CN113177449A - 人脸识别的方法、装置、计算机设备及存储介质 - Google Patents

人脸识别的方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN113177449A
CN113177449A CN202110425850.6A CN202110425850A CN113177449A CN 113177449 A CN113177449 A CN 113177449A CN 202110425850 A CN202110425850 A CN 202110425850A CN 113177449 A CN113177449 A CN 113177449A
Authority
CN
China
Prior art keywords
feature vector
face image
encoder
primary
initial
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
CN202110425850.6A
Other languages
English (en)
Other versions
CN113177449B (zh
Inventor
杨馥魁
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110425850.6A priority Critical patent/CN113177449B/zh
Publication of CN113177449A publication Critical patent/CN113177449A/zh
Application granted granted Critical
Publication of CN113177449B publication Critical patent/CN113177449B/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
    • G06V40/168—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
    • 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

Abstract

本公开公开了一种人脸识别的方法、装置、计算机设备及存储介质，尤其涉及深度学习、计算机视觉等人工智能技术领域，具体方案为：利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。由此，有效提升了人脸识别的准确性和可靠性。

Description

人脸识别的方法、装置、计算机设备及存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及深度学习、计算机视觉等人工智能技术领域，具体涉及一种人脸识别的方法、装置、计算机设备及存储介质。
背景技术
生物特征识别作为一种安全、可靠的身份验证技术在近几十年中得到了快速发展。3D人脸识别技术作为一种生物特征识别，可以从每个人的脸上提取到不同的身份特征，并与自身数据库中保存的信息进行对比来识别每个人脸的身份。但由于3D人脸识别技术依赖训练数据量，而3D人脸数据不容易获得，从而导致3D人脸识别准确性提升困难。如何提高人脸识别的准确性是当前亟需解决的问题。
发明内容
本公开提供了一种人脸识别的方法、装置、计算机设备及存储介质。
根据本公开的第一方面，提供了一种人脸识别的方法，包括：
利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；
利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；
将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；
对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。
根据本公开的第二方面，提供了一种人脸识别的装置，包括：
第一确定模块，用于利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；
第二确定模块，用于利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；
融合模块，用于将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；
第三确定模块，用于对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一方面实施例所述的方法。
根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其上存储有计算机程序，所述计算机指令用于使所述计算机执行上述一方面实施例所述的方法。
根据本公开第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求上述一方面实施例所述的方法。
本公开的人脸识别的方法、装置、设备及存储介质，至少存在以下有益效果：
