CN114049518A - 图像分类方法、装置、电子设备和存储介质 - Google Patents
图像分类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN114049518A CN114049518A CN202111328732.XA CN202111328732A CN114049518A CN 114049518 A CN114049518 A CN 114049518A CN 202111328732 A CN202111328732 A CN 202111328732A CN 114049518 A CN114049518 A CN 114049518A
- Authority
- CN
- China
- Prior art keywords
- image
- classification
- feature extraction
- classification result
- extraction layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013145 classification model Methods 0.000 claims abstract description 95
- 238000000605 extraction Methods 0.000 claims description 194
- 238000012216 screening Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000011176 pooling Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了图像分类方法、装置、电子设备和存储介质，涉及人工智能技术领域，具体为深度学习或计算机视觉技术领域，可应用于人脸图像处理或人脸图像识别等场景下。具体实现方案为：将待检测图像输入至图像分类模型中；通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征；通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果；根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。本公开实施例可以提高图像分类准确率。
Description
技术领域
本公开涉及人工智能技术领域，具体为深度学习或计算机视觉技术领域，可应用于人脸图像处理或人脸图像识别等场景下，尤其涉及图像分类方法、装置、电子设备和存储介质。
背景技术
随着科学技术的不断发展，图像处理技术被广泛用来解决各种问题，例如，通过深度学习模型实现图像分类问题。
通过同一个图像分类模型对样本集(训练集)训练，得到单个图像分类模型；并根据单个图像分类模型对所有待分类图像(测试集)进行分类识别，得到分类结果。
发明内容
本公开提供了一种图像分类方法、装置、电子设备和存储介质。
根据本公开的一方面，提供了一种图像分类方法，包括：
将待检测图像输入至图像分类模型中；
通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征；
通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果；
根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
根据本公开的一方面，提供了一种图像分类装置，包括：
待检测图像输入模块，用于将待检测图像输入至图像分类模型中；
图像特征提取模块，用于通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征；
特征分类模块，用于通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果；
分类结果确定模块，用于根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
根据本公开的另一方面，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本公开任一实施例所述的图像分类方法。
根据本公开的另一方面，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，其中，所述计算机指令用于使所述计算机执行本公开任一实施例所述的图像分类方法。
根据本公开的另一方面，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本公开任一实施例所述的图像分类方法。
本公开实施例可以提高图像分类准确率。
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是根据本公开实施例提供的一种图像分类方法的示意图；
图2是根据本公开实施例提供的另一种图像分类方法的示意图；
图3是根据本公开实施例提供的另一种图像分类方法的示意图；
图4是根据本公开实施例提供的一种图像分类方法的场景图；
图5是根据本公开实施例提供的一种图像分类模型的训练方法的示意图；
图6是根据本公开实施例提供的一种图像分类装置的示意图；
图7是用来实现本公开实施例的图像分类方法的电子设备的框图。
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。
图1是根据本公开实施例公开的一种图像分类方法的流程图，本实施例可以适用于对图像进行分类的情况。本实施例方法可以由图像分类装置来执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具有一定数据运算能力的电子设备中，该电子设备可以是客户端设备或服务器设备，客户端设备例如手机、平板电脑、车载终端和台式电脑等。
S101，将待检测图像输入至图像分类模型中。
