CN114821699B - 一种基于抑制模糊度自训练的人脸表情识别方法 - Google Patents

一种基于抑制模糊度自训练的人脸表情识别方法 Download PDF

Info

Publication number
CN114821699B
CN114821699B CN202210200309.XA CN202210200309A CN114821699B CN 114821699 B CN114821699 B CN 114821699B CN 202210200309 A CN202210200309 A CN 202210200309A CN 114821699 B CN114821699 B CN 114821699B
Authority
CN
China
Prior art keywords
training
facial expression
expression
difficult
class
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
Application number
CN202210200309.XA
Other languages
English (en)
Other versions
CN114821699A (zh
Inventor
郭哲
刘雪文
郭号洁
王毅
齐敏
樊养余
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202210200309.XA priority Critical patent/CN114821699B/zh
Publication of CN114821699A publication Critical patent/CN114821699A/zh
Application granted granted Critical
Publication of CN114821699B publication Critical patent/CN114821699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • 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

Abstract

本发明公开了一种基于抑制模糊度自训练的人脸表情识别方法，构建错误标签抑制模块，采用硬、软标签混合训练的策略，不仅使用真实标签，还额外使用当前图像的预测来指导模型学习下一幅图像；然后，构建学习难度较大表情类别的自训练模块，训练时给难学类别更高的样本数量上限，将经过处理的难学类别样本放回到训练数据中；最后，基于注意力机制的特征解构策略，挖掘细微差异，利用更细粒的特征解决表情类别模糊的问题，同时约束难学类别样本的特征分布，通过注意力机制获得重要的潜在特征，并最终完成人脸表情的识别。本发明从特征层面约束了难学类别样本或无标注样本的特征分布，提高了人脸表情识别的可靠性，实现了对人脸表情的高效识别。