首先利用第一编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第一特征向量；利用第二编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第二特征向量，其中，第二编码器与第一编码器对应的训练数据不同；将第一特征向量及第二特征向量进行融合，以生成融合后的特征向量；对融合后的特征向量进行识别，以确定第一三原色人脸图像所属的用户。由此，通过基于多个维度的RGB人脸图像对应的特征向量，进行人脸识别，从而不仅降低了人脸识别方法对图像的要求，而且有效提升了识别的准确性和可靠性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开一个实施例提供的人脸识别的方法的流程示意图；
图2为本公开另一个实施例提供的人脸识别的方法的流程示意图；
图3为本公开又一个实施例提供的人脸识别的方法的流程示意图；
图4为本公开一个实施例提供的人脸识别的装置的结构框图；
图5是可以实现本公开实施例的电子设备图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了方便对本公开的理解，下面首先对本公开涉及的技术领域进行简单解释说明书。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
计算机视觉是一个跨学科的科学领域，研究如何让计算机从数字图像或视频中获得高水平的理解。从工程学的角度来看，它寻求人类视觉系统能够完成的自动化任务。计算机视觉任务包括获取、处理、分析和理解数字图像的方法，以及从现实世界中提取高维数据以便例如以决策的形式产生数字或符号信息的方法。
本公开提供的人脸识别的方法可以由本公开提供的人脸识别的装置执行，也可以由本公开提供的电子设备执行，其中，电子设备可以包括但不限于台式电脑、智能屏、智能手机等终端设备。下面以由本公开提供的人脸识别的装置来执行本公开提供的人脸识别的方法为例来解释说明本公开，而不能作为对本公开的限制，以下简称为“装置”。
下面参考附图对本公开提供的人脸识别的方法、装置、计算机设备及存储介质进行详细描述。
图1是根据本公开第一实施例的人脸识别的方法的流程示意图。
如图1所示，该人脸识别的方法可以包括以下步骤：
步骤101，利用第一编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第一特征向量。
本公开中，三原色图像可以为RGB图像，三原色人脸图像可以理解为人脸的RGB图像。
其中，第一编码器，为预先训练生成的。第一编码器的训练数据可以为人脸深度图像、可见光图像、红外图像的一种，或者还可以为RGB人脸图像、人脸深度图像、可见光图像、红外图像中不同类型图像的组合，本公开对此不进行限定。
举例来说，若第一编码器的训练数据为RGB人脸图像及对应的人脸深度图像，那么可以首先利用编码器对RGB人脸图像进行编码以得到特征向量，之后再利用解码器对特征向量进行解码，以生成人脸深度图像，之后基于生成的人脸深度图像及训练数据中的人脸深度图像间的差异，对编码器及解码器进行修正，以生成第一编码器。
需要说明的是，在人脸图像中分布有多个基本信息，其可以为五官轮廓的大小，位置，距离等基本信息，且人脸的各基本信息之间存在着一定的结构关系，第一特征向量为可以表征该RGB人脸图像中人脸的基本信息以及结构关系的向量。
具体的，在采集到第一三原色人脸图像之后，该装置可以通过将第一三原色人脸图像输入至第一编码器以进行编码处理，比如，第一编码器可以将第一三原色人脸图像进行卷积、池化、全连接等操作，以输出第一三原色人脸图像对应的第一特征向量。
可选的，该第一特征向量可以为128维特征的特征向量，本公开对此不进行限定。
步骤102，利用第二编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第二特征向量，其中，第二编码器与第一编码器对应的训练数据不同。
需要说明的是，本公开中，通过利用不同的训练数据，训练两个不同的用于提取RGB人脸图像对应的特征向量的编码器，从而可以从多个维度对RGB人脸图像进行特征提取。
其中，第二编码器的训练数据可以为人脸深度图像、可见光图像、红外图像的一种，或者还可以为RGB人脸图像、人脸深度图像、可见光图像、红外图像中不同类型图像的组合，本公开对此不进行限定。
举例来说，本公开中，可以利用大量的RGB人脸图像及对应的标注数据，训练一个包含第二编码器的人脸识别模型，之后，即可用该第二编码器提取RGB人脸图像对应的特征向量。
进而，第二编码器对第一三原色人脸图像编码处理的处理结果，与第一编码器对第一三原色人脸图像进行编码处理的结果可以是不同的，也即第二特征向量与第一特征向量是可以是不同的。
步骤103，将第一特征向量及第二特征向量进行融合，以生成融合后的特征向量。
本公开中，在获取第一特征向量与第二特征向量之后，该装置可以将第一特征向量与第二特征向量进行融合。其中，本公开可以通过构建融合模型，将第一特征向量与第二特征向量输入至该融合模型，以获取所需要的融合后的特征向量。
可选的，该装置可以利用融合模型按照不同的参数对第一特征向量与第二特征向量中的各元素进行加权求和，以实现对第一特征向量与第二特征向量的融合，本公开对此不进行限定。