待检测图像可以是指待进行分类的图像。图像分类模型用于对待检测图像进行分类。图像分类模型可以是预先训练的机器学习模型。例如，图像分类模型可以是卷积神经网络模型或残差神经网络模型(Residual Neural Network，ResNet)等。示例性的，待检测图像可以是包括人脸的图像，图像分类模型用于检测待检测图像中的人脸是否是真人。又如，待检测图像是可以包括物体的图像，图像分类模型用于检测待检测图像中的物体是那一类型，例如，桌椅、背包、车辆或动物等。
S102，通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征。
浅层图像特征和深层图像特征是指采用不同深度的特征提取层提取的图像特征。通常，浅层图像特征的尺寸大于等于深层图像特征。浅层图像特征可以是指采用少数量的特征提取层提取的图像特征；深层图像特征可以是指采用多数量的特征提取层提取的图像特征。浅层图像特征用于描述待检测图像的局部和细节的信息。深层图像特征用于描述待检测图像的全局的信息。
实际上，在特征提取的过程中，可以采用串接的多个特征提取层提取图像特征。浅层图像特征是串接的少数量的特征提取层形成的网络输出的特征；深层图像特征是串接的多数量的特征提取层形成的网络输出的特征。
S103，通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果。
第一分类结果，为根据浅层图像特征确定的待检测图像的分类结果；第二分类结果，为根据深层图像特征确定的待检测图像的分类结果。第一分类结果可以理解为基于待检测图像中细节和局部信息确定的分类结果；第二分类结果可以理解为基于待检测图像中全局信息确定的分类结果。实际上，第一分类结果和第二分类结果是从不同层次的信息，确定的分类结果。
S104，根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
目标分类结果为待检测图像的最终的分类结果。其中，分类可以是二分类，还可以是多分类。根据第一分类结果和第二分类结果，确定待检测图像的目标分类结果可以是，将第一分类结果和第二分类结果融合，得到目标分类结果。可以通过图像分类模型根据第一分类结果和第二分类结果，确定待检测图像的目标分类结果；或者仅根据图像分类模型输出第一分类结果和第二分类结果，由其他应用程序根据第一分类结果和第二分类结果，确定目标分类结果。
现有技术中通常仅根据深层的图像特征确定分类结果，随着模型层数的增加，图像分类模型在训练时很容易过拟合，这表明，深层的图像特征提取的图像特征在进行分类，图像分类模型的鲁棒性较差。
根据本公开的技术方案，通过图像分类模型从待检测图像中提取浅层图像特征，并确定第一分类结果，以及从待检测图像中提取深层图像特征，并确定第二分类结果，并根据第一分类结果和第二分类结果，确定待检测图像的目标分类结果，实现描述不同图像信息的特征，协同进行图像分类，提高图像分类模型的鲁棒性，以及提高图像分类的准确率。
图2是根据本公开实施例公开的另一种图像分类方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。所述图像分类模型包括串接的特征提取层，将所述通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征，具体化为：通过所述图像分类模型中首个特征提取层从所述待检测图像提取所述首个特征提取层对应的中间图像特征；通过除所述图像分类模型中首个特征提取层之外的特征提取层，从串接的前一特征提取层输出的中间图像特征中提取图像特征，确定为所述首个特征提取层之外的特征提取层对应的中间图像特征；对各所述中间图像特征进行筛选，确定浅层图像特征和深层图像特征，其中，所述浅层图像特征对应的特征提取层的层数低于所述深层图像特征对应的特征提取层的层数。
S201，将待检测图像输入至图像分类模型中，所述图像分类模型包括串接的特征提取层。
图像分类模型包括至少两个特征提取层。待检测图像输入至首个特征提取层，并将输出输入至串接的相邻后一个特征提取层，该特征提取层的输出，继续输入至串接的相邻后一个特征提取层，以此类推，直至输入到末个特征提取层，得到末个特征提取层的输出。串接的特征提取层用于递进式提取图像特征。示例性的，特征提取层用于从输入中提取图像特征。特征提取层可以包括至少一个卷积层，特征提取层可以是一个卷积层，也可是多个卷积层构成的卷积块。
S202，通过所述图像分类模型中首个特征提取层从所述待检测图像提取所述首个特征提取层对应的中间图像特征。
中间图像特征是指每个特征提取层从输入的图像中提取的特征。首个特征提取层的输入为输入图像，也即待检测图像。
S203，通过除所述图像分类模型中首个特征提取层之外的特征提取层，从串接的前一特征提取层输出的中间图像特征中提取图像特征，确定为所述首个特征提取层之外的特征提取层对应的中间图像特征。
除了首个特征提取层之外，其他特征提取层的输入为串接的相邻前一特征提取层的输出。实际上，输入和输出都是特征图。通常，将输出的特征图中的每个像素点在原始图像，即待检测图像，上映射的区域大小，称为感受野。通常随着层数的增加，特征提取层输出的特征图的感受野变大。针对感受野的值越大表示特征图中一个像素点能接触到的原始图像范围就越大，也意味着它蕴含更为全局，语义层次更高的特征；相反，感受野的值越小则表示特征图中一个像素点所包含的特征越趋向局部和细节。不同特征提取层对应的中间图像特征中的元素的感受野不同。
S204，对各所述中间图像特征进行筛选，确定浅层图像特征和深层图像特征，其中，所述浅层图像特征对应的特征提取层的层数低于所述深层图像特征对应的特征提取层的层数。
浅层图像特征和深层图像特征的数量可以是至少一个。浅层图像特征对应的特征提取层的层数低于深层图像特征对应的特征提取层的层数，可以是指在串接特征提取层中，将靠前的特征提取层的图像特征确定为浅层图像特征；并将靠后的特征提取层的图像特征确定为深层图像特征，也即提取浅层图像特征的特征提取层的层深度较浅；提取深层图像特征的特征提取层的层深度较深，相应的，浅层图像特征的感受野小于等于深层图像特征的感受野。示例性的，串接的图像特征层的层数为5层，首个特征提取层为第1层，末个特征提取层为第5层，可以将第5层的特征提取层的中间图像特征确定为深层图像特征，并将第2层和第3层的特征提取层的中间图像特征确定为浅层图像特征。
