CN113688708A - 一种基于概率特征的人脸识别方法、系统及存储介质 - Google Patents
一种基于概率特征的人脸识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113688708A CN113688708A CN202110940011.8A CN202110940011A CN113688708A CN 113688708 A CN113688708 A CN 113688708A CN 202110940011 A CN202110940011 A CN 202110940011A CN 113688708 A CN113688708 A CN 113688708A
- Authority
- CN
- China
- Prior art keywords
- face
- feature
- network
- probability
- mean value
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—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)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于概率特征的人脸识别方法、系统及存储介质,涉及图像识别领域。该方法包括:获取待识别人脸图片,通过IResNet50网络模型提取待识别人脸图片的特征均值和特征方差,根据特征方差计算待识别人脸图片的人脸质量评分,根据人脸质量评分动态调整相似度距离阈值,根据特征均值与特征集合的人脸特征均值进行相似度对比,并计算第一相似度距离,获取人脸库中第一相似度距离小于相似度距离阈值的多个人脸ID,在多个人脸ID中选择占比最大人脸ID作为识别结果输出,本方案可以实现估计人脸图片的质量,动态调整相似度距离阈值,让人脸识别过程不容易受图片质量的干扰,提高低质量场景人脸识别的精度。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种基于概率特征的人脸识别方法、系统及存储介质。
背景技术
随着互联网和AI技术的发展,人脸识别技术被广泛用于检测和鉴别人物身份、人脸属性等应用上。传统的人脸识别算法借用分类思想学习人脸确定性特征来进行相似度判断,从而确定是否为同一个人。这种方法泛化性差,容易受图片质量的干扰,降低了识别精度。特别地,对于大角度侧脸、模糊小脸等低质图片场景下,传统的模型预测结果很难反应预测准确性。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种基于概率特征的人脸识别方法、系统及存储介质。
本发明解决上述技术问题的技术方案如下:
一种基于概率特征的人脸识别方法,包括:
S1,通过训练后的IResNet50网络模型,提取人脸库的特征集合;
S2,获取待识别人脸图片,通过所述IResNet50网络模型提取所述待识别人脸图片的特征均值和特征方差;
S3,根据所述特征方差计算所述待识别人脸图片的人脸质量评分;
S4,根据所述人脸质量评分动态调整相似度距离阈值;
S5,根据所述特征均值与所述特征集合的人脸特征均值进行相似度对比,并计算第一相似度距离;
S6,获取所述人脸库中所述第一相似度距离小于所述相似度距离阈值的多个人脸ID,在多个人脸ID中选择占比最大人脸ID作为识别结果输出。
本发明的有益效果是:本方案通过人脸质量评分动态调整相似度距离阈值,根据相似度距离阈值和第一相似度距离来实现人脸识别,本方案可以实现估计人脸图片的质量,动态调整相似度距离阈值,让人脸识别过程不容易受图片质量的干扰,提高低质量场景人脸识别的精度;
在IResNet50网络模型中通过得到的嵌入概率特征来代替确定性点估计的原卷积特征,来提高人脸识别效果。
进一步地,所述S3具体包括:
通过计算所述特征方差的L2范数,获得计算值来进行人脸质量评分。
采用上述进一步方案的有益效果是:通过计算特征方差的L2范数,来实现人脸质量评分,通过评分结果来实现动态调整相似度距离阈值,从而提高人脸识别精度。
进一步地,所述S5具体包括:
根据所述特征均值的特征向量与所述人脸库中的人脸特征均值的特征向量来计算第一相似度距离。
采用上述进一步方案的有益效果是:通过计算特征向量的向量距离来实现人脸识别的相似度计算。
进一步地,所述S1之前还包括:
将包含不同人脸质量评分的人脸照片作为训练数据;
经过IResNet50网络提取所述训练数据中每张人脸图像的特征均值和特征方差;
分别对每张人脸图像对应的特征均值、特征方差进行线性组合,获得每张人脸图像的概率嵌入特征;
