CN113780084B - 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 - Google Patents
基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113780084B CN113780084B CN202110916310.8A CN202110916310A CN113780084B CN 113780084 B CN113780084 B CN 113780084B CN 202110916310 A CN202110916310 A CN 202110916310A CN 113780084 B CN113780084 B CN 113780084B
- Authority
- CN
- China
- Prior art keywords
- face
- picture
- model
- data
- countermeasure 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003321 amplification Effects 0.000 title claims abstract description 16
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013434 data augmentation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 208000035977 Rare disease Diseases 0.000 description 15
- 230000001815 facial effect Effects 0.000 description 9
- 238000012216 screening Methods 0.000 description 6
- 201000010374 Down Syndrome Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000016012 Phenotypic abnormality Diseases 0.000 description 2
- 208000004350 Strabismus Diseases 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 208000035478 Interatrial communication Diseases 0.000 description 1
- 241000542420 Sphyrna tudes Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000013914 atrial heart septal defect Diseases 0.000 description 1
- 206010003664 atrial septal defect Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质,该方法包括:获取人脸图片数据集,对人脸图片进行预处理;按分类属性对人脸图片进行分类,并打上类别标签,作为人脸图片训练集;构建GAN模型;将人脸图片训练集输入到构建的GAN模型中进行训练,得到训练好的GAN模型;将具有类别标签的人脸样本图片输入训练好的GAN模型中,自动生成包括新特征的人脸图片;将包括新特征的人脸图片与已标注类别标签的人脸样本图片分别提取特征,去除偏离数据,得到人脸新增数据集。本发明可以生成更多的多样化面部数据,从而扩充样本数据,提高面部识别模型的鲁棒性。
Description
技术领域
本公开涉及医学数据库技术领域,尤其涉及一种基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质。
背景技术
罕见病在我国具有高发性、难诊断的特点。随着人工智能在医疗领域的广泛应用,人们也开始研究如何利用人工智能来检测、诊断儿童罕见病。及时检测出罕见病高危人群,从而进一步进行诊断,做到早发现早治疗,对于提高罕见病诊治效果具有重要意义。相关研究表明,有很多罕见病和面部特征相关,因此分析和解剖人脸特征对于罕见病的早期筛查,具有重要意义。
深度学习技术可以从大量的人脸图片数据和确诊病例中,通过神经网络学习找出其中的规律。基于这种技术训练出来模型,可以有效地运用于罕见病检测中。但是由于罕见病本身的稀有特点,相关的面部图片数据非常少,有的只有几个甚至一个面部样本图片。
传统的数据扩增方式往往采用在原有图片上通过几何变换。加噪点等方式来进行样本扩增,对于医学样本图片来说,这往往会导致原有特征的消失,或者增加其它干扰特征。另外新的样本也需要重新标注和测试,工作量大。
发明内容
为了解决目前罕见病筛查中相关面部图片较少,从而导致模型训练中往往产生过拟合现象的技术问题,本公开实施例提供一种基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质,本发明的方法利用生成式对抗网络(generative adversarialnetwork,简称GAN),可以生成更多的多样化面部数据,从而扩充样本数据,提高面部识别模型的鲁棒性。
为了实现上述目的,本发明提供如下技术方案:
一种基于生成式对抗网络的人脸数据扩增方法,所述方法包括:
获取人脸图片数据集,对人脸图片进行预处理;
按分类属性对人脸图片进行分类,并打上类别标签,作为人脸图片训练集;
构建GAN模型:构建生成模型和判别模型,并采用指定损失函数和优化函数进行分类模型训练;