可选的，所述对所述中间图像特征进行筛选，确定浅层图像特征和深层图像特征，包括：选择层数高的至少一个特征提取层对应的中间图像特征，确定为深层图像特征；选择层数低的至少一个特征提取层对应的中间图像特征，确定为浅层图像特征。
层数高的至少一个特征提取层是指在串接的特征提取层中，靠后的特征提取层；层数低的至少一个特征提取层是指在串接的特征提取层中，靠前的特征提取层。层数高的至少一个特征提取层对应的中间图像特征的感受野较大，包含丰富的全局信息，确定为深层图像特征；层数低的至少一个特征提取层对应的中间图像特征的感受野较小，包含丰富的局部和细节，确定为浅层图像特征。
通过将数高的至少一个特征提取层对应的中间图像特征确定为深层图像特征，以及将层数低的至少一个特征提取层对应的中间图像特征确定为浅层图像特征，可以丰富特征的信息，并基于不同的图像信息，分别确定分类结果，在确定目标分类结果，实现对深层图像特征和浅层图像特征进行解耦，从不同特征信息的维度确定分类结果，提高分类准确率。
可选的，所述层数高的至少一个特征提取层为末个特征提取层；所述层数低的至少一个特征提取层包括所述末个特征提取层之前的连续至少一个特征提取层。
末个特征提取层之前的连续至少一个特征提取层，可以是指与末个特征提取层串接的前n个特征提取层，n大于等于1，小于串接的特征提取层的数量。在一个具体的例子中，串接的特征提取层的数量为18层，首个特征提取层为第1层，末个特征提取层为第18层，末个特征提取层之前的连续至少一个特征提取层，为第18-n层特征提取层，n为1、2、3……，n小于18。示例性的，末个特征提取层之前的连续至少一个特征提取层包括第16层和第17层特征提取层。
实际上，若采用首个特征提取层的中间图像特征确定为浅层图像特征，会增加浅层图像特征的冗余特征信息，降低分类准确率。而采用较为靠后的特征提取层的中间图像特征，确定为浅层图像特征，可以精简特征信息，在保留关键信息的同时，增加局部和细节信息，提高分类准确率。
通过将末个特征提取层的中间图像特征确定为深层图像特征，可以在原有的基于深层图像特征确定目标分类结果的模型的基础上，增加从前特征提取层的图像特征确定的分类结果，可以降低模型的复杂度，同时，选择末个特征提取层之前的连续至少一个特征提取层确定为浅层图像特征，可以减少冗余的信息，在丰富特征信息的同时，兼顾提高分类准确率。
S205，通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果。
S206，根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
在现有中通常基于末个特征提取层输出的中间图像特征，确定分类结果，相当于是仅根据一层的感受野判断分类，导致训练的模型容易过拟合，以及降低模型的准确率。
可选的，所述待检测图像，包括：人物图像，所述图像分类模型用于检测所述人物图像包括的人物的活体分类结果。
将图像分类应用于活体检测应用场景中，待检测图像为包括人物的图像，更具体的，包括人物人脸的图像。图像分类模型用于检测人物图像包括的人物是否为活体。活体分类结果包括真人、假人或不确定等结果。
通过将图像分类应用于活体检测应用场景中，可以丰富图像分类的应用场景，并且，提高活体检测的模型的鲁棒性，提高活体检测的准确率。
根据本公开的技术方案，通过配置图像分类模型包括串接的特征提取层，并在各特征提取层输出的中间图像特征中筛选浅层图像特征和深层图像特征，可以简化图像分类模型的结构，降低图像分类的复杂度，提高图像分类的效率，同时实现不同尺度感受野的协同判断，提高图像分类模型的鲁棒性，提高图像分类结果的准确率。
图3是根据本公开实施例公开的另一种图像分类方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。将所述根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果，具体化为：在所述第一分类结果和所述第二分类结果不同的情况下，根据分类类型的优先级、所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
S301，将待检测图像输入至图像分类模型中。
S302，通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征。
S303，通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果。
S304，在所述第一分类结果和所述第二分类结果不同的情况下，根据分类类型的优先级、所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
第一分类结果和第二分类结果不同，选择优先级高的分类类型确定为目标分类结果。示例性的，第一分类结果为第一分类类型，第二分类结果为第二分类类型，其中，第一分类类型的优先级高于第二分类类型，目标分类结果为第一分类类型。在一个具体的例子中，第一分类结果为真人，第二分类结果为假人，假人的分类类型的优先级高，从而，目标分类结果为假人。
此外，还可以递进式串联判断。例如，按照从层数由低到高的特征提取层，提取的中间图像特征确定的分类结果，也即按照从浅层图像特征到深层图像特征确定的分类结果，进行判断。针对每次判断，分类结果为某个分类类型，则直接确定目标分类结果为该分类类型，无需后续判断。在一个具体的例子中，浅层图像特征包括第3层特征提取层输出的中间图像特征和第4层特征提取层输出的中间图像特征，深层图像特征包括第5层特征提取层输出的中间图像特征。按照从第3层到第5层对应的中间图像特征确定的分类结果依次判断，第3层对应的分类结果为假人的分类结果，则确定目标分类结果为假人；第3层对应的分类结果为真人的分类结果，继续判断第4层对应的分类结果，以此类推，直至某层的分类结果为假人的分类结果，或者是全部层数均以判断完成。其中，目标分类结果的判断还可以是其他判断方式，对此不做具体限定。
