CN113269300A - 一种人脸采集特征训练方法、系统及存储介质 - Google Patents

一种人脸采集特征训练方法、系统及存储介质 Download PDF

Info

Publication number
CN113269300A
CN113269300A CN202110400275.4A CN202110400275A CN113269300A CN 113269300 A CN113269300 A CN 113269300A CN 202110400275 A CN202110400275 A CN 202110400275A CN 113269300 A CN113269300 A CN 113269300A
Authority
CN
China
Prior art keywords
convolution
mobilenet network
face
training
network
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.)
Pending
Application number
CN202110400275.4A
Other languages
English (en)
Inventor
麦伟彬
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.)
Guangzhou Shengye Information Technology Co ltd
Original Assignee
Guangzhou Shengye Information 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 Guangzhou Shengye Information Technology Co ltd filed Critical Guangzhou Shengye Information Technology Co ltd
Priority to CN202110400275.4A priority Critical patent/CN113269300A/zh
Publication of CN113269300A publication Critical patent/CN113269300A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods

Abstract

本发明公开了一种人脸采集特征训练方法、系统及存储介质，所述方法包括：获取样本数据集，将所述样本数据集划分为训练集和验证集；构建改进MobileNet网络，利用所述样本数据集训练改进MobileNet网络，使所述MobileNet网络输出人脸特征的位置点；将验证集的人脸图像输入训练完成的改进MobileNet网络，将通过验证的改进MobileNet网络作为特征训练模型。本发明采用的MobileNet网络，计算简单，将通过验证的改进MobileNet网络作为特征训练模型，能大大提高预测准确率。

