损失。
在本申请的一些实施例中，所述脸部遮挡参数可以为所述脸部遮挡检测模型的第一类分支输出的遮挡框中的所述脸部遮挡检测模型的第二类分支输出的遮挡掩膜，与待评估人脸图像之比。通过比例的形式计算脸部遮挡参数，从而能够归一化各不同图像的脸部遮挡参数。
进一步地，所述脸部遮挡参数Areamask可以根据如下公式计算：
Figure BDA0002992497330000081
其中，So为所述脸部遮挡检测模型的第一类分支输出的遮挡框中的所述脸部遮挡检测模型的第二类分支输出的遮挡掩膜的像素点数，Sf表示人脸面积大小，其值为待评估人脸图像的像素点数。
进一步地，在对脸部遮挡检测模型进行训练和使用时，可以对输入模型的图像进行归一化处理，从提高模型检测准确率。归一化处理包括但不限于，使图像各像素值减去该图像的像素均值；使图像各像素值减去该图像的像素标准差。
进一步地，在对脸部遮挡检测模型进行训练时，还可以包括对训练样本(图像、图像的遮挡框以及图像的遮挡掩膜)的标签预处理。标签预处理包括但不限于将将目标类别(是否为遮挡物，遮挡物包括人体自身(如手)和外界一切物体)和目标框信息(遮挡框信息)连同图像路径写入文本文件，同时将标注的遮挡掩膜信息转换成能够直接计算损失的遮挡掩膜图。
具体而言，所述待评估人脸图像的头部姿态参数可以采用经训练的头部姿态估计模型检测。所述头部姿态估计模型用于输出估计头部姿态角度映射值。所述估计头部姿态角度映射值转换为估计头部姿态角度以作为所述头部姿态参数。
具体而言，在本实施例中，所述头部姿态估计模型输出的估计头部姿态角度映射值i的预测值yi满足：
y0＜y1＜y2＜...＜yi＞yi+1＞yi+2＞...＞yN
其中，头部姿态角度映射值的范围为[0，N+1)，y为各头部姿态角度的预测值，所述头部姿态角度的预测值用于指示头部姿态角度的准确率，N为大于2的整数。其中，头部姿态角度映射值映射至实际角度范围为[-90°，90°)。在一些实施例中，N可以为59。由此，相当于将实际角度范围为[-90°，90°)与映射值[0，60)进行映射。
其中，预测值最大的估计头部姿态角度映射值i，为头部姿态估计模型的输出值，可以根据如下公式将其映射为头部姿态角度：
A＝i×3-90
其中，i为网络预测结果中最大值对应的索引，A为换算后的头部姿态角度。上述公式仅仅是示意性地应用于实际角度范围为[-90°，90°)与映射值[0，60)之间的映射，本发明并非以此为限制，根据其它的角度范围级映射范围，还可以提供其它的映射公式。
具体而言，所述头部姿态估计模型的损失L根据如下公知计算：
Figure BDA0002992497330000091
具体而言，头部姿态估计模型的损失函数用于计算网络预测的角度排序效果同实际角度排序效果之间的差距，使得预测结果满足实际角度置信度最大，偏离该角度的置信度依次减小的效果。
下面参见图3，图3示出了根据本申请具体实施例的头部姿态估计模型检测的结构示意图。
所述头部姿态估计模型包括主干网络111以及串接于所述主干网络111的偏航角分支112、俯仰角分支113以及翻滚角分支114。由此，头部姿态角度包括偏航角、俯仰角以及翻滚角。由此，在主干网络111的最后一层分出三个卷积层构成的分支，分别用于预测头部姿态的偏航角、俯仰角和翻滚角(前述的头部姿态损失函数可以分别用于计算偏航角损失、俯仰角损失和翻滚角损失)。偏航角分支112输出的偏航角、俯仰角分支113输出的俯仰角以及翻滚角分支114输出的翻滚角分别按上述映射值的方式进行映射输出。在一些实施例中，偏航角、俯仰角以及翻滚角的映射值可以具有相同的范围，以便于进行数据的统一，本申请并非以此为限制。
进一步地，头部姿态估计模型在训练和使用时，可以首先对输入其中的图像进行归一化处理，从提高模型估计的准确率。归一化处理包括但不限于，使图像各像素值减去该图像的像素均值；使图像各像素值减去该图像的像素标准差。
进一步地，头部姿态估计模型在训练时，还可以对样本图像进行增广，以增加样本值，从而提高模型训练效果。样本图像的增广包括但不限于翻转、平移、缩放、高斯模糊和随机遮挡。
下面参见图4，图4示出了根据本申请具体实施例的计算待评估人脸图像的图像清晰度的流程图。待评估人脸图像的图像清晰度通过如下步骤计算：
步骤S131：计算所述待评估人脸图像的图像八邻域梯度。
具体而言，图像八邻域梯度计算通过两个sobel算子实现，分别为：
Figure BDA0002992497330000101
其中，wH为水平方向的sobel算子，wV为垂直方向的sobel算子，图像在像素点(i，j)处的梯度Gi，j计算公式为：
Figure BDA0002992497330000102
其中，GH为水平方向梯度，GW为垂直方向梯度，整幅图像的八邻域梯度Gtotal为：
Figure BDA0002992497330000103
其中，H为图像高度上的像素数量，W为图像宽度上的像素数量。
步骤S132：计算所述待评估人脸图像的图像四邻域对比度。