作为一种可能实现的方式，该装置还可以根据第一预设的权重值将第一特征向量与第二特征向量中各元素分别进行加权融合，以确定融合后特征向量中各元素取值，然后根据融合后特征向量中各元素取值分别与预设的参数的比值，确定融合矩阵。
其中，第一预设的权重值可以有两个，分别与第一特征向量和第二特征向量相对应，为方便说明，本公开将其分别记为w1,w2。
其中，第一预设的权重值可以为与第一特征向量以及第二特征向量的维数相同的矩阵。举例来说，若以f1表征第一特征向量，以f2表征第二特征向量，为了便于计算，第一特征向量f1与第二特征向量f2的维度可以是相同的。另外，第一预设的权重值w1、w2的维度与第一特征向量和第二特征向量也是相同的。
为方便说明，记f1为n*1*128的矩阵,f2为n*1*128的矩阵,w1为n*128*1的矩阵,w2为n*128*1的矩阵。
具体的，可以通过将第一预设的权重分别与第一特征向量以及第二特征向量中对应的元素进行相乘，然后加权求和，以实现第一特征向量与第二特征向量的融合，得到融合后特征向量中的各元素取值。然后，该装置可以通过将融合后特征向量中的各元素取值分别除以预设的参数，以确定融合矩阵，本公开在此对预设的参数不进行限定。
具体的，可以将以上过程按照以下公式进行表示：
Figure BDA0003029419380000061
其中，wm为融合矩阵，Scale为预设的参数，softmax为归一化指数函数，elementwise_mul为同位元素乘积函数。
其中，该公式通过子公式elementwise_mul(w1f1,w2f2)，将第一预设的权重w1、w2分别与第一特征向量f1以及第二特征向量f2中对应的元素进行相乘。
进而，该装置可以基于融合矩阵及第二预设的权重值，将第二特征向量进行修正，以生成融合后的特征向量。
具体的，该装置在确定融合矩阵时，可以通过将融合矩阵乘以与第二预设的权重与第二特征向量的乘积，以实现对第二特征向量进行修正，进而可以获得融合后的特征向量，公式如下：
F＝∑mwm(w3*f2)
其中，w3为第二预设的权重，为n*1*128的矩阵。上述公式将利用softmax函数所获得的m个矩阵，分别与第二特征向量以及第二预设的权重值相乘所获取的结果相加，以获取融合后的特征向量F，且对应的融合后的特征向量同为n*1*128的矩阵。
或者，还可以利用融合子网络，将第一特征向量及第二特征向量进行融合，以生成融合后的特征向量。其中，融合子网络可以为预先训练好的达到可用状态的神经网络。
步骤104，对融合后的特征向量进行识别，以确定第一三原色人脸图像所属的用户。
需要说明的是，该装置中可以包含有多个人脸图像样本的特征数据库，之后通过对融合后的特征向量进行识别，以在特征数据库中的多个人脸图像样本中匹配与融合后的特征向量对应的人脸特征向量，从而确定第一三原色人脸图像对应的用户。
具体的，该装置可以计算融合后的特征向量信息与特征数据库的人脸特征向量信息的匹配度，以获取最高匹配度。若最高匹配度高于预设的匹配度阈值，该装置则可以判断为匹配成功，进而将最高匹配度对应人脸特征向量所属用户确定为第一三原色人脸图像所属的用户。
本公开实施例中该装置首先利用第一编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第一特征向量；利用第二编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第二特征向量，其中，第二编码器与第一编码器对应的训练数据不同；将第一特征向量及第二特征向量进行融合，以生成融合后的特征向量；对融合后的特征向量进行识别，以确定第一三原色人脸图像所属的用户。由此，通过基于多个维度的RGB人脸图像对应的特征向量，进行人脸识别，从而不仅降低了人脸识别方法对图像的要求，而且有效提升了识别的准确性和可靠性。
在上述实施例中，该装置在对第一三原色人脸图像进行编码处理以获取第一特征向量时，需要利用第一编码器。为了更加清楚地描述前述实施例中人脸识别的方法的具体实现过程，本公开将结合附图2对第一编码器的获得过程进行详细说明。图2是根据本公开另一实施例的人脸识别的方法的流程示意图。
如图2所示，该人脸识别的方法可以包括但不限于以下步骤：
步骤201，获取训练数据集，其中，训练数据集中包括第二三原色人脸图像及对应的参考深度人脸图像。
需要说明的是，由于获取深度人脸图像的成本和难度较高，而本公开中，参考深度人脸图像仅是用来进行指导模型修正的，因此本公开中，训练数据集中三原色人脸图像的数量与深度人脸图像的数量可以不同。比如对于同一用户，可以获取该用户的多个三原色人脸图像及一个深度人脸图像。从而利用较低的成本和难度，即可训练得到效果较好的第一编码器。
步骤202，利用第一初始编码器，对第二三原色人脸图像进行编码处理，以确定第二三原色人脸图像对应的第一特征向量。
需要说明的是，本公开利用第一初始编码器，对第二三原色人脸图像进行编码处理的具体实现过程可以参照上述步骤102中的第一编码器，在此不进行赘述。
步骤203，利用第一初始解码器，对第一特征向量进行解码，以生成第二三原色人脸图像对应的预测深度人脸图像。
可以理解的是，第一初始解码器用于对第一特征向量进行解码，形成预测深度人脸图像。