Description

一种人脸采集特征训练方法、系统及存储介质
技术领域
本发明涉及人脸识别技术领域，具体涉及一种人脸采集特征训练方法、系统及存储介质。
背景技术
人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别在人脸验证、接入控制、安全监控和人机交互等领域有广泛的应用。当前在卷积神经网络上执行人脸识别任务表现优异。因此卷积神经网络也是解决人脸识别问题的主要方法。基于深度卷积网络的人脸识别算法是当前人脸识别算法的主流模型，其中主要技术包括采用多层卷积神经网络，基于ReLU(修正线性单元，Rectified linear unit)的激活函数以及基于TripLet loss的监督训练方法，但是通过传统深度学习方法训练出的目标检测模型通常包含大量参数，计算复杂，模型体积大并且需要GPU支持，而且训练后的模型准确率不高。
发明内容
鉴于以上技术问题，本发明的目的在于提供一种人脸采集特征训练方法、系统及存储介质，解决现有技术目标检测模型包含大量参数，计算复杂、模型体积大且预测准确率不高的问题。
本发明采用以下技术方案：
一种人脸采集特征训练方法，包括:
获取人脸图像，作为样本数据集，并对所述样本数据集的特征位置点进行标记；将所述样本数据集划分为训练集和验证集；
构建改进MobileNet网络，利用所述样本数据集训练改进MobileNet网络，使所述MobileNet网络输出人脸特征的位置点；
将验证集的人脸图像输入训练完成的改进MobileNet网络，若该改进MobileNet网络的输出与验证集的标记的距离小于预设阈值，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为特征训练模型。
进一步的，还包括，通过逐渐降低损失函数对所述MobileNet网络参数进行更新。
进一步的，还包括：将标记后的样本数据集按照9:1或8:2或7:3的比例随机划分训练集和验证集。
进一步的，所述改进MobileNet网络包括：
Expansion layer维度扩展层，采用1×1的网络结构，将低维空间映射到高维空间；
深度可分离卷积，采用depthwise convolution深度卷积对不同输入通道分别进行卷积，然后采用pointwise convolution点乘点卷积将depthwise convolution深度卷积的输出进行结合，收集每个特点的位置；
Projection layer投影层，用于压缩pointwise convolution点乘点卷积收集的特征数据。
进一步的，所述损失函数L满足：
Figure BDA0003019936080000031
其中，L为MobileNet网络的损失函数，M为样本的个数，N为特征点个数，λn为人脸各姿态的权重值，
Figure BDA0003019936080000032
为特征点的位置距离度量。
进一步的，所述姿态包括但不限于侧脸、正脸、抬头、低头、表情和遮挡。
进一步的，所述改进MobileNet网络的输出与验证集的标记之间的距离d2满足：
Figure BDA0003019936080000033
其中，i1为改进MobileNet网络输出的位置，i2为验证集的标记的位置，p为人脸特征点的个数。
一种人脸采集特征训练系统，包括:
获取模块，用于采集人脸图像并存储作为样本数据集，并将所述样本数据集划分为训练集和验证集；
标记模块，用于对所述样本数据集进行标记；
构建模块，用于构建改进MobileNet网络，利用所述样本数据集训练改进MobileNet网络，使所述MobileNet网络输出人脸特征的位置点；
验证模块，用于将验证集的人脸图像输入训练完成的改进MobileNet网络，若该改进MobileNet网络的输出与验证集的标记的距离小于预设阈值，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为特征训练模型。
进一步的，所述改进MobileNet网络包括：
Expansion layer维度扩展层，采用1×1的网络结构，将低维空间映射到高维空间；
深度可分离卷积，采用depthwise convolution深度卷积对不同输入通道分别进行卷积，然后采用pointwise convolution点乘点卷积将depthwise convolution深度卷积的输出进行结合，收集每个特点的位置；
Projection layer投影层，用于压缩pointwise convolution点乘点卷积收集的特征数据。
一种计算机存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时，实现所述的人脸采集特征训练方法。
相比现有技术，本发明的有益效果在于：
本发明采用的MobileNet网络，计算简单，将通过验证的改进MobileNet网络作为特征训练模型，能大大提高预测准确率。
进一步的，通过逐渐降低损失函数对所述MobileNet网络参数进行更新，使在输入训练图像的训练过程中考虑人脸姿态的影响，可以提高人脸姿态变化的鲁棒性，进一步提高预测准确率。
附图说明
图1为本发明实施例提供的一种人脸采集特征训练方法的流程示意图；
图2为本发明一实施例提供的一种人脸采集特征方法中瓶颈层的结构示意图；
图3为本发明另一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例：
实施例一：
请参照图1，示出的本发明实施例提供的一种人脸采集特征训练方法，包括:
步骤S1:获取人脸图像，作为样本数据集，并对所述样本数据集的特征位置点进行标记；将所述样本数据集划分为训练集和验证集；
可选的，将所述样本数据集划分为训练集和验证集可包括：将标记后的样本数据集按照9:1或8:2或7:3的比例随机划分训练集和验证集。
步骤S2:构建改进MobileNet网络，利用所述样本数据集训练改进MobileNet网络，使所述MobileNet网络输出人脸特征的位置点；
步骤S3:将验证集的人脸图像输入训练完成的改进MobileNet网络，若该改进MobileNet网络的输出与验证集的标记的距离小于预设阈值，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为特征训练模型。
进一步的，通过逐渐降低损失函数对所述MobileNet网络参数进行更新。
具体的，所述改进MobileNet网络包括：
Expansion layer维度扩展层，采用1×1的网络结构，将低维空间映射到高维空间；
深度可分离卷积，采用depthwise convolution深度卷积对不同输入通道分别进行卷积，然后采用pointwise convolution点乘点卷积将depthwise convolution深度卷积的输出进行结合，收集每个特点的位置；
Projection layer投影层，用于压缩pointwise convolution点乘点卷积收集的特征数据。
作为具体实施例，特征训练模型可使用MobileNet-V2模型，进行特征训练，其主要结构的参数如下表：
表：MobileNet-V2模型的参数表
Figure BDA0003019936080000071
其中，bottleneck瓶颈层的具体结构如图2所示，包括：
Expansion layer维度扩展层：使用1×1的网络结构，目的是将低维空间映射到高维空间。这里Expansion有一个超参数是维度扩展几倍，可以根据实际情况来做调整的，默认值是6，也就是扩展6倍。