在第一分类结果和第二分类结果相同的情况下，确定待检测图像的目标分类结果为第一分类结果或第二分类结果。
现有中存在将特征进行融合，而融合的特征的仍存在过拟合鲁棒性差的问题，针对浅层图像特征和深层图像特征分别确定分类结果，可以对深层图像特征和浅层图像特征进行解耦，并根据分别确定的分类结果确定目标分类结果，可以准确融合不同特征的分类结果，进行最终分类判断，实现考虑不同粒度的特征检测分类，提高分类准确率。
可选的，所述通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果，包括：通过所述图像分类模型的第一分类器，根据所述浅层图像特征确定第一分类结果；通过所述图像分类模型的第二分类器，根据所述深层图像特征，确定第二分类结果；所述第一分类器的分类阈值与所述第二分类器的分类阈值不同。
不同特征采用不同的分类器，确定分类结果。第一分类器与第二分类器的结构相同，但参数不同，而且相互独立运行。分类阈值用于确定分类的精度。分类阈值可以是指分类器的参数。通常，第一分类器的分类阈值所确定的真值筛选范围大于第二分类器的分类阈值所确定的真值筛选范围。浅层图像特征用于快速过滤掉明显的图像；深层图像特征用于精准过滤掉区分不明显的图像。
实际上，浅层图像特征和深层图像特征的数量可以为至少一个。不同的图像特征是由串接的不同特征提取层提取得到。相应的，分类器的分类阈值根据提取图像特征的特征提取层的层数确定。通常，层数低的特征提取层提取的图像特征对应的分类器的分类阈值所确定的真值筛选范围大于，层数高的特征提取层提取的图像特征对应的分类器的分类阈值所确定的真值筛选范围。相应的，层数低的特征提取层提取的图像特征用于快速过滤掉明显的图像；层数高的特征提取层提取的图像特征用于精准过滤掉区分不明显的图像。这样，可以设置由松到紧过滤分类结果，提高分类的准确率。
通过配置不同的分类器根据不同的图像特征进行分类，可以对不同图像特征和分类的过程进行解耦，并采用不同的分类阈值确定分类结果，可以灵活设置分类范围，提高分类结果的鲁棒性。
根据本公开的技术方案，通过在深层图像特征和浅层图像特征分别确定的分类结果不同的情况下，按照分类类型的优先级，确定目标分类结果，实现基于不同分类结果，确定目标分类结果，可以准确融合不同特征的分类结果，进行最终分类判断，实现考虑不同粒度的特征检测分类，提高分类准确率。
图4是根据本公开实施例提供的一种图像分类方法的场景图。图像分类模型包括ResNet-18，ResNet-18具体包括17个卷积层和1个全连接层。如图4所示，图像分类模型包括第一特征提取层402(conv1_x)、第二特征提取层403(conv2_x)、第三特征提取层404(conv3_x)、第四特征提取层405(conv4_x)、第五特征提取层406(conv5_x)、第一全局平均池化层407、第一全连接层408、第一分类器409、第二全局平均池化层410、第二全连接层411、第二分类器412、第三全局平均池化层413、第三全连接层414和第三分类器415等。特征提取层为ResNet-18的卷积块convi_x，其中，i＝1、2、3、4或5。分类器可以采用softmax函数。
获取待检测图像401，该待检测图像401包括人脸，尺寸为512*512。将待检测图像401输入至第一特征提取层402得到第一特征提取层402的中间图像特征。将第一特征提取层402的中间图像特征输入至第二特征提取层403得到第二特征提取层403的中间图像特征。将第二特征提取层403的中间图像特征输入至第三特征提取层404得到第三特征提取层404的中间图像特征。将第三特征提取层404的中间图像特征输入至第四特征提取层405得到第四特征提取层405的中间图像特征。将第四特征提取层405的中间图像特征输入至第五特征提取层406得到第五特征提取层406的中间图像特征。将第三特征提取层404的中间图像特征输入第一全局平均池化层407，得到第一池化结果，将第一池化结果输入至第一全连接层408，得到第一全连接结果，将第一全连接结果输入至第一分类器409中，得到第一分类结果。将第四特征提取层405的中间图像特征输入第二全局平均池化层410，得到第二池化结果，将第二池化结果输入至第二全连接层411，得到第二全连接结果，将第二全连接结果输入至第二分类器412中，得到第二分类结果。将第五特征提取层406的中间图像特征输入第三全局平均池化层413，得到第三池化结果，将第三池化结果输入至第三全连接层414，得到第三全连接结果，将第三全连接结果输入至第三分类器415中，得到第三分类结果。第一分类结果、第二分类结果和第三分类结果几乎是图像检测模型同时输出的分类结果。
按照第一分类结果、第二分类结果和第三分类结果的顺序，依次判断分类类型。示例性的，第一分类结果为第一分类类型，检测第二分类结果是否为第一分类类型，在第二分类结果为第一分类类型的情况下，检测第三分类结果是否为第一分类类型，将第三分类结果，确定为目标分类结果。在第一分类结果为第二分类类型或第二分类结果为第二分类类型的情况下，确定目标分类结果为第二分类类型。
在活体检测的应用场景中，检测第一分类结果是否为真人。分类器将大于等于对应的分类阈值的结果，确定为真人，并将小于对应的分类阈值的结果，确定为假人，第一分类器的分类阈值小于第二分类器的分类阈值，第二分类器的分类阈值小于第三分类器的分类阈值。例如，第一分类器的分类阈值为0.2，第二分类器的分类阈值为0.5，第三分类器的分类阈值为0.8。
在第一分类结果为假人的情况下，确定目标分类结果为假人。在第一分类结果为真人的情况下，检测第二分类结果是否为真人。在第二分类结果为假人的情况下，确定目标分类结果为假人。在第二分类结果为真人的情况下，检测第三分类结果是否为真人。在第三分类结果为假人的情况下，确定目标分类结果为假人。在第三分类结果为真人的情况下，确定目标分类结果为真人。其中，假人的分类结果可以理解为受到攻击。