步骤204，根据预测深度人脸图像与参考深度人脸图像的差异，对第一初始编码器及第一初始解码器分别进行修正，以生成第一解码器及第一编码器。
需要说明的是，该装置可以通过对深度人脸图像与参考深度人脸图像进行处理，以确定预测深度人脸图像与参考深度人脸图像的差异。
举例来说，可以先确定预测深度人脸图像中每个像素点的深度值与参考深度人脸图像中对应的像素点的深度值间的差值，之后再根据预测深度人脸图像与参考深度人脸图像中全部对应像素点间深度值差值的平方和，来确定预测深度人脸图像与参考深度人脸图像的差异。
或者，还可以先确定出预测深度人脸图像中每个像素点与参考深度人脸图像中对应的像素点间的距离，比如，可以使用欧氏距离公式确定预测深度人脸图像与参考深度人脸图像中各对应像素点间的距离，之后再根据各对应像素点间的距离即可表征预测深度人脸图像与参考深度人脸图像的差异，本公开对此不进行限定。
之后，即可基于预测深度人脸图像与参考深度人脸图像的差异，对第一初始编码器及第一初始解码器进行修正，以生成第一解码器及第一编码器。
具体的，该装置可以根据预测深度人脸图像与参考深度人脸图像的差异，使用梯度下降、随机梯度下降等方式确定出修正梯度，进而，该装置可以根据修正梯度对第一初始编码器及第一初始解码器分别进行修正，以生成第一解码器及第一编码器。本公开对确定修正梯度的方式不做限定。
本公开实施例中该装置首先获取训练数据集，其中，所述训练数据集中包括第二三原色人脸图像及对应的参考深度人脸图像，然后利用第一初始编码器，对第二三原色人脸图像进行编码处理，以确定第二三原色人脸图像对应的第一特征向量，利用第一初始解码器，对第一特征向量进行解码，以生成所述第二三原色人脸图对应的预测深度人脸图像，最后根据预测深度人脸图像与参考深度人脸图像的差异，对第一初始编码器及第一初始解码器分别进行修正，以生成第一解码器及第一编码器。由此，通过利用大量的三原色人脸图像及少量的参考深度人脸图像，即可训练得到可以准确提取三原色人脸图像特征的第一编码器，即保证了第一编码器的准确性，又降低了第一编码器的训练成本和难度。
在上述实施例中，该装置在对第一三原色人脸图像进行编码处理以获取第二特征向量时，需要利用第二编码器。为了更加清楚地描述前述实施例中人脸识别的方法的具体实现过程，本公开将结合附图3对第二编码器的获得过程进行详细说明。图3是根据本公开第二实施例的人脸识别的方法的流程示意图。
图3是根据本公开又一实施例的人脸识别的方法的流程示意图。
如图3所示，该人脸识别的方法可以包括但不限于以下步骤：
步骤301，获取训练数据集，其中，训练数据集中包括第二三原色人脸图像及第二三原色人脸图像对应的标注标签。
其中，每个第二三原色人脸图像对应的标注标签，可以为唯一标识该第二三原色人脸图像的标签，或者，还可以为用于将该第二三原色人脸图像进行分类的类型标签。比如，该标注标签，可以为“年轻女性”、“中年男性”、“小女童”等等，或者，还可以为“王xx”、“张yy”等等，本公开对此不做限定。
步骤302，利用第一初始编码器，对第二三原色人脸图像进行编码处理，以确定第二三原色人脸图像对应的第一特征向量。
步骤303，利用第二初始编码器，对第二三原色人脸图像进行编码处理，以确定第二三原色人脸图像对应的第二特征向量。
需要说明的是，本公开利用第二初始编码器，对第二三原色人脸图像进行编码处理的具体实现过程可以参照上述步骤102中的第一编码器，在此不进行赘述。
步骤304，利用初始融合子网络，将第二特征向量与第一特征向量进行融合，以生成融合后的特征向量。
步骤305，对融合后的特征向量进行解码，以生成第二三原色人脸图像对应的预测标签。
需要说明的是，上述利用初始融合子网络，将第二特征向量与第一特征向量进行融合的具体过程可以参照本公开其他实施例的详细描述，此处不再赘述。
作为一种可能实现的方式，也可以利用第二初始解码器，直接对第二特征向量进行解码，以生成第二三原色人脸图像对应的预测标签。
本公开中，在将第二特征向量输入到第二初始解码器后，第二初始解码器将第二特征向量进行前向传播，最后通过输出层输出经过模型处理之后的预测标签。
步骤306，根据标注标签与预测标签的差异，对初始融合子网络、第一编码器、第二初始编码器及第二初始解码器分别进行修正，以生成融合子网络、第一编码器、第二解码器及第二编码器。
具体的，确定标注标签与预测标签的差异时，可以有多种方式。
比如可以使用曼哈顿距离公式确定出标注标签与预测标签的差异，或者也可以使用欧氏距离公式确定出标注标签与预测标签的差异等。可以理解的是，上述确定标注标签与预测标签的差异的方式，并不仅限于曼哈顿距离公式、欧氏距离公式等。
相应的，若第二初始解码器是对第二特征向量进行解码，得到的预测标签，那么该装置还可以对第二初始编码器及第二初始解码器分别进行修正，以生成第二解码器及第二编码器。
具体的，该装置可以根据标注标签与预测标签的差异，使用梯度下降、随机梯度下降等方式确定出修正梯度，本公开对此不进行限定。