Deptwise layer深度可分离卷积层，Depthwise separable convolution深度级可分离卷积是一种可分解卷积操作(factorized convolutions)，其可以分解为两个更小的操作：depthwise convolution深度卷积和pointwise convolution点乘点卷积，Depthwise convolution深度卷积和标准卷积不同，对于标准卷积其卷积核是用在所有的input channels输入通道上，而depthwise convolution深度卷积针对每个输入通道采用不同的卷积核，就是说一个卷积核对应一个输入通道，所以说depthwise convolution深度卷积是depth级别的操作。而pointwise convolution是普通的卷积，只不过其采用1x1的卷积核，对于depthwise separable convolution，其首先是采用depthwise convolution对不同输入通道分别进行卷积，然后采用pointwise convolution将上面的输出再进行结合，这样其实整体效果和一个标准卷积是差不多的，但是会大大减少计算量和模型参数量。
在一个bottleneck瓶颈层，通过Expansion layer来扩展维度之后，再用深度可分离卷积来提取特征，之后使用Projection layer来压缩数据，让网络从新变小。因为Expansion layer和Projection layer都是有可以学习的参数，所以整个网络结构可以学习到如何更好的扩展数据和重新压缩数据，减少模型的体积。
具体的，所述损失函数L满足：
Figure BDA0003019936080000081
其中，L为MobileNet网络的损失函数，M为样本的个数，N为特征点个数，λn为人脸各姿态的权重值，
Figure BDA0003019936080000082
为特征点的位置距离度量。
具体的，所述姿态包括但不限于侧脸、正脸、抬头、低头、表情和遮挡。
需要说明的是，所述姿态种类可自定义设置，以上仅是对姿态的种类进行举例，不作具体限制，在实际应用中，可根据人脸识别的用途进行设定。
在上述实现过程中，不同的姿态具有不同的权值，如果某类别样本少则给定权重大，比如侧脸或遮挡的样本少，则可以适当提高权重值。
可选的，所述改进MobileNet网络的输出与验证集的标记之间的距离d2满足：
Figure BDA0003019936080000091
其中，i1为改进MobileNet网络输出的位置，i2为验证集的标记的位置，p为人脸特征点的个数。
在上述实现过程中，训练目标以验证集的预测准确率为目标，同一身份的不同人脸图像对应的特征之间相互接近，而不同身份人脸图像对应的特征之间相互远离，在所述改进MobileNet网络的输出与验证集的标记之间的距离d2小于预设阈值，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为特征训练模型，大大提高了特征训练模型的预测准确率。
实施例二：
本发明的一种人脸采集特征训练系统，包括:
获取模块，用于采集人脸图像并存储作为样本数据集，并将所述样本数据集划分为训练集和验证集；
标记模块，用于对所述样本数据集进行标记；
可选的，将标记后的样本数据集按照9:1或8:2或7:3的比例随机划分训练集和验证集。
构建模块，用于构建改进MobileNet网络，利用所述样本数据集训练改进MobileNet网络，使所述MobileNet网络输出人脸特征的位置点；
验证模块，用于将验证集的人脸图像输入训练完成的改进MobileNet网络，若该改进MobileNet网络的输出与验证集的标记的距离小于预设阈值，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为特征训练模型。
可选的，所述改进MobileNet网络包括：
Expansion layer维度扩展层，采用1×1的网络结构，将低维空间映射到高维空间；
深度可分离卷积，采用depthwise convolution深度卷积对不同输入通道分别进行卷积，然后采用pointwise convolution点乘点卷积将depthwise convolution深度卷积的输出进行结合，收集每个特点的位置；
Projection layer投影层，用于压缩pointwise convolution点乘点卷积收集的特征数据。
可选的，所述MobileNet网络通过逐渐降低损失函数对所述MobileNet网络参数进行更新。
进一步的，所述改进MobileNet网络包括：
Expansion layer维度扩展层，采用1×1的网络结构，将低维空间映射到高维空间；
深度可分离卷积，采用depthwise convolution深度卷积对不同输入通道分别进行卷积，然后采用pointwise convolution点乘点卷积将depthwise convolution深度卷积的输出进行结合，收集每个特点的位置；
Projection layer投影层，用于压缩pointwise convolution点乘点卷积收集的特征数据。
所述损失函数L满足：
Figure BDA0003019936080000111
其中，L为MobileNet网络的损失函数，M为样本的个数，N为特征点个数，λn为人脸各姿态的权重值，
Figure BDA0003019936080000112
为特征点的位置距离度量。
进一步的，所述姿态包括但不限于侧脸、正脸、抬头、低头、表情和遮挡。
进一步的，所述改进MobileNet网络的输出与验证集的标记之间的距离d2满足：
Figure BDA0003019936080000121
其中，i1为改进MobileNet网络输出的位置，i2为验证集的标记的位置，p为人脸特征点的个数。
实施例三：
图3为本申请实施例提供的一种电子设备的结构示意图，在本申请中可以通过图3所示的示意图来描述用于实现本申请实施例的本发明一种人脸采集特征训练方法的电子设备100。
如图3所示的一种电子设备的结构示意图，电子设备100包括一个或多个处理器102、一个或多个存储装置104，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图3所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备可以具有图3示出的部分组件，也可以具有图3未示出的其他组件和结构。
所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本申请实施例中(由处理器实现)的功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
本发明还提供一种计算机存储介质，其上存储有计算机程序，本发明的方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在该计算机存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机存储介质不包括电载波信号和电信信号。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (10)