根据概率嵌入特征结合全连接层获得模型对所述训练数据中的每张人脸图像的预测概率;
当所述预测概率满足预设条件则所述IResNet50网络模型训练完成。
采用上述进一步方案的有益效果是:本方案通过提高人脸图片质量估算精度,降低人脸识别过程中受图片质量的干扰。
进一步地,所述通过IResNet50网络提取所述训练数据中每张人脸图像的特征均值和特征方差具体包括:
通过IResNet50网络使用监督方式来提取所述训练数据中每张人脸图像的特征均值和特征方差。
采用上述进一步方案的有益效果是:本方案通过监督方式更好的提取人脸特征,学习相同ID人脸的特征空间。
进一步地,所述S1之前还包括:
采用分段的网络结构,将原始ResNet50网络分为三个阶段;所述三个阶段包括:开始阶段、主要阶段和结束段;
预设池化层后接一个第一卷积层代替原始ResNet50网络的残差网络,所述残差网络包括:一个第二卷积层;
使用group卷积模块替换原始ResNet50网络的瓶颈网络模块,完成所述IResNet50网络模型的构建。
采用上述进一步方案的有益效果是:本方案采用分段的网络结构,增强了信息流动和网络表达能力;
通过预设池化层后接一个第一卷积层代替原始ResNet50网络的残差网络,减少信息的丢失。
进一步地,所述S1之前还包括:使用人脸检测算法,检测出人脸区域,并对齐成标准脸。
进一步地,所述人脸检测算法包括:RetinaFace算法。
本发明解决上述技术问题的另一种技术方案如下:
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述任一方案所述的一种基于概率特征的人脸识别方法。
本发明解决上述技术问题的另一种技术方案如下:
一种人脸识别系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,实现如上述任一方案所述的一种基于概率特征的人脸识别方法。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
图1为本发明的实施例提供的种基于概率特征的人脸识别方法的流程示意图;
图2为本发明的其他实施例提供的模型训练示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实施例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,为本发明实施例提供的一种基于概率特征的人脸识别方法,包括:
S1,通过训练后的IResNet50网络模型,提取人脸库的特征集合;
在某一实施例中,训练IResNet50网络模型可以包括:
训练阶段,一个批次内的训练数据内往往包含不同质量的人脸图片;
经过IResNet50网络提取该批次人脸图像中每张人脸的特征均值和特征方差;在某一实施例中,通过IResNet50网络提取CNN特征,CNN特征可以包括人脸的浅层的细节特征和高层的语义特征,并通过有监督方式来学习该人脸特征的均值与方差;其中监督方式来学习人脸特征可以包括:训练的时候输入人脸图像,和该图像对应的人脸ID作为分类标签;监督学习的作用主要是更好的抽取人脸特征,学习相同ID人脸的特征空间;监督学习表示模型训练,模型通过标签自动学习人脸特征的过程;
每张人脸对应的特征均值、特征方差的线性组合作为其概率嵌入特征;
在某一实施例中,将人脸区域直接输入IResNet50网络模型输出该图片的均值特征用于相似度计算确定人脸ID,输出特征方差用于评估预测准确度和人脸质量;其中相似度计算可以通过计算两个特征向量的余弦距离或者范数L2距离;计算特征方差的l2范数得到一个确定的数值,作为人脸质量的评价指标;
在某一实施例中,网络训练的时候学习人脸特征的特征均值和方差,方差作为特征扰动项,与特征均值进行线性组合,形成需要学习的人脸embedding特征,人脸embedding特征即概率空间内的人脸特征。概率性特征参考如图2中的公式,将原始的embedding特征表示为受方差扰动的均值特征,概率特征代表对每一个样本的表示,不再是一个确定性的点嵌入,而应该是一个从高斯隐空间分布中采样得到的随机性嵌入。网络学习的是特征的概率分布,而不是一个确定性的嵌入空间;
然后经过全连接获得模型对该批次内人脸ID的预测概率,当预设概率满足人脸识别精度要求,则训练结束,可以根据不同项目需求确定预设概率值。
S2,获取待识别人脸图片,通过IResNet50网络模型提取待识别人脸图片的特征均值和特征方差;
S3,根据所述特征方差计算待识别人脸图片的人脸质量评分;
S4,根据人脸质量评分动态调整相似度距离阈值;