本公开实施例中该装置首先获取训练数据集，其中，所述训练数据集中还包括与第二三原色人脸图像对应的标注标签，然后利用第一初始编码器，对第二三原色人脸图像进行编码处理，以确定第二三原色人脸图像对应的第一特征向量，利用第二初始编码器，对第二三原色人脸图像进行编码处理，以确定第二三原色人脸图像对应的第二特征向量，之后再利用初始融合子网络，将第二特征向量与第一特征向量进行融合，以生成融合后的特征向量，并对融合后的特征向量进行解码，以生成第二三原色人脸图像对应的预测标签，最后根据标注标签与预测标签的差异，对初始融合子网络、第一编码器、第二初始编码器及第二初始解码器分别进行修正，以生成融合子网络、第一编码器、第二解码器及第二编码器。由此，通过利用第二三原色人脸图像及对应的标注标签，不仅可以训练得到第二编码器，还可以对第一编码器进行修正，从而不仅提高了第二解码器得到的预测标签的准确性和可靠性，而且进一步提高了第一编码器的准确性。
为了实现上述实施例，本公开还提出一种人脸识别的装置。
图4为本公开一实施例提出的人脸识别的装置的结构示意图。
如图4所示，该人脸识别的装置400包括：第一确定模块410、第二确定模块420、融合模块430及第三确定模块440。
第一确定模块410，用于利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量。
第二确定模块420，用于利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同。
融合模块430，用于将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量。
第三确定模块440，用于对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。
作为一种可能实现的方式，所述装置，还包括：
第四确定模块，用于获取训练数据集，其中，所述训练数据集中包括第二三原色人脸图像及对应的参考深度人脸图像；
第五确定模块，用于利用第一初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第一特征向量；
第一生成模块，用于利用第一初始解码器，对所述第一特征向量进行解码，以生成所述第二三原色人脸图对应的预测深度人脸图像；
第二生成模块，根据所述预测深度人脸图像与所述参考深度人脸图像的差异，对所述第一初始编码器及所述第一初始解码器分别进行修正，以生成第一解码器及所述第一编码器。
作为一种可能实现的方式，所述训练数据集中还包括与所述第二三原色人脸图像对应的标注标签，所述装置还包括：
第六确定模块，用于利用第二初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第二特征向量。
第三生成模块，用于利用第二初始解码器，对所述第二特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
第四生成模块，用于根据所述标注标签与所述预测标签的差异，对所述第二初始编码器及所述第二初始解码器分别进行修正，以生成第二解码器及所述第二编码器。
作为一种可能实现的方式，述第三生成模块，具体用于：
利用初始融合子网络，将所述第二特征向量与所述第一特征向量进行融合，以生成融合后的特征向量；
利用所述第二初始解码器，对所述融合后的特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
所述第四生成模块，具体用于：
根据所述标注标签与所述预测标签的差异，对所述初始融合子网络、第一编码器、第二初始编码器及所述第二初始解码器分别进行修正，以生成融合子网络、第一编码器、第二解码器及所述第二编码器。
作为一种可能实现的方式，所述融合模块，具体用于：
利用所述融合子网络，将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量。
作为一种可能实现的方式，所述融合模块，具体用于：
根据第一预设的权重值将所述第一特征向量与所述第二特征向量中各元素分别进行加权融合，以确定融合后特征向量中各元素取值；
根据所述融合后特征向量中各元素取值分别与预设的参数的比值，确定融合矩阵；
基于所述融合矩阵及第二预设的权重值，将所述第二特征向量进行修正，以生成所述融合后的特征向量。
本公开实施例中该装置首先利用第一编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第一特征向量；利用第二编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第二特征向量，其中，第二编码器与第一编码器对应的训练数据不同；将第一特征向量及第二特征向量进行融合，以生成融合后的特征向量；对融合后的特征向量进行识别，以确定第一三原色人脸图像所属的用户。由此，通过基于多个维度的RGB人脸图像对应的特征向量，进行人脸识别，从而不仅降低了人脸识别方法对图像的要求，而且有效提升了识别的准确性和可靠性。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元505加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如人脸识别的方法。例如，在一些实施例中，人脸识别的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的人脸识别的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸识别的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