Description

一种基于抑制模糊度自训练的人脸表情识别方法
技术领域
本发明属于模式识别技术领域，具体涉及一种人脸表情识别方法。
背景技术
在人脸表情识别系统中，良好标注(标签)且数量充足的训练样本是确保表情正确识别的关键。然而，在实际应用中常常存在训练样本标注(标签)不准确和不充足的情况，使得训练过程变得困难。而基于半监督学习的人脸表情识别通过模糊均值算法获得训练样本的伪标注(伪标签)，来提高表情特征的可分性，从而降低训练样本标注不充足对人脸表情识别带来的影响。
文献“She,Jiahui,et al."Dive into Ambiguity:Latent Distribution Miningand Pairwise Uncertainty Estimation for Facial Expression Recognition."IEEEInternational Conference on Computer Vision and Pattern Recognition(CVPR2021),2021:6244-6253.”公开了一种基于半监督学习的人脸表情识别方法，该方法提出了一个潜在标签挖掘的方法和一种训练样本间不确定性的评估方法。首先，使用辅助分支发掘潜在标签，将该潜在标签与原标签相结合，用于对原标签的补充。其次，在训练时加入不确定评估模块调整对原标签的训练权重。最后，在计算模型损失时利用相似度赋予标签错误样本较低的权重，从而进一步学习发掘潜在标签。但是，该方法存在以下问题：首先，没有考虑不同类别标签的学习难度存在差异，对于学习难度较大的类别，标签预测错误的可能较大。其次，学到的潜在标签并不能包含所有类别的信息。最后，该方法在标签严重不足的情况下准确率较低。
发明内容
为了克服现有技术的不足，本发明提供了一种基于抑制模糊度自训练的人脸表情识别方法，构建错误标签抑制模块，采用硬、软标签混合训练的策略，不仅使用真实标签，还额外使用当前图像的预测来指导模型学习下一幅图像；然后，构建学习难度较大表情类别的自训练模块，训练时给难学类别更高的样本数量上限，将经过处理的难学类别样本放回到训练数据中；最后，基于注意力机制的特征解构策略，挖掘细微差异，利用更细粒的特征解决表情类别模糊的问题，同时约束难学类别样本的特征分布，通过注意力机制获得重要的潜在特征，并最终完成人脸表情的识别。本发明从特征层面约束了难学类别样本或无标注样本的特征分布，提高了人脸表情识别的可靠性，实现了对人脸表情的高效识别。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：人脸表情识别模型的主干网络采用ResNet-18，并对主干网络进行基于注意力机制的特征解构；
在主干网络ResNet-18的后两层卷积层和全连接层分别解构为多个特征分支，使用KL散度使每个分支的特征不同；KL散度LKL的公式为：
其中，m是特征分支数量，fi和fj分别表示不同的特征分支，p(.)表示概率分布；在对全连接层解构时，通过减小熵来约束分布，随后施加注意力机制，最后将两次解构的特征融合用于分类，融合特征定义为：
f＝γfconv+(1-γ)ffc
(2)
其中fconv是卷积层的潜在特征，ffc是全连接层的潜在特征，γ为超参数；
步骤2：人脸表情识别模型训练；
在训练过程中，包含三部分训练样本，分别为有标签弱增强数据x及其标签y，y又称为硬标签；无标签弱增强数据uw；无标签强增强数据us；
所述弱增强为对图像进行随机裁剪和随机水平翻转，所述强增强是在弱增强基础上增加随机增强；
首先基于数据x的真实标签y用于人脸表情识别模型的拟合训练，同时设定阈值thr，当模型对uw的预测分数高于阈值thr时，将uw的预测f(uw)作为伪标签指导模型学习us，f(uw)称为软标签；人脸表情识别模型训练的损失函数Lclass定义如下：
Lclass＝CE(f(x),y)+CE(f(us),f(uw))·I (3)
其中f(·)为模型输出的概率归一化结果，CE(·)为交叉熵损失；
步骤3：定义表情类别中的难学表情类别，对难学表情类别进行自训练；
在训练过程中每隔固定的迭代次数，使用当前的人脸表情识别模型在所有训练数据上进行预测，将预测分数归一化到固定区间，并由此来确定每个表情类别数量的上限，难学类别会有更高的数量上限，公式如下：
其中是训练中统计的各个表情类别预测分数，Scorei是第i个表情类别的预测分数，/>是第i个表情类别归一化分数，N是类别数；/>是当前各类图像数量，NumNmax,i是数量上限；
在自训练模块中，只放回当前数量最少的难学表情类别样本到训练集中；同时，对放回的难学表情类别样本采用多种图像增强的方法进行处理，以避免每次放回相同的图像；
以归一化分数Scoren,i为阈值，在图像预测分数高于其对应阈值的前提下，分两种情况进行处理：第一种情况，对于预测分数高于或等于0.95的图像不做任何处理，以硬标签的方式放回训练集中；第二种情况，对于预测分数低于0.95的图像，分别进行离散余弦变换滤波和正则化操作，采用软标签的方式放回训练集中，离散余弦变换滤波的频带宽度是随机的；
步骤4：经过步骤1到步骤3的过程，完成人脸表情识别模型的训练和对人脸表情的识别。
本发明的有益效果如下：
由于本发明构建了错误标签抑制模块，制定了硬、软标签混合训练策略，使用当前图像的预测(软标签)，与真实标签(硬标签)相结合，指导模型学习下一幅图像，降低了错误标注对模型训练的影响；进一步构建了学习难度较大表情类别(难学类别)的自训练模块，将经过处理的难学类别样本放回到训练数据中重复学习，有效解决了标签不足的问题；并基于注意力机制的特征解构，挖掘了表情的细微差异，从特征层面约束了难学类别样本或无标注样本的特征分布，提高了人脸表情识别的可靠性。本发明在仅使用400个标注的情况下，在公共人脸表情数据集RAF-DB上对人脸六种基本表情的平均识别率达到了71.02％，相比于文献方法的识别率60.78％具有显著的优越性。