使用浅层图像特征做预分类，用于来过滤掉一些可以通过浅层图像特征快速过滤掉的明显攻击特征，其中，攻击特征是指针对活体检测伪造活人的攻击，也即过滤掉明显的非活人特征。而对于一些难例，则使用深层图像特征来进行区分。实际使用的时候，对于conv3_x后softmax出来的二分类结果，使用0.2阈值来过滤掉明显的攻击；对于conv4_x后softmax出来的二分类结果，使用0.5阈值来过滤掉明显的攻击；对于conv5_x后softmax出来的二分类结果，使用0.8阈值来过滤掉明显的攻击。这样通过多层感受野的协同判断，并设置由松到紧的三档不同阈值来过滤攻击，最终能够得到一个更加鲁棒的结果。
根据本公开的技术方案，通过利用活体算法的特性(不一定网络越深，特征越鲁棒的特性)，涉及了通过不同感受野下特征，协同进行活体判断的方法，使得模型更加鲁棒；根据不同感受野的具体情况，设计了多个不同的阈值，从浅层到深层，阈值变得越来越严格，保证了真人通过率的前提下，提高了攻击抵抗率，并且还可以根据实际场景的需求去调整不同阈值，提高阈值的灵活性。
图5是根据本公开实施例公开的一种图像分类模型的训练方法的流程图，本实施例可以适用于训练图像分类模型的情况。本实施例方法可以由图像分类装置来执行，该装置可采用软件和/或硬件的方式实现，并具体配置于具有一定数据运算能力的电子设备中，该电子设备可以是客户端设备或服务器设备，客户端设备例如手机、平板电脑、车载终端和台式电脑等。
S501，将图像样本输入至图像分类模型中。
图像样本用于训练图像分类模型，图像样本为包括人物的图像，具体是包括人脸的人物图像。可以从网络中采集视频，并从视频中解析得到包括人脸的任务图像确定为图像样本，例如作为正样本。此外还可以根据预先训练的人脸生成模型生成图像，确定为图像样本，例如，作为负样本。
S502，通过图像分类模型从待检测图像中提取浅层图像特征和深层图像特征。
可选的，图像分类模型包括串接的特征提取层，将末个特征提取层提取的中间图像特征，确定为深层图像特征；将末个特征提取层之前的连续至少一个特征提取层提取的中间图像特征，确定为浅层图像特征。
S503，通过图像分类模型，根据浅层图像特征确定第一分类结果，并根据深层图像特征，确定第二分类结果。
可选的，通过图像分类模型的第一分类器，根据浅层图像特征确定第一分类结果；通过图像分类模型的第二分类器，根据深层图像特征，确定第二分类结果；第一分类器的分类阈值与第二分类器的分类阈值不同。
S504，根据第一分类结果、第二分类结果和真值结果，确定分类损失。
分类损失为各分类结果与真值结果之间的差值之和。
S505，根据分类损失，调整图像分类模型的参数。
根据本公开的技术方案，通过训练，提取不同感受野的图像特征并分别确定分类结果的图像分类模型，可以实现图像分类模型描述不同图像信息的特征，以及协同进行图像分类，提高图像分类模型的鲁棒性，以及提高图像分类的准确率。
根据本公开的实施例，图6是本公开实施例中的图像分类装置的结构图，本公开实施例适用于对图像进行分类的情况。该装置采用软件和/或硬件实现，并具体配置于具备一定数据运算能力的电子设备中。
如图6所示的一种图像分类装置600，包括：待检测图像输入模块601、图像特征提取模块602、特征分类模块603和分类结果确定模块604；其中，
待检测图像输入模块601，用于将待检测图像输入至图像分类模型中；
图像特征提取模块602，用于通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征；
特征分类模块603，用于通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果；
分类结果确定模块604，用于根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
根据本公开的技术方案，通过图像分类模型从待检测图像中提取浅层图像特征，并确定第一分类结果，以及从待检测图像中提取深层图像特征，并确定第二分类结果，并根据第一分类结果和第二分类结果，确定待检测图像的目标分类结果，实现描述不同图像信息的特征，协同进行图像分类，提高图像分类模型的鲁棒性，以及提高图像分类的准确率。
进一步的，所述图像分类模型包括串接的特征提取层，所述图像特征提取模块602，包括：第一特征提取单元，用于通过所述图像分类模型中首个特征提取层从所述待检测图像提取所述首个特征提取层对应的中间图像特征；第二特征提取单元，用于通过除所述图像分类模型中首个特征提取层之外的特征提取层，从串接的前一特征提取层输出的中间图像特征中提取图像特征，确定为所述首个特征提取层之外的特征提取层对应的中间图像特征；特征筛选单元，用于对各所述中间图像特征进行筛选，确定浅层图像特征和深层图像特征，其中，所述浅层图像特征对应的特征提取层的层数低于所述深层图像特征对应的特征提取层的层数。
进一步的，所述特征筛选单元，包括：深层特征确定子单元，用于选择层数高的至少一个特征提取层对应的中间图像特征，确定为深层图像特征；浅层特征确定子单元，用于选择层数低的至少一个特征提取层对应的中间图像特征，确定为浅层图像特征。
进一步的，所述层数高的至少一个特征提取层为末个特征提取层；所述层数低的至少一个特征提取层包括所述末个特征提取层之前的连续至少一个特征提取层。
进一步的，所述分类结果确定模块604，包括：分类结果融合单元，用于在所述第一分类结果和所述第二分类结果不同的情况下，根据分类类型的优先级、所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
进一步的，所述特征分类模块603，包括：第一分类单元，用于通过所述图像分类模型的第一分类器，根据所述浅层图像特征确定第一分类结果；第二分类单元，用于通过所述图像分类模型的第二分类器，根据所述深层图像特征，确定第二分类结果；所述第一分类器的分类阈值与所述第二分类器的分类阈值不同。
进一步的，所述待检测图像，包括：人物图像，所述图像分类模型用于检测所述人物图像包括的人物的活体分类结果。