本公开实施例中该装置首先利用第一编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第一特征向量；利用第二编码器，对第一三原色人脸图像进行编码处理，以确定第一三原色人脸图像对应的第二特征向量，其中，第二编码器与第一编码器对应的训练数据不同；将第一特征向量及第二特征向量进行融合，以生成融合后的特征向量；对融合后的特征向量进行识别，以确定第一三原色人脸图像所属的用户。由此，通过基于多个维度的RGB人脸图像对应的特征向量，进行人脸识别，从而不仅降低了人脸识别方法对图像的要求，而且有效提升了识别的准确性和可靠性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种人脸识别的方法，包括：
利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；
利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；
将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；
对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。
2.如权利要求1所述的方法，其中，还包括：
获取训练数据集，其中，所述训练数据集中包括第二三原色人脸图像及对应的参考深度人脸图像；
利用第一初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第一特征向量；
利用第一初始解码器，对所述第一特征向量进行解码，以生成所述第二三原色人脸图对应的预测深度人脸图像；
根据所述预测深度人脸图像与所述参考深度人脸图像的差异，对所述第一初始编码器及所述第一初始解码器分别进行修正，以生成第一解码器及所述第一编码器。
3.如权利要求2所述的方法，其中，所述训练数据集中还包括与所述第二三原色人脸图像对应的标注标签，所述方法还包括：
利用第二初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第二特征向量；
利用第二初始解码器，对所述第二特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
根据所述标注标签与所述预测标签的差异，对所述第二初始编码器及所述第二初始解码器分别进行修正，以生成第二解码器及所述第二编码器。
4.如权利要求3所述的方法，其中，所述利用第二初始解码器，对所述第二特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签，包括：
利用初始融合子网络，将所述第二特征向量与所述第一特征向量进行融合，以生成融合后的特征向量；
利用所述第二初始解码器，对所述融合后的特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
所述根据所述标注标签与所述预测标签的差异，对所述第二初始编码器及所述第二初始解码器分别进行修正，以生成第二解码器及所述第二编码器，包括：
根据所述标注标签与所述预测标签的差异，对所述初始融合子网络、第一编码器、第二初始编码器及所述第二初始解码器分别进行修正，以生成融合子网络、第一编码器、第二解码器及所述第二编码器。
5.如权利要求4所述的方法，其中，所述将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量，包括：
利用所述融合子网络，将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量。
6.如权利要求1-5任一所述的方法，其中，所述将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量，包括：
根据第一预设的权重值将所述第一特征向量与所述第二特征向量中各元素分别进行加权融合，以确定融合后特征向量中各元素取值；
根据所述融合后特征向量中各元素取值分别与预设的参数的比值，确定融合矩阵；
基于所述融合矩阵及第二预设的权重值，将所述第二特征向量进行修正，以生成所述融合后的特征向量。
7.一种人脸识别的装置，包括：
第一确定模块，用于利用第一编码器，对第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第一特征向量；
第二确定模块，用于利用第二编码器，对所述第一三原色人脸图像进行编码处理，以确定所述第一三原色人脸图像对应的第二特征向量，其中，所述第二编码器与所述第一编码器对应的训练数据不同；
融合模块，用于将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量；
第三确定模块，用于对所述融合后的特征向量进行识别，以确定所述第一三原色人脸图像所属的用户。
8.如权利要求7所述的装置，其中，还包括：
第四确定模块，用于获取训练数据集，其中，所述训练数据集中包括第二三原色人脸图像及对应的参考深度人脸图像；
第五确定模块，用于利用第一初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第一特征向量；