具体而言，图像在像素点(i，j)处的图像四邻域对比度Ci，j的计算公式为：
Ci，j＝0.25×((fi，j-1-fi，j)2+(fi，j-fi，j+1)2+(fi-1，j-fi，j)2+(fi，j-fi+1，j)2)
其中，fi，j为图像在像素点(i，j)处的灰度值，整幅图像的四邻域对比度Ctotal的计算公式为：
Figure BDA0002992497330000104
步骤S133：将所述待评估人脸图像的图像八邻域梯度以及所述待评估人脸图像的图像四邻域对比度加权和作为所述待评估人脸图像的图像清晰度。
具体而言，图像清晰度Clarity可以根据如下公式计算：
Clarity＝0.05×Gtotal+0.5×Ctotal。
具体而言，在一些实施例中，在进行图像八邻域梯度计算和图像四邻域对比度计算之前可以将带有颜色的图像(诸如RGB图像)转为灰度图像，并将灰度值归一化为0～1之间，以便于梯度计算和对比度计算的统一性。
具体而言，图1中的步骤S140中，可以根据如下公式计算人脸面积Areaface：
Figure BDA0002992497330000111
其中，H和W为人脸图像的高和宽。
由此，图像八邻域梯度通过一个水平方向3×3的sobel算子(索贝尔算子)和一个垂直方向3×3的sobel算子计算得到，图像四邻域对比度通过计算四邻域内各像素点平方差之和得到，两者的加权和可以作为图像的清晰度值。结合图像八邻域梯度和四邻域对比度两个维度得到图像清晰度，从多个维度确定图像的清晰度，使得图像清晰度评价参数更加准确。
下面参见图5，图5示出了根据本申请具体实施例的计算人脸评估值的的流程图。人脸评估值根据如下步骤计算：
步骤S151：根据标准头部姿态参数计算所述待评估人脸图像的头部姿态参数的姿态评分。
以头部姿态参数包括偏航角(yaw)、俯仰角(pitch)以及翻滚角(roll)为例，姿态评分Scorepose可以根据如下公式计算：
Figure BDA0002992497330000112
其中，标准头部姿态参数例如为90度。
步骤S152：根据映射函数，将待评估人脸图像的图像清晰度映射为清晰度评分。
具体而言，清晰度评分Scoreclarity可以根据如下公式计算：
Scoreclarity＝sigmoid(Clarity)
其中，sigmoid为映射函数，Clarity为图像清晰度。
步骤S153：基于人脸面积阈值与所述待评估人脸图像的人脸面积的比较，获取面积评分。
具体而言，面积评分Scoremask可以根据如下公式计算：
Figure BDA0002992497330000113
其中，Areamask为人脸面积，AreaTH为人脸面积阈值，人脸面积阈值可以按需设定。
步骤S154：计算所述姿态评分、清晰度评分以及面积评分的加权和，作为中间值。
具体而言，中间值Score1可以根据如下公式计算：
Score1＝α·Scorepose+β·Scoremask+γ·Scoreclarity，
其中，α、β、γ分别为姿态评分、清晰度评分以及面积评分的权重，可以按需设置。
步骤S155：根据待评估人脸图像的脸部遮挡参数，计算未被遮挡脸部参数，作为遮挡评分。
具体而言，遮挡评分Scoremask可以根据如下公式计算：
Scoremask＝1-Areamask
其中，Areamask为脸部遮挡参数。
步骤S156：将所述遮挡评分和所述中间值的乘积作为所述待评估人脸图像的人脸评估值。
具体而言，人脸评估值Score可以根据如下公式计算：
Score＝Scoremask·Score1。
由此，可以计算获得待评估人脸图像的人脸评估值。
进一步地，获得待评估人脸图像的人脸评估值后，可以使用人脸评估值进行人脸图像的筛选，例如对同一用户的人脸图像，仅对人脸评估值最高的，或者人脸评估值高于设定阈值的人脸图像进行处理和分析，由此，提高图像处理和分析效率以及准确性。
以上示例性地示出本申请的多个实现方式，本申请并非以此为限制，各实施方式中，步骤的增加、省略、顺序变换皆在本申请的保护范围之内；各实施方式可以单独或组合来实现。
下面结合图6描述本申请提供的人脸质量评估装置200。人脸质量评估装置200包括第一模块210、第二模块220、第三模块230、第四模块240以及评估模块250。
第一模块210配置成检测待评估人脸图像的头部姿态参数。
第二模块220配置成采用经训练的脸部遮挡检测模型，检测待评估人脸图像的脸部遮挡参数，所述脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支。
第三模块230配置成计算待评估人脸图像的图像清晰度。
第四模块240配置成计算待评估人脸图像的人脸面积。
评估模块250配置成根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值。