1.一种人脸采集特征训练方法，其特征在于，包括:
获取人脸图像，作为样本数据集，并对所述样本数据集的特征位置点进行标记；将所述样本数据集划分为训练集和验证集；
构建改进MobileNet网络，利用所述样本数据集训练改进MobileNet网络，使所述MobileNet网络输出人脸特征的位置点；
将验证集的人脸图像输入训练完成的改进MobileNet网络，若该改进MobileNet网络的输出与验证集的标记的距离小于预设阈值，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为特征训练模型。
2.根据权利要求1所述的人脸采集特征训练方法，其特征在于，还包括，通过逐渐降低损失函数对所述MobileNet网络参数进行更新。
3.根据权利要求1所述的人脸采集特征训练方法，其特征在于，还包括：将标记后的样本数据集按照9:1或8:2或7:3的比例随机划分训练集和验证集。
4.根据权利要求1所述的人脸采集特征训练方法，其特征在于，所述改进MobileNet网络包括：
Expansion layer维度扩展层，采用1×1的网络结构，将低维空间映射到高维空间；
深度可分离卷积，采用depthwise convolution深度卷积对不同输入通道分别进行卷积，然后采用pointwise convolution点乘点卷积将depthwise convolution深度卷积的输出进行结合，收集每个特点的位置；
Projection layer投影层，用于压缩pointwise convolution点乘点卷积收集的特征数据。
5.根据权利要求2所述的人脸采集特征训练方法，其特征在于，所述损失函数L满足：
Figure FDA0003019936070000021
其中，L为MobileNet网络的损失函数，M为样本的个数，N为特征点个数，λn为人脸各姿态的权重值，
Figure FDA0003019936070000022
为特征点的位置距离度量。
6.根据权利要求5所述的人脸采集特征训练方法，其特征在于，所述姿态包括但不限于侧脸、正脸、抬头、低头、表情和遮挡。
7.根据权利要求1所述的人脸采集特征训练方法，其特征在于，所述改进MobileNet网络的输出与验证集的标记之间的距离d2满足：
Figure FDA0003019936070000023
其中，i1为改进MobileNet网络输出的位置，i2为验证集的标记的位置，p为人脸特征点的个数。
8.一种人脸采集特征训练系统，其特征在于，包括:
获取模块，用于采集人脸图像并存储作为样本数据集，并将所述样本数据集划分为训练集和验证集；
标记模块，用于对所述样本数据集进行标记；
构建模块，用于构建改进MobileNet网络，利用所述样本数据集训练改进MobileNet网络，使所述MobileNet网络输出人脸特征的位置点；
验证模块，用于将验证集的人脸图像输入训练完成的改进MobileNet网络，若该改进MobileNet网络的输出与验证集的标记的距离小于预设阈值，则表示该改进MobileNet网络通过验证，将通过验证的改进MobileNet网络作为特征训练模型。
9.根据权利要求8所述的人脸采集特征训练系统，其特征在于，所述改进MobileNet网络包括：
Expansion layer维度扩展层，采用1×1的网络结构，将低维空间映射到高维空间；
深度可分离卷积，采用depthwise convolution深度卷积对不同输入通道分别进行卷积，然后采用pointwise convolution点乘点卷积将depthwise convolution深度卷积的输出进行结合，收集每个特点的位置；
Projection layer投影层，用于压缩pointwise convolution点乘点卷积收集的特征数据。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时，实现如权利要求1至7任一项所述的人脸采集特征训练方法。
CN202110400275.4A 2021-04-14 2021-04-14 一种人脸采集特征训练方法、系统及存储介质 Pending CN113269300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110400275.4A CN113269300A (zh) 2021-04-14 2021-04-14 一种人脸采集特征训练方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110400275.4A CN113269300A (zh) 2021-04-14 2021-04-14 一种人脸采集特征训练方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN113269300A true CN113269300A (zh) 2021-08-17