第一生成模块，用于利用第一初始解码器，对所述第一特征向量进行解码，以生成所述第二三原色人脸图对应的预测深度人脸图像；
第二生成模块，根据所述预测深度人脸图像与所述参考深度人脸图像的差异，对所述第一初始编码器及所述第一初始解码器分别进行修正，以生成第一解码器及所述第一编码器。
9.如权利要求7所述的装置，其中，所述训练数据集中还包括与所述第二三原色人脸图像对应的标注标签，所述装置还包括：
第六确定模块，用于利用第二初始编码器，对所述第二三原色人脸图像进行编码处理，以确定所述第二三原色人脸图像对应的第二特征向量。
第三生成模块，用于利用第二初始解码器，对所述第二特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
第四生成模块，用于根据所述标注标签与所述预测标签的差异，对所述第二初始编码器及所述第二初始解码器分别进行修正，以生成第二解码器及所述第二编码器。
10.如权利要求9所述的装置，其中，所述第三生成模块，具体用于：
利用初始融合子网络，将所述第二特征向量与所述第一特征向量进行融合，以生成融合后的特征向量；
利用所述第二初始解码器，对所述融合后的特征向量进行解码，以生成所述第二三原色人脸图像对应的预测标签；
所述第四生成模块，具体用于：
根据所述标注标签与所述预测标签的差异，对所述初始融合子网络、第一编码器、第二初始编码器及所述第二初始解码器分别进行修正，以生成融合子网络、第一编码器、第二解码器及所述第二编码器。
11.如权利要求10所述的装置，其中，所述融合模块，具体用于：
利用所述融合子网络，将所述第一特征向量及所述第二特征向量进行融合，以生成融合后的特征向量。
12.如权利要求7-11任一所述的装置，其中，所述融合模块，具体用于：
根据第一预设的权重值将所述第一特征向量与所述第二特征向量中各元素分别进行加权融合，以确定融合后特征向量中各元素取值；
根据所述融合后特征向量中各元素取值分别与预设的参数的比值，确定融合矩阵；
基于所述融合矩阵及第二预设的权重值，将所述第二特征向量进行修正，以生成所述融合后的特征向量。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202110425850.6A 2021-04-20 2021-04-20 人脸识别的方法、装置、计算机设备及存储介质 Active CN113177449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110425850.6A CN113177449B (zh) 2021-04-20 2021-04-20 人脸识别的方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110425850.6A CN113177449B (zh) 2021-04-20 2021-04-20 人脸识别的方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN113177449A true CN113177449A (zh) 2021-07-27
CN113177449B CN113177449B (zh) 2024-02-02

Family

ID=76924398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110425850.6A Active CN113177449B (zh) 2021-04-20 2021-04-20 人脸识别的方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN113177449B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837106A (zh) * 2021-09-26 2021-12-24 北京的卢深视科技有限公司 人脸识别方法、系统、电子设备及存储介质
CN114708644A (zh) * 2022-06-02 2022-07-05 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446650A (zh) * 2018-03-27 2018-08-24 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN108776787A (zh) * 2018-06-04 2018-11-09 北京京东金融科技控股有限公司 图像处理方法及装置、电子设备、存储介质
WO2019119505A1 (zh) * 2017-12-18 2019-06-27 深圳云天励飞技术有限公司 人脸识别的方法和装置、计算机装置及存储介质
CN110543920A (zh) * 2019-09-12 2019-12-06 北京达佳互联信息技术有限公司 图像识别模型的性能检测方法、装置、服务器及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019119505A1 (zh) * 2017-12-18 2019-06-27 深圳云天励飞技术有限公司 人脸识别的方法和装置、计算机装置及存储介质
