CN114565918A - 一种基于多特征提取模块的人脸静默活体检测方法与系统 - Google Patents
一种基于多特征提取模块的人脸静默活体检测方法与系统 Download PDFInfo
- Publication number
- CN114565918A CN114565918A CN202210172295.5A CN202210172295A CN114565918A CN 114565918 A CN114565918 A CN 114565918A CN 202210172295 A CN202210172295 A CN 202210172295A CN 114565918 A CN114565918 A CN 114565918A
- Authority
- CN
- China
- Prior art keywords
- living body
- feature extraction
- module
- texture
- extraction module
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于多特征提取模块的人脸静默活体检测方法与系统,包括:纹理特征提取模块,用于提取活体目标和非活体目标的纹理特征;提取目标不同级别的纹理特征;空间注意力模块,用于细化纹理特征;非活体特征提取模块,用于放大活体与非活体样本间特征差异;特征图细化模块,用于生成特征图;活体判别模块,连接到特征图细化模块,用于判别活体。本发明在训练阶段无需人工进行像素级标注,节省了人力成本,通过度量学习监督对比活体样本与活体样本、活体样本与非活体样本间的特征差异,自动挖掘用于对图像进行像素级监督的线索。
Description
技术领域
本发明涉及计算机目标检测技术领域,尤其是一种基于多特征提取模块的人脸静默活体检测方法与系统。
背景技术
人脸相关的计算机视觉技术随着深度学习技术的发展不断成熟,基于深度学习的方法在活体领域取得了较好的效果。
活体检测算法根据要求的不同可分为配合式活体检测和非配合式活体检测:
(1)配合式活体检测需要用户根据指令做出相应的动作,通过验证用户所做动作与指令顺序是否一致判别受检测用户是否为真实活体。
(2)非配合式活体检测又称静默活体检测,用户只需保持自然状态面对摄像头几秒即可完成活体判别,算法通过分析为用户实时拍摄的照片或视频即可分辨受检测用户是否为真实活体。
非配合式活体检测根据成像源的不同又可分为近红外图像、3D结构光图像和RGB图像三种技术路线:近红外图像利用近红外成像原理滤除了特定波段的光线,其成像特点(如屏幕无法成像,不同材质反射率不同等)天生抵御基于屏幕的假脸攻击;3D结构光图像引入了深度信息,根据人脸表面反射光线构建深度图像辅助判别,能够抵御打印的纸质照片、电子屏幕回放视频等2D平面攻击手段;RGB图像为普通摄像头拍摄出的图像,主要通过综合电子屏幕翻拍产生的摩尔纹、打印照片翻拍产生的反光现象、镜头畸变、颜色失真、皮肤纹理丢失等多种细微的线索判别图像为非活体的概率。
现阶段应用于实际中的活体检测算法一般都使用双目摄像头或3D结构光深度摄像头拍摄待检测人脸画面,这些摄像头可以通过提供额外模态的信息,帮助算法仅凭相对少量的训练数据达到符合应用标准的检测效果。然而由于成本或其他原因,在许多应用场景下仅配有单目可见光摄像头,这些设备往往不太可能改变现有的硬件架构,添加新的多模态传感器。现阶段实际应用中基于单目可见光摄像头的活体检测算法一般采用配合式活体检测算法,与之相比,静默活体检测不需要用户进行繁琐的动作配合,检测流程耗时短。
现有技术中,已有利用中心差分卷积进行特征提取,通过生成的特征图的分类分数与预设的阈值进行比较,从而判断输入是否为活体;但是没有利用进行多特征提取,且无法判断非活体目标。
而当前针对RGB图像的静默活体检测方法存在实际应用时检测准确率不高,需要训练额外模块生成辅助监督信息,对图像进行像素级监督的缺点。
发明内容
本发明研究一种基于多特征提取模块的人脸静默活体检测方法,通过度量学习方式半监督模型自己挖掘特征的像素级表示,无需引入额外模块即可获得辅助监督信息;由五个特征提取模块逐层细化、筛选具有判别力的特征。本发明通过设计多个特征提取模块协同工作逐层细化特征,特别是在非活体特征提取模块引入度量学习监督,并在判别模块引入分类器进一步放大度量学习效果,提高对特征的利用能力,从而达到了更好的检测效果。
本发明的技术方案为:一种基于多特征提取模块的人脸静默活体检测系统,包括:
纹理特征提取模块,用于提取活体目标和非活体目标的纹理特征;
提取目标不同级别的纹理特征;
空间注意力模块,用于细化纹理特征;
非活体特征提取模块,用于放大活体与非活体样本间特征差异;
特征图细化模块,用于生成特征图;
活体判别模块,连接到特征图细化模块,用于判别活体。