Family

ID=77229075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110400275.4A Pending CN113269300A (zh) 2021-04-14 2021-04-14 一种人脸采集特征训练方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113269300A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190065906A1 (en) * 2017-08-25 2019-02-28 Baidu Online Network Technology (Beijing) Co., Ltd . Method and apparatus for building human face recognition model, device and computer storage medium
CN111160269A (zh) * 2019-12-30 2020-05-15 广东工业大学 一种人脸关键点检测方法及装置
CN111401299A (zh) * 2020-04-03 2020-07-10 上海应用技术大学 人脸识别方法
CN111709477A (zh) * 2020-06-16 2020-09-25 浪潮集团有限公司 一种基于改进MobileNet网络进行垃圾分类的方法及工具
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN112052772A (zh) * 2020-08-31 2020-12-08 福建捷宇电脑科技有限公司 一种人脸遮挡检测算法
CN112257799A (zh) * 2020-10-30 2021-01-22 电子科技大学中山学院 一种生活垃圾目标检测的方法、系统及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190065906A1 (en) * 2017-08-25 2019-02-28 Baidu Online Network Technology (Beijing) Co., Ltd . Method and apparatus for building human face recognition model, device and computer storage medium
CN111160269A (zh) * 2019-12-30 2020-05-15 广东工业大学 一种人脸关键点检测方法及装置
CN111401299A (zh) * 2020-04-03 2020-07-10 上海应用技术大学 人脸识别方法
CN111709477A (zh) * 2020-06-16 2020-09-25 浪潮集团有限公司 一种基于改进MobileNet网络进行垃圾分类的方法及工具
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN112052772A (zh) * 2020-08-31 2020-12-08 福建捷宇电脑科技有限公司 一种人脸遮挡检测算法
CN112257799A (zh) * 2020-10-30 2021-01-22 电子科技大学中山学院 一种生活垃圾目标检测的方法、系统及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张子昊等: "基于MobileFaceNet网络改进的人脸识别方法", 《北京航空航天大学学报》 *
毕鹏程等: "轻量化卷积神经网络技术研究", 《计算机工程与应用》 *

Similar Documents

Publication Publication Date Title
CN107563385B (zh) 基于深度卷积生成式对抗网络的车牌字符识别方法
CN110197146B (zh) 基于深度学习的人脸图像分析方法、电子装置及存储介质
CN109598234B (zh) 关键点检测方法和装置
CN109583509B (zh) 数据生成方法、装置及电子设备
WO2021120834A1 (zh) 基于生物识别的手势识别方法、装置、计算机设备及介质
CN112052837A (zh) 基于人工智能的目标检测方法以及装置
CN108287989A (zh) 一种基于轨迹的滑动验证码人机识别方法
CN109087337B (zh) 基于分层卷积特征的长时间目标跟踪方法及系统
CN110866529A (zh) 字符识别方法、装置、电子设备及存储介质
CN112418059B (zh) 一种情绪识别的方法、装置、计算机设备及存储介质
US20230077726A1 (en) Classification processing of an electrophysiological signal based on spatial locations of channels of the signal
CN115393872B (zh) 一种训练文本分类模型的方法、装置、设备及存储介质
CN112488183A (zh) 一种模型优化方法、装置、计算机设备及存储介质
CN110765843B (zh) 人脸验证方法、装置、计算机设备及存储介质
Khan et al. Deep learning based pashto characters recognition: LSTM-based handwritten pashto characters recognition system
CN113269300A (zh) 一种人脸采集特征训练方法、系统及存储介质
CN114241411B (zh) 基于目标检测的计数模型处理方法、装置及计算机设备
CN105224957A (zh) 一种基于单样本的图像识别的方法及系统
CN114519401A (zh) 一种图像分类方法及装置、电子设备、存储介质
CN114694150A (zh) 一种提升数字图像分类模型泛化能力的方法及系统
CN114241470A (zh) 一种基于注意力机制的自然场景文字检测方法
CN102902972B (zh) 人体行为特征提取方法、系统及异常行为检测方法和系统
CN112257677A (zh) 一种在大数据集群中处理深度学习任务的方法及装置
CN111414992A (zh) 使用卷积神经网络对图像进行卷积计算的方法和装置
KR101667910B1 (ko) 디지털 인공 필기 데이터를 생성하는 방법, 장치 및 컴퓨터 판독 가능 매체에 저장된 컴퓨터 프로그램

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