上述图像分类装置可执行本公开任意实施例所提供的图像分类方法，具备执行图像分类方法相应的功能模块和有益效果。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
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7示出了可以用来实施本公开的实施例的示例电子设备700的示意性区域图。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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如图像分类方法。例如，在一些实施例中，图像分类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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的图像分类方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图像分类方法。
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/或区域图中所规定的功能/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)和互联网。
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，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。
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 (17)
1.一种图像分类方法，包括：
将待检测图像输入至图像分类模型中；
通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征；
通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果；
根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
2.根据权利要求1所述的方法，其中，所述图像分类模型包括串接的特征提取层，
所述通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征，包括：
通过所述图像分类模型中首个特征提取层从所述待检测图像提取所述首个特征提取层对应的中间图像特征；
通过除所述图像分类模型中首个特征提取层之外的特征提取层，从串接的前一特征提取层输出的中间图像特征中提取图像特征，确定为所述首个特征提取层之外的特征提取层对应的中间图像特征；
对各所述中间图像特征进行筛选，确定浅层图像特征和深层图像特征，其中，所述浅层图像特征对应的特征提取层的层数低于所述深层图像特征对应的特征提取层的层数。
3.根据权利要求2所述的方法，其中，所述对所述中间图像特征进行筛选，确定浅层图像特征和深层图像特征，包括：
选择层数高的至少一个特征提取层对应的中间图像特征，确定为深层图像特征；
选择层数低的至少一个特征提取层对应的中间图像特征，确定为浅层图像特征。
4.根据权利要求3所述的方法，其中，所述层数高的至少一个特征提取层为末个特征提取层；所述层数低的至少一个特征提取层包括所述末个特征提取层之前的连续至少一个特征提取层。
5.根据权利要求1所述的方法，其中，所述根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果，包括：
在所述第一分类结果和所述第二分类结果不同的情况下，根据分类类型的优先级、所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
6.根据权利要求1所述的方法，其中，所述通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果，包括：
通过所述图像分类模型的第一分类器，根据所述浅层图像特征确定第一分类结果；
通过所述图像分类模型的第二分类器，根据所述深层图像特征，确定第二分类结果；所述第一分类器的分类阈值与所述第二分类器的分类阈值不同。
7.根据权利要求1所述的方法，其中，所述待检测图像，包括：人物图像，所述图像分类模型用于检测所述人物图像包括的人物的活体分类结果。
8.一种图像分类装置，包括：
待检测图像输入模块，用于将待检测图像输入至图像分类模型中；
图像特征提取模块，用于通过所述图像分类模型从所述待检测图像中提取浅层图像特征和深层图像特征；
特征分类模块，用于通过所述图像分类模型，根据所述浅层图像特征确定第一分类结果，并根据所述深层图像特征，确定第二分类结果；
分类结果确定模块，用于根据所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
9.根据权利要求8所述的装置，其中，所述图像分类模型包括串接的特征提取层，所述图像特征提取模块，包括：
第一特征提取单元，用于通过所述图像分类模型中首个特征提取层从所述待检测图像提取所述首个特征提取层对应的中间图像特征；
第二特征提取单元，用于通过除所述图像分类模型中首个特征提取层之外的特征提取层，从串接的前一特征提取层输出的中间图像特征中提取图像特征，确定为所述首个特征提取层之外的特征提取层对应的中间图像特征；
特征筛选单元，用于对各所述中间图像特征进行筛选，确定浅层图像特征和深层图像特征，其中，所述浅层图像特征对应的特征提取层的层数低于所述深层图像特征对应的特征提取层的层数。
10.根据权利要求9所述的装置，其中，所述特征筛选单元，包括：
深层特征确定子单元，用于选择层数高的至少一个特征提取层对应的中间图像特征，确定为深层图像特征；
浅层特征确定子单元，用于选择层数低的至少一个特征提取层对应的中间图像特征，确定为浅层图像特征。
11.根据权利要求10所述的装置，其中，所述层数高的至少一个特征提取层为末个特征提取层；所述层数低的至少一个特征提取层包括所述末个特征提取层之前的连续至少一个特征提取层。