进一步的,还包括:通过一条提取纹理特征的特征编码路径进行多级别纹理特征提取,所述的特征编码路径是一条由三个纹理特征提取模块堆叠组成的用于逐级细化纹理特征的特征编码路径。
进一步的,所述非活体特征提取模块引入度量学习损失函数,通过对比活体图像与活体图像、活体图像与非活体图像间的差异,主动挖掘最有判别力的特征表示。
进一步的,纹理特征提取模块基于中心差分卷积CDC构建,通过聚合像素值强度信息和像素值梯度信息提取图像纹理特征,具体为:
纹理特征提取模块包含三个连续的中心差分卷积层和一个最大池化层(MaxPool),每个卷积后都会跟一个BN(Batch Normalization)操作和一个ReLU激活函数,纹理特征的特征编码路径包括三个纹理特征提取模块,分别提取低、中、高维度的特征。
进一步的,三个纹理特征提取模块在结构上完全相同,第一个纹理特征提取模块进行初步特征提取,提取到的低维度特征送入第二个纹理特征提取模块进行进一步特征提取,提取到的中维度特征送入最后一个纹理特征提取模块进行处理,获得最终的高维度特征,属于层层递进的关系,各模块的参数由深度学习训练所得,低、中、高维度特征会在注意力模块进行特征融合。
进一步的,非活体特征提取模块通过度量学习引导模型关注非活体特征,将图像中能否提取到足够的非活体特征作为活体检测模型判别的依据;其中,度量学习的实现方式是以元组的形式作为输入,设计损失函数监督模型训练,所述的输入为三元组,包含两个活体样本和一个非活体样本,损失函数使用三元组度量学习损失函数。
进一步的,所述判别模块的结构在训练和测试阶段使用不同的设计;在训练阶段引入微调后的ResNet18分类器,将第一个卷积层的输入通道数由3改为1,并将自适应全局平均池化层后的全连接层的输出通道数由512改为2;通过加入分类器引入二分类损失函数进行辅助监督;测试阶段通过计算特征图的像素均值并与设定的阈值相比较,获得模型对图像的预测结果。
进一步的,所述注意力模块首先对输入特征图在通道维度进行最大池化和平均池化操作,将池化结果在通道维度拼接起来;先后使用卷积操作和Sigmoid激活函数将拼接结果的像素值映射到(0,1)的值域范围内,生成注意力权重描述符;最后将权重描述符与原特征图逐像素相乘,削弱无关区域的像素值,得到注意力机制处理后的特征图。
根据本发明的另一方面,提出一种基于多特征提取模块的人脸静默活体检测方法,包括如下步骤:
纹理特征提取模块提取活体目标和非活体目标的纹理特征;
采用空间注意力模块细化纹理特征;
基于细化后的低、中、高维度纹理特征融合后输入到非活体特征提取模块,用于放大活体与非活体样本间特征差异;
进行特征图细化,生成特征图;
基于特征图细化模块的结果判别活体;
预测得到活体检测结果。
进一步的,通过一条提取纹理特征的特征编码路径进行多级别纹理特征提取,所述的特征编码路径是一条由三个纹理特征提取模块堆叠组成的用于逐级细化纹理特征的特征编码路径。
有益效果:
本发明相较于现有技术,本发明在训练阶段无需人工进行像素级标注,节省了人力成本,通过度量学习监督对比活体样本与活体样本、活体样本与非活体样本间的特征差异,自动挖掘用于对图像进行像素级监督的线索。经过多组对照实验从不同的评价标准验证了本发明的检测有效性,适用于只具备普通摄像头的笔记本电脑、手机等移动终端及嵌入式设备。
附图说明
图1:本发明的活体检测系统框图;
图2:纹理特征提取模块示意图;
图3:特征图细化模块示意图;
图4:判别模块示意图;
图5:注意力机制示意图;
图6:注意力模块应用示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
根据本发明的实施例,提出一种基于多特征提取模块的人脸静默活体检测系统,包括:
纹理特征提取模块,用于提取活体目标和非活体目标的纹理特征;
提取目标不同级别的纹理特征;
空间注意力模块,用于细化纹理特征;
非活体特征提取模块,用于放大活体与非活体样本间特征差异;
特征图细化模块,用于生成特征图;
活体判别模块,连接到特征图细化模块,用于判别活体。
其中,纹理特征提取模块,用于细化纹理特征的空间注意力模块、用于放大活体与非活体样本间特征差异的非活体特征提取模块、用于生成特征图的特征图细化模块以及最终的活体判别模块。
其中,通过一条提取纹理特征的特征编码路径进行多级别纹理特征提取,所述的特征编码路径是一条由三个纹理特征提取模块堆叠组成的用于逐级细化纹理特征的特征编码路径;
本发明在非活体特征提取模块引入度量学习损失函数,通过对比活体图像与活体图像、活体图像与非活体图像间的差异,主动挖掘最有判别力的特征表示。
本活体检测模型基于深度学习实现,通过训练获得一个卷积神经网络进行活体检测判别;在训练阶段,本发明的活体检测模型的输入为由2个活体图像和1个非活体图像组成的三元组。
本发明的系统框图如图1所示,其中,各模块的具体说明如下:
纹理特征提取模块具体如下:
纹理特征提取模块基于中心差分卷积CDC构建,通过聚合像素值强度信息和像素值梯度信息提取图像纹理特征,中心差分卷积的数学含义可以用公式(1)表示:
公式(1)中p0为卷积核的感受野中心点,R={(-1,0),(-1,1),...,(0,-1),(-1,-1)}为卷积核感受野,pn为感受野内其他点相对于中心点的坐标,x为特征图中该位置的像素值,w为卷积核权重,θ∈[0,1]为控制权重,y代表卷积计算结果。
纹理特征提取模块包含三个连续的中心差分卷积层和一个最大池化层(MaxPool),每个卷积后都会跟一个BN(Batch Normalization)操作和一个ReLU激活函数,结构如图2所示。在整体方案中,纹理特征的特征编码路径由三个纹理特征提取模块构成,分别提取低、中、高维度的特征。(三个纹理特征提取模块在结构上完全相同,第一个纹理特征提取模块进行初步特征提取,提取到的低维度特征送入第二个纹理特征提取模块进行进一步特征提取,提取到的中维度特征送入最后一个纹理特征提取模块进行处理,获得最终的高维度特征,属于层层递进的关系,各模块的参数由深度学习训练所得,低、中、高维度特征会在注意力模块进行特征融合,如图6所示);
非活体特征提取模块具体如下:
与现有的活体检测方法不同,本方法并非分别对活体样本和非活体样本提取各自的特征表示,而是通过度量学习引导模型(度量学习的实现方式是以元组的形式作为输入,基于对比的思想设计合适的损失函数监督模型训练,本方法采用三元组作为输入,包含两个活体样本和一个非活体样本,损失函数使用三元组度量学习损失函数,如公式(4)所示)关注非活体特征,将图像中能否提取到足够的非活体特征作为活体检测模型判别的依据。
假设活体检测模型提取出的全特征空间为Z,一个权重为W={wi|i=1..N}的K层网络可以定义为N为输入样本,为卷积神经网络模型,K为网络深度,·代表输入。当存在Nl个活体样本Ns个非活体样本时,定义c为Z中活体特征空间的中心点,通过度量学习的方式,可以实现公式(2)和公式(3)所代表的优化目标,即最小化活体样本所提取出的特征到活体特征空间中心点的距离,同时最大化非活体样本所提取出的特征到该中心点的距离,间接放大活体与非活体样本所提取出的特征间的差异。
本方法在特征图细化模块用像素值全零图对活体样本进行全零图回归监督,即将全零图代表的特征表示视为完全不包含非活体特征的体特征空间的中心点c。
在非活体特征提取模块通过公式(4)代表的三元组度量学习损失函数,其中将样本提取出的特征向量记为x,xa、xp、xn分别代表锚点活体样本、活体正样本、非活体负样本的特征,代表活体样本间的特征差异,代表活体和非活体样本间的特征差异,α用于控制二者间的差异。引入度量学习放大活体样本与非活体样本特征间的差异,用于后续生成不同的特征图。
特征图细化模块具体如下:
如图3所示,特征图细化模块同样由三个连续堆叠的中心差分卷积层组成,但最后一层中心差分卷积的输出结果不使用BN进行归一化,加速模型训练,并对输出的单通道特征图进行特征压缩,生成非活体纹理特征图(Feature Map)。对于输入中活体样本在该模块的输出,使用公式(5)代表的像素级均方误差损失函数进行全零图回归监督。
Mi代表特征图中的像素值。
判别模块具体如下:
判别模块的结构如图4所示,在训练和测试阶段使用不同的设计。在训练阶段引入微调后的ResNet18分类器,将第一个卷积层的输入通道数由3改为1,并将自适应全局平均池化层(Adaptive AvgPool)后的全连接层(Fully Connected layer,FC)的输出通道数由512改为2。通过加入分类器引入二分类损失函数进行辅助监督。测试阶段通过计算特征图的像素均值并与设定的阈值相比较,获得模型对图像的预测结果。
注意力模块具体如下:
注意力模块的结构如图5所示,首先对输入特征图在通道维度进行最大池化和平均池化操作,将池化结果在通道维度拼接起来;先后使用卷积操作和Sigmoid激活函数将拼接结果的像素值映射到(0,1)的值域范围内,生成注意力权重描述符;最后将权重描述符与原特征图逐像素相乘,削弱无关区域的像素值,得到注意力机制处理后的特征图。
在整体方案中,本发明的引入不同卷积核大小的注意力模块,分别处理纹理特征编码路径中不同阶段提取出的纹理特征,低、中、高维度特征分别用7x7、5x5和3x3大小的卷积核进行处理,并将处理后的不同维度特征图缩放到同一尺寸,拼接后输入非活体特征提取模块,该流程如图6所示。
根据本发明的另一个实施例,还提出一种基于多特征提取模块的人脸静默活体检测方法,包括如下步骤:
纹理特征提取模块提取活体目标和非活体目标的纹理特征;
采用空间注意力模块细化纹理特征;
基于细化后的低、中、高维度纹理特征融合后输入到非活体特征提取模块,用于放大活体与非活体样本间特征差异;
进行特征图细化,生成特征图;
基于特征图细化模块的结果判别活体;
预测得到活体检测结果。