本申请提供的人脸质量评估装置中，本申请根据待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值，对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果；使得脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支，第一类分支和第二类分支之间具有相关性，能够相互促进，从而提高遮挡检测的遮挡框和遮挡掩膜的精度，从而优化待评估人脸图像的脸部遮挡参数，进而使得人脸质量更加准确和有效。
本申请可以通过软件、硬件、固件及其任意结合的方式实现人脸质量评估装置200。图6仅仅是示意性的示出本申请提供的人脸质量评估装置200，在不违背本申请构思的前提下，模块的拆分、合并、增加都在本申请的保护范围之内。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述人脸质量评估方法的步骤。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，若所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述人脸质量评估方法部分中描述的根据本申请各种示例性实施方式的步骤。
参考图7所示，描述了根据本申请的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适若的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述人脸质量评估方法的步骤。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本申请的这种实施方式的电子设备600。图8显示的电子设备600仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述人脸质量评估方法部分中描述的根据本申请各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应若明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述人脸质量评估方法。
本申请根据待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值，对图像中的人脸质量进行全面和有效的评估，以获得更准确和完整的人脸识别和人脸属性分析结果；使得脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支，第一类分支和第二类分支之间具有相关性，能够相互促进，从而提高遮挡检测的遮挡框和遮挡掩膜的精度，从而优化待评估人脸图像的脸部遮挡参数，进而使得人脸质量更加准确和有效。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种人脸质量评估方法，其特征在于，包括：
检测待评估人脸图像的头部姿态参数；
采用经训练的脸部遮挡检测模型，检测待评估人脸图像的脸部遮挡参数，所述脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支；
计算待评估人脸图像的图像清晰度；
计算待评估人脸图像的人脸面积；
根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值。
2.如权利要求1所述的人脸质量评估方法，其特征在于，所述脸部遮挡参数为：所述脸部遮挡检测模型的第一类分支输出的遮挡框中的所述脸部遮挡检测模型的第二类分支输出的遮挡掩膜，与待评估人脸图像之比。
3.如权利要求1所述的人脸质量评估方法，其特征在于，所述脸部遮挡检测模型的第一类分支包括中心点分支、偏置分支、尺寸分支；所述脸部遮挡检测模型的第二类分支包括语义分割分支，所述第一类分支和所述第二类分支共用特征图，所述语义分割分支用于对所述特征图的像素进行二值化，所述特征图为输入所述脸部遮挡检测模型的图像经由特征处理后获得的特征图。
4.如权利要求3所述的人脸质量评估方法，其特征在于，所述脸部遮挡检测模型的模型损失为所述中心点分支的中心点分类损失、所述偏置分支的偏置损失、所述尺寸分支的尺寸损失以及所述语义分割分支的语义分割损失加权合，所述尺寸损失的权重小于所述中心点分类损失的权重，所述尺寸损失的权重小于所述偏置损失的权重，所述尺寸损失的权重小于所述语义分割损失的权重。
5.如权利要求1所述的人脸质量评估方法，其特征在于，所述待评估人脸图像的头部姿态参数采用经训练的头部姿态估计模型检测，所述头部姿态估计模型用于输出估计头部姿态角度映射值，所述估计头部姿态角度映射值转换为估计头部姿态角度以作为所述头部姿态参数，所述头部姿态估计模型输出的估计头部姿态角度映射值i的预测值yi满足：
y0<y1<y2<...<yi>yi+1>yi+2>...>yN
其中，头部姿态角度映射值的范围为[0,N+1)，y为各头部姿态角度的预测值，所述头部姿态角度的预测值用于指示头部姿态角度的准确率，N为大于2的整数，