12.根据权利要求8所述的装置，其中，所述分类结果确定模块，包括：
分类结果融合单元，用于在所述第一分类结果和所述第二分类结果不同的情况下，根据分类类型的优先级、所述第一分类结果和所述第二分类结果，确定所述待检测图像的目标分类结果。
13.根据权利要求8所述的装置，其中，所述特征分类模块，包括：
第一分类单元，用于通过所述图像分类模型的第一分类器，根据所述浅层图像特征确定第一分类结果；
第二分类单元，用于通过所述图像分类模型的第二分类器，根据所述深层图像特征，确定第二分类结果；所述第一分类器的分类阈值与所述第二分类器的分类阈值不同。
14.根据权利要求8所述的装置，其中，所述待检测图像，包括：人物图像，所述图像分类模型用于检测所述人物图像包括的人物的活体分类结果。
15.一种电子设备，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1-7中任一项所述的图像分类方法。
16.一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1-7中任一项所述的图像分类方法。
17.一种计算机程序产品，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1-7中任一项所述的图像分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111328732.XA CN114049518A (zh) | 2021-11-10 | 2021-11-10 | 图像分类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111328732.XA CN114049518A (zh) | 2021-11-10 | 2021-11-10 | 图像分类方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114049518A true CN114049518A (zh) | 2022-02-15 |
Family
ID=80208162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111328732.XA Pending CN114049518A (zh) | 2021-11-10 | 2021-11-10 | 图像分类方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114049518A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913339A (zh) * | 2022-04-21 | 2022-08-16 | 北京百度网讯科技有限公司 | 特征图提取模型的训练方法和装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019101021A1 (zh) * | 2017-11-23 | 2019-05-31 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置及电子设备 |
| WO2020134102A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京沃东天骏信息技术有限公司 | 物品识别方法、装置、售货系统和存储介质 |
| CN112036400A (zh) * | 2020-07-09 | 2020-12-04 | 北京航空航天大学 | 构建用于目标检测的网络的方法和目标检测方法及系统 |
| WO2021082562A1 (zh) * | 2019-10-31 | 2021-05-06 | 上海商汤智能科技有限公司 | 活体检测方法、装置、电子设备、存储介质及程序产品 |
| WO2021082743A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 视频分类方法、装置及电子设备 |
| WO2021098799A1 (en) * | 2019-11-20 | 2021-05-27 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Face detection device, method and face unlock system |
| CN113343826A (zh) * | 2021-05-31 | 2021-09-03 | 北京百度网讯科技有限公司 | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 |
| CN113422982A (zh) * | 2021-08-23 | 2021-09-21 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备及存储介质 |
| CN113469085A (zh) * | 2021-07-08 | 2021-10-01 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
| CN113569708A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 活体识别方法、装置、电子设备以及存储介质 |
-
2021
- 2021-11-10 CN CN202111328732.XA patent/CN114049518A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019101021A1 (zh) * | 2017-11-23 | 2019-05-31 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置及电子设备 |