本发明所提出的活体检测方法在无需人工进行像素级标注的前提下,分别在不同测试数据集上提高了检测准确率和平均分类错误率,说明本发明提出的方案能够有效挖掘活体与非活体样本特征表示间的差异,达到很好的检测效果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (10)
1.一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,包括:
纹理特征提取模块,用于提取活体目标和非活体目标的纹理特征;
提取目标不同级别的纹理特征;
空间注意力模块,用于细化纹理特征;
非活体特征提取模块,用于放大活体与非活体样本间特征差异;
特征图细化模块,用于生成特征图;
活体判别模块,连接到特征图细化模块,用于判别活体。
2.根据权利要求1所述的一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,还包括:通过一条提取纹理特征的特征编码路径进行多级别纹理特征提取,所述的特征编码路径是一条由三个纹理特征提取模块堆叠组成的用于逐级细化纹理特征的特征编码路径。
3.根据权利要求1所述的一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,所述非活体特征提取模块引入度量学习损失函数,通过对比活体图像与活体图像、活体图像与非活体图像间的差异,主动挖掘最有判别力的特征表示。
4.根据权利要求1所述的一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,纹理特征提取模块基于中心差分卷积CDC构建,通过聚合像素值强度信息和像素值梯度信息提取图像纹理特征,具体为:
纹理特征提取模块包含三个连续的中心差分卷积层和一个最大池化层(MaxPool),每个卷积后都会跟一个BN(Batch Normalization)操作和一个ReLU激活函数,纹理特征的特征编码路径包括三个纹理特征提取模块,分别提取低、中、高维度的特征。
5.根据权利要求4所述的一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,三个纹理特征提取模块在结构上完全相同,第一个纹理特征提取模块进行初步特征提取,提取到的低维度特征送入第二个纹理特征提取模块进行进一步特征提取,提取到的中维度特征送入最后一个纹理特征提取模块进行处理,获得最终的高维度特征,属于层层递进的关系,各模块的参数由深度学习训练所得,低、中、高维度特征会在注意力模块进行特征融合。
6.根据权利要求1所述的一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,非活体特征提取模块通过度量学习引导模型关注非活体特征,将图像中能否提取到足够的非活体特征作为活体检测模型判别的依据;其中,度量学习的实现方式是以元组的形式作为输入,设计损失函数监督模型训练,所述的输入为三元组,包含两个活体样本和一个非活体样本,损失函数使用三元组度量学习损失函数。
7.根据权利要求1所述的一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,所述判别模块的结构在训练和测试阶段使用不同的设计;在训练阶段引入微调后的ResNet18分类器,将第一个卷积层的输入通道数由3改为1,并将自适应全局平均池化层后的全连接层的输出通道数由512改为2;通过加入分类器引入二分类损失函数进行辅助监督;测试阶段通过计算特征图的像素均值并与设定的阈值相比较,获得模型对图像的预测结果。
8.根据权利要求1所述的一种基于多特征提取模块的人脸静默活体检测系统,其特征在于,所述注意力模块首先对输入特征图在通道维度进行最大池化和平均池化操作,将池化结果在通道维度拼接起来;先后使用卷积操作和Sigmoid激活函数将拼接结果的像素值映射到(0,1)的值域范围内,生成注意力权重描述符;最后将权重描述符与原特征图逐像素相乘,削弱无关区域的像素值,得到注意力机制处理后的特征图。
9.一种基于多特征提取模块的人脸静默活体检测方法,其特征在于,包括如下步骤:
纹理特征提取模块提取活体目标和非活体目标的纹理特征;
采用空间注意力模块细化纹理特征;
基于细化后的低、中、高维度纹理特征融合后输入到非活体特征提取模块,用于放大活体与非活体样本间特征差异;
进行特征图细化,生成特征图;
基于特征图细化模块的结果判别活体;
预测得到活体检测结果。