将人脸图片训练集输入到构建的GAN模型中进行训练,得到训练好的GAN模型;
将具有类别标签的人脸样本图片输入训练好的GAN模型中,自动生成包括新特征的人脸图片;
将生成的包括新特征的人脸图片与已标注类别标签的人脸样本图片分别提取特征,通过余弦相似性统计,去除偏离数据,得到人脸新增数据集。
本发明中,还可将包括特定新特征的人脸图片收集成新的数据集,专门用于特征(HPO)识别。
进一步地,在人脸数据库中获取人脸图片数据,对人脸图片进行预处理的过程包括,检测人脸并将人脸图片处理为统一尺寸。
进一步地,利用人脸识别和HPO对人脸图片进行分类,并将分类属性转换成one-hot向量形式,在人脸图片上打上类别标签。
进一步地,所述判别模型的优化函数为:
其中,x是输入图像,c'为对应的原始图片的标签。
进一步地,所述生成模型的优化函数为:
。
进一步地,所述判别模型的损失函数为:
。
进一步地,所述生成模型的损失函数为:
;
其中,。
进一步地,采用方向梯度直方图特征作为包括新特征的人脸图片与已标注类别标签的人脸样本图片的特征提取。
本发明还提供一种电子设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的基于生成式对抗网络的人脸数据扩增方法。
本发明还提供一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的基于生成式对抗网络的人脸数据扩增方法。
本发明的基于生成式对抗网络的人脸数据扩增方法,主要是利用人工智能技术,在开源人脸数据库基础上,通过分析脸部特征对已有的人脸数据进行分类,并利用GAN生成特征模型,从而可以在人脸原有基本特征的基础上添加新的特征,扩充样本数据,从而有效地提高用于面部筛查训练模型的鲁棒性。
本发明可以明显扩增人脸的样本图片数据的数量,获取更多样本数据,训练模型,从而可以更有效、准确地进行基于人脸面部的罕见病筛查。相比一般的的数据扩增方式,基于GAN模型进行特征训练,不仅可以很方便地增加其它脸部特征,并进行扩展,并且可以保留原有人脸的基本属性,也可以将特定的HPO属性增加到目标数据上,增加了样本的多样性。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例中GAN模型中的生成器和辨别器工作原理;
图2为本发明实施例中通过GAN生成更多的HPO分类图片数据集示意图;
图3为本发明实施例中获得人脸新增数据集示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种用于罕见病筛查的人脸特征图片的数据扩增方法。
所述方法具体包括以下步骤:
1、采集人脸数据和预处理
人脸数据库可以采用任一类型的以人脸为主的数据库。本实施例采用CelebA人脸数据库。CelebA是CelebFaces Attribute的缩写,包含10,177个名人身份的202,599张人脸图片,每张图片都做好了特征标记,包含人脸bbox标注框和40个属性标记,这些属性包括诸如微笑、圆胖、无胡子等。预处理的主要内容是将图片处理为统一尺寸,本实施例是128*128大小。
2、利用人脸识别和HPO对celeba人脸数据进行分类
CelebA中的人脸图片的属性和罕见病中常见属性是不一样的,大部分和罕见病并无统计关系。本实施例需要根据HPO(人类表型术语集)对这些图片进行分类。
HPO即人类表型术语集,旨在提供人类疾病中用于描述表型异常的标准词汇。HPO每个术语描述了一种表型异常,如房间隔缺损、智力障碍等。其中和脸部相关的HPO有几百种。
这里为了测试方便,本实施例只选了4个HPO,它们是张嘴、斜视、圆脸、眼距过宽。其它类型的HPO也可以类似处理。然后利用人脸识别库检测出每张图片的点位信息,统计出符合上面4个特征的图片。
3、利用GAN生成式对抗网络进行分类模型训练
(1)GAN
GAN生成对抗网络由两个不同的模型组成,一个生成器和一个判别器。生成器的目标是生成类似于训练图片的图片,判别器的目标是,输入一张图片,判断输入的图片是真图片还是生成器产生的假图片。在训练过程中,生成器不断的生成更好的假图片试图骗过判别器,而判别器则在努力成为更好的鉴别者,正确的对真假图片进行分类。
该过程原理如图1所示,即生成器从随机数的向量作为输入生成图片输出;而判别器输入图片并生成数字向量或激活输出。
(2)标签
本实施例将步骤2中的分类属性转换成one-hot形式的向量来表示,即每个图片有4个标签,分别表示张嘴、斜视、圆脸、眼距过宽(其它HPO可按此扩展)属性。
(3)模型
构建GAN模型,其中D(x)表示判别器,当x来自训练数据时,其输出值高;当x来自生成器时其值低;所以D(x)可以看成是一个二元分类器。
G(z)表示生成器,z是从标准正态分布采样的隐向量。G(z) 表示将隐向量z映射到数据空间的生成函数,它的目标是生成假样本。
所以,D(G(z))是生成器G的输出是真实图片的概率。D试图最大化它能正确分类真赝品的概率 (logD(x)),而G试图最小化D预测其输出是假的概率 (log(1−D(G(x))))。
有了生成器G和判别器D,可以为其指定损失函数和优化器来进行学习。
其中损失函数的定义,
首先对抗网络的损失函数定义为:
其中x是输入图像,c为对应的目标标签。D src(x) 表示图像是真实图像的预测概率, (1-D src(G(x,c)) 表示图像假图像的预测概率。E的作用是对于真实图像它的值为1,而对于假图像它的值为0。
所以根据输入图像,损失函数中的一项或另一项将为0,结果将是模型预测图像被正确分类的概率的负对数。以下公式中各函数的作用类似。
具体地,
D的优化函数为:
c'为对应的原始图片的标签。通过优化,D辨别器将学会如何将输入图片分类到它对应的原始标签上。
G的优化函数为:
通过优化,G生成器将学会如何将生成的图片分类到它对应的目标标签上。
重构损失:
在最小化损失的过程中,除了目标域,图像的其它部分也可能会改变,所以再添加一个重构损失。
考虑到重构损失,
故D(x)识别器完整的损失函数:
而生成器完整的损失函数是:
其中超参数:
(4)训练
输入图片信息x和标签信息c到GAN模型框架进行训练,在经过一定批次(选10000次)的训练后,可以得到既保留了原始脸部特征,也集成了新的标签属性的多属性结果集。并且在一个GAN模型(即一个生成器和一个识别器)完成,这样方便使用和扩增模型。
4、利用模型生成新的分类扩增图片
在GAN模型生成之后,即可利用它生成更多的人脸图片。步骤是将按照HPO分类过的样本图片通过GAN模型生成更多的数据。其中生成的图片在保留了原始图片的基本特征外,会生成更多的特征。如图2所示。
5、特征匹配添加到新的数据集
利用步骤2中的人脸识别方式,对新增的数据进行简单的过滤,方法是首先将生成的图片和HPO分类图片分别提取特征。
方向梯度直方图(Histogram of Oriented Gradient, HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。所以本实施例采用HOG作为图片的特征来提取。
在HPO分类图片集和生成的图片集提取HOG特征后,通过余弦相似性统计,去除偏离的数据,既可增加到新的数据集中。过程如图3 所示。后面可以利用其它模型进行罕见病的识别。
实施例1:
例如唐氏综合征的典型面部特征是头小而圆、鼻梁低平、眼裂小、眼距宽。本实施例收集了一些已经确诊的唐氏综合征的图片,并分别计算出这些图片的特征值HOG A。同时又采用GAN模型生成了一批新的唐氏图片,这些新的图片可能在眼距、嘴巴、脸型和其它方面都出现了变化,本实施例也计算出这些生成图片的特征值HOG B。利用近似度(这里采用余弦近似方法)将HOG B中特征值与HOG A中特征值偏离很大的剔除掉,这样能保持生成的图片依然是唐氏综合征。通过这种方式,本实施例获取了更多的唐氏综合征的脸部图片。其它病症也是用类似的方法进行数据扩增,实现了数据的多样性。用这样扩增的数据集去训练疾病识别模型,可以提高识别率,并保证模型的鲁棒性。
将一组采用GAN模型与和不采用GAN模型下的罕见病脸部识别率的比较,结果如表1所示:
表1:儿童罕见病筛查准确率比较
从表1中可以看出,由于采用了GAN进行数据扩增,实际用于训练的样本数量大大增加了,而筛查的TOP10准确率提高了3倍,提升效果非常明显。
以上所述,仅为本公开的具体实施方式,但本公开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公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于生成式对抗网络的人脸数据扩增方法,其特征在于,应用于医学数据库技术领域,所述方法包括:
获取人脸图片数据集,对人脸图片进行预处理;
按分类属性对人脸图片进行分类,并打上类别标签,作为人脸图片训练集;
构建GAN模型:构建生成模型和判别模型,并采用指定损失函数和优化函数进行分类模型训练;
将人脸图片训练集输入到构建的GAN模型中进行训练,得到训练好的GAN模型;
将具有类别标签的人脸样本图片输入训练好的GAN模型中,自动生成包括新特征的人脸图片;
将生成的包括新特征的人脸图片与已标注类别标签的人脸样本图片分别提取特征,通过余弦相似性统计,去除偏离数据,得到人脸新增数据集。
2.根据权利要求1所述的基于生成式对抗网络的人脸数据扩增方法,其特征在于,在人脸数据库中获取人脸图片数据,对人脸图片进行预处理的过程包括,检测人脸并将人脸图片处理为统一尺寸。
3.根据权利要求1所述的基于生成式对抗网络的人脸数据扩增方法,其特征在于,利用人脸识别和HPO对人脸图片进行分类,并将分类属性转换成one-hot向量形式,在人脸图片上打上类别标签。
4.根据权利要求1所述的基于生成式对抗网络的人脸数据扩增方法,其特征在于,所述判别模型的优化函数为:
其中,x是输入图像,c'为对应的原始图片的标签。
5.根据权利要求1所述的基于生成式对抗网络的人脸数据扩增方法,其特征在于,所述生成模型的优化函数为:
。
6.根据权利要求1所述的基于生成式对抗网络的人脸数据扩增方法,其特征在于,所述判别模型的损失函数为:
。
7.根据权利要求1所述的基于生成式对抗网络的人脸数据扩增方法,其特征在于,所述生成模型的损失函数为:
;
其中,。
8.根据权利要求1所述的基于生成式对抗网络的人脸数据扩增方法,其特征在于,采用方向梯度直方图特征作为包括新特征的人脸图片与已标注类别标签的人脸样本图片的特征提取。
9.电子设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-8任一项所述的基于生成式对抗网络的人脸数据扩增方法。
10.存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-8任一项所述的基于生成式对抗网络的人脸数据扩增方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110916310.8A CN113780084B (zh) | 2021-08-11 | 2021-08-11 | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110916310.8A CN113780084B (zh) | 2021-08-11 | 2021-08-11 | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780084A CN113780084A (zh) | 2021-12-10 |