S5,根据特征均值与特征集合的人脸特征均值进行相似度对比,并计算第一相似度距离;
S6,获取人脸库中第一相似度距离小于相似度距离阈值的多个人脸ID,在多个人脸ID中选择占比最大人脸ID作为识别结果输出。
在某一实施例中,人脸检测使用RetinaFace算法,获得人脸区域矩形框坐标和5个人脸关键点坐标,例如:人眼、鼻子、嘴巴,然后使用基于仿射变换的人脸对齐方法,将带有旋转角度的人脸图像进行校正,最后进入人脸识别模型中。
图片经人脸检测算法检测到人脸区域;
对人脸区域进行对齐;
对齐后的人脸进行人脸区域裁剪;
裁剪后的人脸图像送入训练好的IResNet50网络获得特征均值和特征方差;
将特征均值向量和人脸库的特征向量进行相似度度量,计算距离值;
计算特征方差的l2范数,作为人脸质量评估指标;在某一实施例中,人脸特征方差是一个特征向量,对该特征向量求L2范数,得到一个确定的数值,通过该数值来预测准确度,同时也可以作为人脸质量评估的一个指标。
比如通过统计分析,得到该数值阈值为0.5,0.7。
1.1)当L2范数<=0.5,代表图像质量高,预测结果准确;
1.2)当0.5<L2范数<=0.7,代表图像质量有轻微扰动,预测结果准确率下降;
1.3)当L2范数>0.7,代表图像质量较差,预测结果准确度低;
根据人脸质量的打分,即求特征方差的L2范数,根据不同的人脸质量的打分结果动态选择不同的距离阈值,找到距离最小的特征向量对应的人脸ID;
在某一实施例中,测试阶段,在人脸库中,每个人脸ID都有若干个人脸图像,当有一张测试图片进来时,会将它和人脸库中所有的图片都计算相似度距离,然后取top10个最小的人脸距离,这10人脸库图像可能来之不同的ID,这就需要卡距离阈值,来统计10张图片中,对应ID的占比,占比最高的作为最后匹配的人脸ID。该过程中的距离阈值是一个固定值,不针对不同质量的图片设定动态阈值。
由于人脸质量的打分的引入,可以让我们判断出该图片的质量情况,根据不同质量来动态调整距离阈值,结果会动态调整了ID占比的统计,最终得到最优的输出结果。
在某一实施例中,如图2所示,是模型训练的一个过程。
训练阶段,一个批次内的训练数据内往往包含不同质量的人脸图片;
经过IResNet50网络提取该批次人脸图像中每张人脸的特征均值和特征方差;
每张人脸对应的特征均值、特征方差的线性组合作为其概率嵌入特征;
然后经过全连接获得模型对该批次内人脸ID的预测概率。
测试阶段:
先用训练好的模型,获得人脸库的人脸特征集合;
输入单张测试人脸图片;
经过IResNet50网络,提取特征均值和特征方差;
用该图片的特征均值和人脸库中的人脸特征进行相似度对比,算相似度距离;
同时,根据特征方差计算人脸质量评分;
根据人脸质量评分调整相似度距离阈值;
从人脸库中选择距离最小且在阈值范围内的top10张人脸图片,或小于10张则按实际数量,并统计人脸ID占比,选择占比最大的人脸ID作为结果输出;
本方案通过人脸质量评分动态调整相似度距离阈值,根据相似度距离阈值和第一相似度距离来实现人脸识别,本方案可以实现估计人脸图片的质量,不容易受图片质量的干扰,提高低质量场景人脸识别的精度;
在IResNet50网络模型中通过得到的嵌入概率特征来代替确定性点估计的原卷积特征,来提高人脸识别效果。
优选地,在上述任意实施例中,S3具体包括:
通过计算特征方差的L2范数,获得计算值来进行人脸质量评分。
通过计算特征方差的L2范数,来实现人脸质量评分,通过评分结果来实现动态调整相似度距离阈值,从而提高人脸识别精度。
优选地,在上述任意实施例中,S5具体包括:
根据特征均值的特征向量与人脸库中的人脸特征均值的特征向量来计算第一相似度距离。
通过计算特征向量的向量距离来实现人脸识别的相似度计算。
优选地,在上述任意实施例中,S1之前还包括:
将包含不同人脸质量评分的人脸照片作为训练数据;
经过IResNet50网络提取训练数据中每张人脸图像的特征均值和特征方差;
分别对每张人脸图像对应的特征均值、特征方差进行线性组合,获得每张人脸图像的概率嵌入特征;
根据概率嵌入特征结合全连接层获得模型对训练数据中的每张人脸图像的预测概率;
当预测概率满足预设条件则IResNet50网络模型训练完成。
本方案通过提高人脸图片质量估算精度,降低人脸识别过程中受图片质量的干扰。
优选地,在上述任意实施例中,通过IResNet50网络提取训练数据中每张人脸图像的特征均值和特征方差具体包括:
通过IResNet50网络使用监督方式来提取训练数据中每张人脸图像的特征均值和特征方差。
本方案通过监督方式更好的提取人脸特征,学习相同ID人脸的特征空间。
优选地,在上述任意实施例中,S1之前还包括:
采用分段的网络结构,将原始ResNet50网络分为三个阶段;三个阶段包括:开始阶段、主要阶段和结束段;在某一实施例中,采用分段的网络结构,原始ResNet50网络,分成了三个阶段:start stage,main stage,ending stage,每个阶段有若干个ResBlock,增强了信息流动和网络表达能力;
预设池化层后接一个第一卷积层代替原始ResNet50网络的残差网络,残差网络包括:一个第二卷积层;在某一实施例中,使用stride=2的3×3max pooling层后接一个stride=1的1×1conv层代替原始的残差网络使用stride为2的1x1conv层,减少信息的丢失;
使用group卷积模块替换原始ResNet50网络的上下粗中间细的瓶颈网络模块,完成IResNet50网络模型的构建。
采用上述进一步方案的有益效果是:本方案采用分段的网络结构,增强了信息流动和网络表达能力;
通过预设池化层后接一个第一卷积层代替原始ResNet50网络的残差网络,减少信息的丢失。
优选地,在上述任意实施例中,S1之前还包括:使用人脸检测算法,检测出人脸区域,并对齐成标准脸。
优选地,在上述任意实施例中,人脸检测算法包括:RetinaFace算法。
在某一实施例中,一种存储介质,存储介质中存储有指令,当计算机读取指令时,使计算机执行如上述任一实施例的一种基于概率特征的人脸识别方法。
在某一实施例中,一种人脸识别系统,包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序,实现如上述任一实施例的一种基于概率特征的人脸识别方法。
可以理解,在一些实施例中,可以包含如上述各实施例中的部分或全部可选实施方式。
需要说明的是,上述各实施例是与在先方法实施例对应的产品实施例,对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明,在此不再赘述。
读者应理解,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于概率特征的人脸识别方法,其特征在于,包括:
S1,通过训练后的IResNet50网络模型,提取人脸库的特征集合;
S2,获取待识别人脸图片,通过所述IResNet50网络模型提取所述待识别人脸图片的特征均值和特征方差;
S3,根据所述特征方差计算所述待识别人脸图片的人脸质量评分;
S4,根据所述人脸质量评分动态调整相似度距离阈值;
S5,根据所述特征均值与所述特征集合的人脸特征均值进行相似度对比,并计算第一相似度距离;
S6,获取所述人脸库中所述第一相似度距离小于所述相似度距离阈值的多个人脸ID,在多个人脸ID中选择占比最大的人脸ID作为识别结果输出。
2.根据权利要求1所述的一种基于概率特征的人脸识别方法,其特征在于,所述S3具体包括:
通过计算所述特征方差的L2范数,获得计算值来进行人脸质量评分。
3.根据权利要求1所述的一种基于概率特征的人脸识别方法,其特征在于,所述S5具体包括:
根据所述特征均值的特征向量与所述人脸库中的人脸特征均值的特征向量来计算第一相似度距离。
4.根据权利要求1所述的一种基于概率特征的人脸识别方法,其特征在于,所述S1之前还包括:
将包含不同人脸质量评分的人脸照片作为训练数据;
经过IResNet50网络提取所述训练数据中每张人脸图像的特征均值和特征方差;
分别对每张人脸图像对应的特征均值、特征方差进行线性组合,获得每张人脸图像的概率嵌入特征;
根据所述概率嵌入特征结合全连接层获得模型对所述训练数据中的每张人脸图像的预测概率;
当所述预测概率满足预设条件则所述IResNet50网络模型训练完成。
5.根据权利要求4所述的一种基于概率特征的人脸识别方法,其特征在于,所述通过IResNet50网络提取所述训练数据中每张人脸图像的特征均值和特征方差具体包括:
通过IResNet50网络使用监督方式来提取所述训练数据中每张人脸图像的特征均值和特征方差。
6.根据权利要求1所述的一种基于概率特征的人脸识别方法,其特征在于,所述S1之前还包括:
采用分段的网络结构,将原始ResNet50网络分为三个阶段;所述三个阶段包括:开始阶段、主要阶段和结束段;
预设池化层后接一个第一卷积层代替原始ResNet50网络的残差网络,所述残差网络包括:一个第二卷积层;
使用group卷积模块替换原始ResNet50网络的瓶颈网络模块,完成所述IResNet50网络模型的构建。
7.根据权利要求1所述的一种基于概率特征的人脸识别方法,其特征在于,所述S1之前还包括:使用人脸检测算法,检测出人脸区域,并对齐成标准脸。