CN108446650A (zh) * 2018-03-27 2018-08-24 百度在线网络技术（北京）有限公司 用于识别人脸的方法和装置
CN108776787A (zh) * 2018-06-04 2018-11-09 北京京东金融科技控股有限公司 图像处理方法及装置、电子设备、存储介质
WO2019233421A1 (zh) * 2018-06-04 2019-12-12 京东数字科技控股有限公司 图像处理方法及装置、电子设备、存储介质
CN110543920A (zh) * 2019-09-12 2019-12-06 北京达佳互联信息技术有限公司 图像识别模型的性能检测方法、装置、服务器及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张宁;朱金福;: "基于深度自动编码器的机场安检人脸识别系统设计", 计算机测量与控制, no. 02 *
赵玉兰;苑全德;孟祥萍;: "基于稀疏编码和机器学习的多姿态人脸识别算法", 吉林大学学报(理学版), no. 02 *
郑欣: "深度双向阶梯式人脸属性识别网络研究", 中国优秀硕士学位论文全文数据库, no. 2 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113837106A (zh) * 2021-09-26 2021-12-24 北京的卢深视科技有限公司 人脸识别方法、系统、电子设备及存储介质
CN114708644A (zh) * 2022-06-02 2022-07-05 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统
CN114708644B (zh) * 2022-06-02 2022-09-13 杭州魔点科技有限公司 一种基于家庭基因模板的人脸识别方法和系统
CN115578797A (zh) * 2022-09-30 2023-01-06 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备
CN115578797B (zh) * 2022-09-30 2023-08-29 北京百度网讯科技有限公司 模型训练方法、图像识别方法、装置及电子设备

Also Published As

Publication number Publication date
CN113177449B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN113177449B (zh) 人脸识别的方法、装置、计算机设备及存储介质
CN113792854A (zh) 一种模型训练及字库建立方法、装置、设备及存储介质
CN113011420B (zh) 字符识别方法、模型训练方法、相关装置及电子设备
CN113971751A (zh) 训练特征提取模型、检测相似图像的方法和装置
CN113591566A (zh) 图像识别模型的训练方法、装置、电子设备和存储介质
CN113792526B (zh) 字符生成模型的训练方法、字符生成方法、装置和设备和介质
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
CN113657395B (zh) 文本识别方法、视觉特征提取模型的训练方法及装置
CN115861462B (zh) 图像生成模型的训练方法、装置、电子设备及存储介质
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN112784778A (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN116152833B (zh) 基于图像的表格还原模型的训练方法及表格还原方法
CN113947188A (zh) 目标检测网络的训练方法和车辆检测方法
CN112861885A (zh) 图像识别方法、装置、电子设备及存储介质
CN114863437A (zh) 文本识别方法、装置、电子设备和存储介质
CN113378712A (zh) 物体检测模型的训练方法、图像检测方法及其装置
CN113011309A (zh) 图像识别方法、装置、设备、介质及程序产品
CN114022887B (zh) 文本识别模型训练及文本识别方法、装置、电子设备
CN113191261B (zh) 图像类别的识别方法、装置和电子设备
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN113642481A (zh) 识别方法、训练方法、装置、电子设备以及存储介质
CN113177466A (zh) 基于人脸图像的身份识别方法、装置、电子设备及介质
CN115565186B (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN112560848B (zh) 兴趣点poi预训练模型的训练方法、装置及电子设备
CN115116080A (zh) 表格解析方法、装置、电子设备和存储介质

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