CN113780084B true CN113780084B (zh) | 2024-05-31 |
Family
ID=78837205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110916310.8A Active CN113780084B (zh) | 2021-08-11 | 2021-08-11 | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780084B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171770A (zh) * | 2018-01-18 | 2018-06-15 | 中科视拓(北京)科技有限公司 | 一种基于生成式对抗网络的人脸表情编辑方法 |
CN108197525A (zh) * | 2017-11-20 | 2018-06-22 | 中国科学院自动化研究所 | 人脸图像生成方法及装置 |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN109255289A (zh) * | 2018-07-27 | 2019-01-22 | 电子科技大学 | 一种基于统一式生成模型的跨衰老人脸识别方法 |
CN109299701A (zh) * | 2018-10-15 | 2019-02-01 | 南京信息工程大学 | 基于gan扩充多人种特征协同选择的人脸年龄估计方法 |
CN109508669A (zh) * | 2018-11-09 | 2019-03-22 | 厦门大学 | 一种基于生成式对抗网络的人脸表情识别方法 |
CN109711254A (zh) * | 2018-11-23 | 2019-05-03 | 北京交通大学 | 基于对抗生成网络的图像处理方法和装置 |
CN110245550A (zh) * | 2019-04-22 | 2019-09-17 | 北京云识图信息技术有限公司 | 一种基于总体余弦分布的人脸噪音数据集cnn训练方法 |
CN110598595A (zh) * | 2019-08-29 | 2019-12-20 | 合肥工业大学 | 一种基于人脸关键点和姿态的多属性人脸生成算法 |
WO2020029356A1 (zh) * | 2018-08-08 | 2020-02-13 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
CN111415728A (zh) * | 2019-11-25 | 2020-07-14 | 刘雷 | 基于cnn和gan的ct图像数据自动分类方法及设备 |
CN111666846A (zh) * | 2020-05-27 | 2020-09-15 | 厦门大学 | 一种人脸属性识别方法和装置 |
CN112233017A (zh) * | 2020-10-28 | 2021-01-15 | 中国科学院合肥物质科学研究院 | 一种基于生成对抗网络的病态人脸数据增强方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762337B2 (en) * | 2018-04-27 | 2020-09-01 | Apple Inc. | Face synthesis using generative adversarial networks |
CN111260545B (zh) * | 2020-01-20 | 2023-06-20 | 北京百度网讯科技有限公司 | 生成图像的方法和装置 |
-
2021
- 2021-08-11 CN CN202110916310.8A patent/CN113780084B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197525A (zh) * | 2017-11-20 | 2018-06-22 | 中国科学院自动化研究所 | 人脸图像生成方法及装置 |
CN108171770A (zh) * | 2018-01-18 | 2018-06-15 | 中科视拓(北京)科技有限公司 | 一种基于生成式对抗网络的人脸表情编辑方法 |
CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
CN109255289A (zh) * | 2018-07-27 | 2019-01-22 | 电子科技大学 | 一种基于统一式生成模型的跨衰老人脸识别方法 |
WO2020029356A1 (zh) * | 2018-08-08 | 2020-02-13 | 杰创智能科技股份有限公司 | 一种基于生成对抗网络的脸部变化预测方法 |
CN109299701A (zh) * | 2018-10-15 | 2019-02-01 | 南京信息工程大学 | 基于gan扩充多人种特征协同选择的人脸年龄估计方法 |
CN109508669A (zh) * | 2018-11-09 | 2019-03-22 | 厦门大学 | 一种基于生成式对抗网络的人脸表情识别方法 |
CN109711254A (zh) * | 2018-11-23 | 2019-05-03 | 北京交通大学 | 基于对抗生成网络的图像处理方法和装置 |
CN110245550A (zh) * | 2019-04-22 | 2019-09-17 | 北京云识图信息技术有限公司 | 一种基于总体余弦分布的人脸噪音数据集cnn训练方法 |
CN110598595A (zh) * | 2019-08-29 | 2019-12-20 | 合肥工业大学 | 一种基于人脸关键点和姿态的多属性人脸生成算法 |