8.根据权利要求7所述的一种基于概率特征的人脸识别方法,其特征在于,所述人脸检测算法包括:RetinaFace算法。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至8中任一项所述的一种基于概率特征的人脸识别方法。
10.一种人脸识别系统,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序,实现如权利要求1至8中任一项所述的一种基于概率特征的人脸识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940011.8A CN113688708A (zh) | 2021-08-12 | 2021-08-12 | 一种基于概率特征的人脸识别方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110940011.8A CN113688708A (zh) | 2021-08-12 | 2021-08-12 | 一种基于概率特征的人脸识别方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113688708A true CN113688708A (zh) | 2021-11-23 |
Family
ID=78580152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110940011.8A Pending CN113688708A (zh) | 2021-08-12 | 2021-08-12 | 一种基于概率特征的人脸识别方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113688708A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416666A (zh) * | 2023-04-17 | 2023-07-11 | 北京数美时代科技有限公司 | 一种基于分布式蒸馏的人脸识别方法、系统和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392110A (zh) * | 2017-06-27 | 2017-11-24 | 五邑大学 | 基于互联网的人脸美化系统 |
CN107563360A (zh) * | 2017-09-30 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和系统 |
CN109614881A (zh) * | 2018-11-19 | 2019-04-12 | 中国地质大学(武汉) | 可自适应调节阈值的生物识别认证方法、设备及存储设备 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别系统的训练方法和装置 |
CN111738059A (zh) * | 2020-05-07 | 2020-10-02 | 中山大学 | 一种面向无感场景的人脸识别方法 |
CN111898495A (zh) * | 2020-07-16 | 2020-11-06 | 云从科技集团股份有限公司 | 一种动态阈值管理方法、系统、设备及介质 |
CN112241666A (zh) * | 2019-07-18 | 2021-01-19 | 佳能株式会社 | 目标识别方法、装置及存储介质 |
-
2021
- 2021-08-12 CN CN202110940011.8A patent/CN113688708A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392110A (zh) * | 2017-06-27 | 2017-11-24 | 五邑大学 | 基于互联网的人脸美化系统 |
CN107563360A (zh) * | 2017-09-30 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 信息获取方法和装置 |
CN109271891A (zh) * | 2018-08-30 | 2019-01-25 | 成都考拉悠然科技有限公司 | 一种动态的人脸布控方法和系统 |
CN109614881A (zh) * | 2018-11-19 | 2019-04-12 | 中国地质大学(武汉) | 可自适应调节阈值的生物识别认证方法、设备及存储设备 |
CN112241666A (zh) * | 2019-07-18 | 2021-01-19 | 佳能株式会社 | 目标识别方法、装置及存储介质 |