| WO2020134102A1 (zh) * | 2018-12-29 | 2020-07-02 | 北京沃东天骏信息技术有限公司 | 物品识别方法、装置、售货系统和存储介质 |
| WO2021082562A1 (zh) * | 2019-10-31 | 2021-05-06 | 上海商汤智能科技有限公司 | 活体检测方法、装置、电子设备、存储介质及程序产品 |
| WO2021082743A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京金山云网络技术有限公司 | 视频分类方法、装置及电子设备 |
| WO2021098799A1 (en) * | 2019-11-20 | 2021-05-27 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Face detection device, method and face unlock system |
| CN112036400A (zh) * | 2020-07-09 | 2020-12-04 | 北京航空航天大学 | 构建用于目标检测的网络的方法和目标检测方法及系统 |
| CN113343826A (zh) * | 2021-05-31 | 2021-09-03 | 北京百度网讯科技有限公司 | 人脸活体检测模型的训练方法、人脸活体检测方法及装置 |
| CN113469085A (zh) * | 2021-07-08 | 2021-10-01 | 北京百度网讯科技有限公司 | 人脸活体检测方法、装置、电子设备及存储介质 |
| CN113569708A (zh) * | 2021-07-23 | 2021-10-29 | 北京百度网讯科技有限公司 | 活体识别方法、装置、电子设备以及存储介质 |
| CN113422982A (zh) * | 2021-08-23 | 2021-09-21 | 腾讯科技（深圳）有限公司 | 数据处理方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 万磊;佟鑫;盛明伟;秦洪德;唐松奇;: "Softmax分类器深度学习图像分类方法应用综述", 导航与控制, no. 06, 5 December 2019 (2019-12-05) * |
| 王静波;孟令军;: "卷积神经网络人脸检测算法", 电子技术应用, no. 01, 6 January 2020 (2020-01-06) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114913339A (zh) * | 2022-04-21 | 2022-08-16 | 北京百度网讯科技有限公司 | 特征图提取模型的训练方法和装置 |
| CN114913339B (zh) * | 2022-04-21 | 2023-12-05 | 北京百度网讯科技有限公司 | 特征图提取模型的训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272509B (zh) | 一种连续图像的目标检测方法、装置、设备及存储介质 | |
| CN112883902B (zh) | 视频检测方法、装置、电子设备及存储介质 | |
| CN113033537A (zh) | 用于训练模型的方法、装置、设备、介质和程序产品 | |
| CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
| CN112800919A (zh) | 一种检测目标类型视频方法、装置、设备以及存储介质 | |
| CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
| CN114049518A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
| CN115116111B (zh) | 抗扰动人脸活体检测模型训练方法、装置及电子设备 | |
| CN114724144B (zh) | 文本识别方法、模型的训练方法、装置、设备及介质 | |
| CN113963166B (zh) | 特征提取模型的训练方法、装置和电子设备 | |
| CN113361455B (zh) | 人脸鉴伪模型的训练方法、相关装置及计算机程序产品 | |
| CN113850238B (zh) | 文档检测方法、装置、电子设备及存储介质 | |
| CN111753960B (zh) | 模型训练及图像处理方法、装置、电子设备、存储介质 | |
| CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
| CN114399432A (zh) | 目标识别方法、装置、设备、介质及产品 | |
| CN113095313A (zh) | 文本字符串的识别方法、装置和服务器 | |
| CN112883956A (zh) | 文本字符的识别方法、装置和服务器 | |
| CN113139483B (zh) | 人体行为识别方法、装置、设备、存储介质以及程序产品 | |
| CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
| CN113705690B (zh) | 正脸定位方法、装置、电子设备及计算机可读存储介质 | |
| CN115909329A (zh) | 一种微观目标识别方法、装置、电子设备和存储介质 | |
| CN115359574A (zh) | 人脸活体检测及相应模型的训练方法、装置及存储介质 | |
| CN115984941A (zh) | 图像检测方法、模型训练方法、装置及电子设备 | |
| CN114550242A (zh) | 训练人脸活体检测模型、人脸活体检测方法、装置及介质 |
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 |