CN111415728A (zh) * | 2019-11-25 | 2020-07-14 | 刘雷 | 基于cnn和gan的ct图像数据自动分类方法及设备 |
CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
CN111666846A (zh) * | 2020-05-27 | 2020-09-15 | 厦门大学 | 一种人脸属性识别方法和装置 |
CN112233017A (zh) * | 2020-10-28 | 2021-01-15 | 中国科学院合肥物质科学研究院 | 一种基于生成对抗网络的病态人脸数据增强方法 |
Non-Patent Citations (2)
Title |
---|
基于CycleGAN的非配对人脸图片光照归一化方法;曾碧;任万灵;陈云华;;广东工业大学学报;20180718(05);全文 * |
标签引导的生成对抗网络人脸表情识别域适应方法;孙冬梅;张飞飞;毛启容;;计算机工程;20200515(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113780084A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bansal et al. | The do's and don'ts for cnn-based face verification | |
Zhao et al. | Fingerprint image synthesis based on statistical feature models | |
JP2005149506A (ja) | 対象物自動認識照合方法および装置 | |
Zois et al. | A comprehensive study of sparse representation techniques for offline signature verification | |
CN116662817B (zh) | 物联网设备的资产识别方法及系统 | |
CN113222062A (zh) | 烟叶分类的方法、装置和计算机可读取介质 | |
Bai et al. | Robust texture-aware computer-generated image forensic: Benchmark and algorithm | |
CN108319891A (zh) | 基于稀疏表达和改进的lda的人脸特征提取方法 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
CN113780084B (zh) | 基于生成式对抗网络的人脸数据扩增方法、电子设备和存储介质 | |
Scherhag | Face morphing and morphing attack detection | |
CN115510248A (zh) | 基于深度学习的人员行为特征知识图谱构建与分析方法 | |
CN115424163A (zh) | 唇形修改伪造视频检测方法、装置、设备及存储介质 | |
Mulyana et al. | Gender Classification for Anime Character Face Image Using Random Forest Classifier Method and GLCM Feature Extraction | |
Dijaya et al. | Corn Plant Disease Identification Using SURF-based Bag of Visual Words Feature | |
Wiling | Locust Genetic Image Processing Classification Model-Based Brain Tumor Classification in MRI Images for Early Diagnosis | |
CN112257688A (zh) | 一种基于gwo-oselm的非接触式手掌活体检测方法及装置 | |
CN107341485B (zh) | 人脸识别方法和装置 | |
CN112422505A (zh) | 基于高维扩展关键特征向量的网络恶意流量识别方法 | |
Maureira et al. | Synthetic periocular iris pai from a small set of near-infrared-images | |
Tan et al. | The impact of data correlation on identification of computer-generated face images | |
Guefrechi et al. | DeepFake video detection using InceptionResnetV2 | |
Aro et al. | Enhanced Gabor features based facial recognition using ant colony optimization algorithm | |
Müller et al. | Shortcut Detection with Variational Autoencoders | |
Gavhale et al. | Medicinal plant identification using image processing technique. |
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 |