CN111339988A (zh) * | 2020-03-11 | 2020-06-26 | 福州大学 | 基于动态间隔损失函数和概率特征的视频人脸识别方法 |
CN111738059A (zh) * | 2020-05-07 | 2020-10-02 | 中山大学 | 一种面向无感场景的人脸识别方法 |
CN111401344A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 人脸识别方法和装置及人脸识别系统的训练方法和装置 |
CN111898495A (zh) * | 2020-07-16 | 2020-11-06 | 云从科技集团股份有限公司 | 一种动态阈值管理方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
JIE CHANG 等: "Data Uncertainty Learning in Face Recognition", 《IEEE》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416666A (zh) * | 2023-04-17 | 2023-07-11 | 北京数美时代科技有限公司 | 一种基于分布式蒸馏的人脸识别方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085585B (zh) | 用于图像搜索的准确的标签相关性预测 | |
CN105825524B (zh) | 目标跟踪方法和装置 | |
CN108875542B (zh) | 一种人脸识别方法、装置、系统及计算机存储介质 | |
US20180341810A1 (en) | Recognition Process Of An Object In A Query Image | |
CN109740633B (zh) | 一种图像相似度计算方法、装置、存储介质 | |
CN102385592B (zh) | 图像概念的检测方法和装置 | |
CN111104925B (zh) | 图像处理方法、装置、存储介质和电子设备 | |
US20230237771A1 (en) | Self-supervised learning method and apparatus for image features, device, and storage medium | |
CN111079785A (zh) | 一种图像识别方法、装置及终端设备 | |
Lepsøy et al. | Statistical modelling of outliers for fast visual search | |
CN109977824B (zh) | 物品取放识别方法、装置及设备 | |
CN111125658A (zh) | 识别欺诈用户的方法、装置、服务器和存储介质 | |
CN111814846B (zh) | 属性识别模型的训练方法、识别方法及相关设备 | |
US9081800B2 (en) | Object detection via visual search | |
Gu et al. | Unsupervised and semi-supervised robust spherical space domain adaptation | |
CN109961103B (zh) | 特征提取模型的训练方法、图像特征的提取方法及装置 | |
CN115115825A (zh) | 图像中的对象检测方法、装置、计算机设备和存储介质 | |
CN110889366A (zh) | 一种基于面部表情判断用户兴趣度的方法及系统 | |
CN113688708A (zh) | 一种基于概率特征的人脸识别方法、系统及存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN113705310A (zh) | 特征学习的方法、目标物体的识别方法和对应装置 | |
CN114255493A (zh) | 图像检测方法、人脸检测方法及装置、设备及存储介质 | |
CN111738194A (zh) | 一种用于人脸图像相似性的评价方法和装置 | |
CN116958724A (zh) | 一种产品分类模型的训练方法和相关装置 | |
CN111401252B (zh) | 一种基于视觉的图书盘点系统的书脊匹配方法和设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211123 |