所述头部姿态估计模型的损失L根据如下公知计算：
Figure FDA0002992497320000021
6.如权利要求5所述的人脸质量评估方法，其特征在于，所述头部姿态角度包括偏航角、俯仰角以及翻滚角，所述头部姿态估计模型包括主干网络以及串接于所述主干网络的偏航角分支、俯仰角分支以及翻滚角分支。
7.如权利要求1所述的人脸质量评估方法，其特征在于，所述计算待评估人脸图像的图像清晰度包括：
计算所述待评估人脸图像的图像八邻域梯度；
计算所述待评估人脸图像的图像四邻域对比度；
将所述待评估人脸图像的图像八邻域梯度以及所述待评估人脸图像的图像四邻域对比度加权和作为所述待评估人脸图像的图像清晰度。
8.如权利要求1至7任一项所述的人脸质量评估方法，其特征在于，所述根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值包括：
根据标准头部姿态参数计算所述待评估人脸图像的头部姿态参数的姿态评分；
根据映射函数，将待评估人脸图像的图像清晰度映射为清晰度评分；
基于人脸面积阈值与所述待评估人脸图像的人脸面积的比较，获取面积评分；
计算所述姿态评分、清晰度评分以及面积评分的加权和，作为中间值；
根据待评估人脸图像的脸部遮挡参数，计算未被遮挡脸部参数，作为遮挡评分；
将所述遮挡评分和所述中间值的乘积作为所述待评估人脸图像的人脸评估值。
9.一种人脸质量评估装置，其特征在于，包括：
第一模块，配置成检测待评估人脸图像的头部姿态参数；
第二模块，配置成采用经训练的脸部遮挡检测模型，检测待评估人脸图像的脸部遮挡参数，所述脸部遮挡检测模型包括用于输出遮挡框的第一类分支和用于输出遮挡掩膜的第二类分支；
第三模块，配置成计算待评估人脸图像的图像清晰度；
第四模块，配置成计算待评估人脸图像的人脸面积；
评估模块，配置成根据所述待评估人脸图像的头部姿态参数、待评估人脸图像的脸部遮挡参数、待评估人脸图像的图像清晰度以及待评估人脸图像的人脸面积计算人脸评估值。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至8任一项所述的人脸质量评估方法。
CN202110319293.XA 2021-03-25 2021-03-25 人脸质量评估方法、装置及电子设备 Active CN112907575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110319293.XA CN112907575B (zh) 2021-03-25 2021-03-25 人脸质量评估方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110319293.XA CN112907575B (zh) 2021-03-25 2021-03-25 人脸质量评估方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112907575A true CN112907575A (zh) 2021-06-04
CN112907575B CN112907575B (zh) 2022-07-22

Family

ID=76106527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110319293.XA Active CN112907575B (zh) 2021-03-25 2021-03-25 人脸质量评估方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112907575B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705650A (zh) * 2021-08-20 2021-11-26 网易（杭州）网络有限公司 一种人脸图片集的处理方法、装置、介质和计算设备
CN114648215A (zh) * 2022-03-16 2022-06-21 广东博通新能源科技有限公司 一种基于物联网技术的能源管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120230545A1 (en) * 2009-11-30 2012-09-13 Tong Zhang Face Recognition Apparatus and Methods
CN111540090A (zh) * 2020-04-29 2020-08-14 北京市商汤科技开发有限公司 控制车门解锁的方法、装置、车辆、电子设备及存储介质
CN111860091A (zh) * 2020-01-22 2020-10-30 北京嘀嘀无限科技发展有限公司 人脸图像评估方法和系统、服务器和计算机可读存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120230545A1 (en) * 2009-11-30 2012-09-13 Tong Zhang Face Recognition Apparatus and Methods