10.根据权利要求9所述的一种基于多特征提取模块的人脸静默活体检测方法,其特征在于,通过一条提取纹理特征的特征编码路径进行多级别纹理特征提取,所述的特征编码路径是一条由三个纹理特征提取模块堆叠组成的用于逐级细化纹理特征的特征编码路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172295.5A CN114565918A (zh) | 2022-02-24 | 2022-02-24 | 一种基于多特征提取模块的人脸静默活体检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210172295.5A CN114565918A (zh) | 2022-02-24 | 2022-02-24 | 一种基于多特征提取模块的人脸静默活体检测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565918A true CN114565918A (zh) | 2022-05-31 |
Family
ID=81715631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210172295.5A Pending CN114565918A (zh) | 2022-02-24 | 2022-02-24 | 一种基于多特征提取模块的人脸静默活体检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565918A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240249A (zh) * | 2022-07-07 | 2022-10-25 | 湖北大学 | 人脸识别的特征提取分类度量学习方法、系统及存储介质 |
-
2022
- 2022-02-24 CN CN202210172295.5A patent/CN114565918A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240249A (zh) * | 2022-07-07 | 2022-10-25 | 湖北大学 | 人脸识别的特征提取分类度量学习方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
CN112052831B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN112150493B (zh) | 一种基于语义指导的自然场景下屏幕区域检测方法 | |
CN112801057B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN111079576A (zh) | 活体检测方法、装置、设备及存储介质 | |
EP2486514A1 (en) | Face recognition in digital images | |
CN105740775A (zh) | 一种三维人脸活体识别方法及其装置 | |
CN113793336B (zh) | 一种检测血细胞的方法、装置、设备及可读存储介质 | |
CN112424795B (zh) | 人脸防伪方法、处理器芯片及电子设备 | |
CN114333078A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN112052830B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN111611934A (zh) | 一种人脸检测模型生成和人脸检测方法、装置及设备 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
CN113052185A (zh) | 一种基于Faster R-CNN的小样本目标检测方法 | |
CN115205247A (zh) | 电池极片的缺陷检测方法、装置、设备及存储介质 | |
CN111832405A (zh) | 一种基于hog和深度残差网络的人脸识别方法 | |
CN112052832A (zh) | 人脸检测的方法、装置和计算机存储介质 | |
CN113947613B (zh) | 目标区域检测方法、装置、设备及存储介质 | |
CN114565918A (zh) | 一种基于多特征提取模块的人脸静默活体检测方法与系统 | |
CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
CN110910497B (zh) | 实现增强现实地图的方法和系统 | |
CN112434576A (zh) | 一种基于深度相机的人脸识别方法及系统 | |
KR20180092453A (ko) | Cnn과 스테레오 이미지를 이용한 얼굴 인식 방법 | |
CN115578768A (zh) | 图像检测网络的训练方法、图像检测方法和系统 |
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 |