CN111860091A (zh) * 2020-01-22 2020-10-30 北京嘀嘀无限科技发展有限公司 人脸图像评估方法和系统、服务器和计算机可读存储介质
CN111540090A (zh) * 2020-04-29 2020-08-14 北京市商汤科技开发有限公司 控制车门解锁的方法、装置、车辆、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705650A (zh) * 2021-08-20 2021-11-26 网易（杭州）网络有限公司 一种人脸图片集的处理方法、装置、介质和计算设备
CN113705650B (zh) * 2021-08-20 2023-07-11 网易（杭州）网络有限公司 一种人脸图片集的处理方法、装置、介质和计算设备
CN114648215A (zh) * 2022-03-16 2022-06-21 广东博通新能源科技有限公司 一种基于物联网技术的能源管理系统

Also Published As

Publication number Publication date
CN112907575B (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN111428726B (zh) 基于图神经网络的全景分割方法、系统、设备及存储介质
US10210418B2 (en) Object detection system and object detection method
US11586851B2 (en) Image classification using a mask image and neural networks
US10910099B2 (en) Segmentation, landmark detection and view classification using multi-task learning
WO2020020146A1 (zh) 激光雷达稀疏深度图的处理方法、装置、设备及介质
JP5174040B2 (ja) 画像の構成要素と背景とを区別するためにコンピュータで実行される方法および画像の構成要素と背景とを区別するためのシステム
CN110264444B (zh) 基于弱分割的损伤检测方法及装置
WO2022033095A1 (zh) 一种文本区域的定位方法及装置
CN112906502A (zh) 目标检测模型的训练方法、装置、设备以及存储介质
CN112070231A (zh) 用于机器学习性能测试和改进的数据分片
Medina-Carnicer et al. Unimodal thresholding for edge detection
CN112907575B (zh) 人脸质量评估方法、装置及电子设备
CN114937086B (zh) 多图像目标检测的训练方法、检测方法及相关产品
KR20220002065A (ko) 이미지 문답 방법, 장치, 컴퓨터 장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램
CN113643260A (zh) 用于检测图像质量的方法、装置、设备、介质和产品
US11200455B2 (en) Generating training data for object detection
CN113887455B (zh) 一种基于改进fcos的人脸口罩检测系统及方法
CN113762027B (zh) 一种异常行为的识别方法、装置、设备及存储介质
CN115830470A (zh) 一种遥感图像弱强度小尺度目标的检测方法、装置、设备
CN114140612A (zh) 电力设备隐患检测方法、装置、设备及存储介质
CN112991266A (zh) 用于小样本医疗影像的语义分割方法及系统
CN113963322B (zh) 一种检测模型训练方法、装置及电子设备
US20240161303A1 (en) Methods and apparatuses for auto segmentation using bounding box
Lehman et al. Implicit background estimation for semantic segmentation
US20220375573A1 (en) Systems and methods to process electronic images to categorize intra-slide specimen tissue type

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