具体实施方式
下面结合实施例对本发明进一步说明。
现有的基于半监督学习的人脸表情识别方法存在对人脸表情训练样本标签预测不准确、不能包含所有类别信息的问题，导致表情识别准确率低，影响实际应用。针对以上问题，本发明公开了一种基于半监督学习的人脸表情识别方法。
本发明的技术方案包括下述步骤：基于硬、软标签混合的错误标签抑制、学习难度较大表情类别的自训练和基于注意力机制的特征解构。
(a)本发明通过构建错误标签抑制模块，在训练过程中，采用硬、软标签混合训练的策略，不仅使用真实标签(硬标签)，还额外使用当前图像的预测(软标签)来指导模型学习下一幅图像，从而减轻错误标注对模型训练的影响。
(b)本发明通过构建学习难度较大表情类别(难学类别)的自训练模块，训练时给难学类别更高的样本数量上限，利用模型对于少数类别的预测结果，将经过处理的难学类别样本放回到训练数据中，一方面重点学习这些样本，另一方面可以解决标签不足的问题。
(c)本发明构建了基于注意力机制的特征解构策略，挖掘细微差异，利用更细粒的特征解决表情类别模糊的问题，同时约束难学类别样本或无标注样本的特征分布，通过注意力机制获得重要的潜在特征，用于表情的识别。
一种基于抑制模糊度自训练的人脸表情识别方法，包括如下步骤：
步骤1：人脸表情识别模型的主干网络采用ResNet-18，并对主干网络进行基于注意力机制的特征解构；
在主干网络ResNet-18的后两层卷积层和全连接层分别解构为多个特征分支，使用KL散度使每个分支的特征不同；KL散度LKL的公式为：
其中，m是特征分支数量，fi和fj分别表示不同的特征分支；在对全连接层解构时，通过减小熵来约束分布，随后施加注意力机制，最后将两次解构的特征融合用于分类，融合特征定义为：
f＝γfconv+(1-γ)ffc
(2)
其中fconv是卷积层的潜在特征，ffc是全连接层的潜在特征，γ为超参数；
步骤2：人脸表情识别模型训练；
在训练过程中，包含三部分训练样本，分别为有标签弱增强数据x及其标签y，y又称为硬标签；无标签弱增强数据uw；无标签强增强数据us；
所述弱增强为对图像进行随机裁剪和随机水平翻转，强增强是在弱增强基础上增加随机增强；
首先基于数据x的真实标签y用于人脸表情识别模型的拟合训练，同时设定阈值thr，当模型对uw的预测分数高于阈值thr时，将uw的预测f(uw)作为伪标签指导模型学习us，f(uw)称为软标签；人脸表情识别模型训练的损失函数Lclass定义如下：
Lclass＝CE(f(x),y)+CE(f(us),f(uw))·I (3)
其中f(·)为模型输出的概率归一化结果，CE(·)为交叉熵损失；
步骤3：定义表情类别中的难学表情类别，对难学表情类别进行自训练；
在训练过程中每隔固定的迭代次数，使用当前的人脸表情识别模型在所有训练数据上进行预测，将预测分数归一化到固定区间，并由此来确定每个表情类别数量的上限，难学类别会有更高的数量上限，公式如下：
其中是训练中统计的各个表情类别预测分数，Scorei是第i个表情类别的预测分数，/>是第i个表情类别归一化分数，N是类别数；/>是当前各类图像数量，NumNmax,i是数量上限；
在自训练模块中，只放回当前数量最少的难学表情类别样本到训练集中；同时，对放回的难学表情类别样本采用多种图像增强的方法进行处理，以避免每次放回相同的图像；
以归一化分数Scoren,i为阈值，在图像预测分数高于其对应阈值的前提下，分两种情况进行处理：第一种情况，对于预测分数高于或等于0.95的图像不做任何处理，以硬标签的方式放回训练集中；第二种情况，对于预测分数低于0.95的图像，分别进行离散余弦变换滤波和正则化操作，采用软标签的方式放回训练集中，离散余弦变换滤波的频带宽度是随机的；
步骤4：经过步骤1到步骤3的过程，完成人脸表情识别模型的训练和对人脸表情的识别。
具体实施例：
1、基于硬、软标签混合的错误标签抑制
在训练过程中，不仅使用真实标签(硬标签)，还额外使用当前图像的预测(软标签)来指导模型学习下一幅图像。
具体来说，在训练的过程中，包含三部分训练样本，分别为有标签弱增强数据x及其标签(硬标签)记做y，无标签弱增强数据uw和无标签强增强数据us。数据增强策略采用随机裁剪和随机水平翻转，强增强策略在此基础上增加随机增强。首先基于x的真实标签用于模型的拟合训练，同时设定一个阈值thr，当模型对uw的预测分数高于这个阈值时，将uw的预测f(uw)作为伪标签，来指导模型学习us，f(uw)是一个软标签，模型训练的损失函数Lclass定义如下：
Lclass＝CE(f(x),y)+CE(f(us),f(uw))·I
其中f(·)为模型输出的概率归一化结果，CE(·)为交叉熵损失。
2、学习难度较大表情类别的自训练
在本发明所构建的学习难度较大表情类别的自训练模块中，将经过处理的难学类别样本放回到训练数据中重复学习。
具体来说，训练过程中每隔一定迭代次数，我们使用当前的模型在所有训练数据上进行预测，将预测分数归一化到一个固定区间，并由此来确定每类数量的上限，难学类别会有更高的数量上限，公式如下：
其中是训练中统计的各类预测分数，/>是归一化分数，N是类别数，/>是当前各类图像数量，/>是数量上限。除了确定上限外，该模块需要保证放回图像的标签是精确的，因此只放回当前数量最少的类别，因为这些类别的预测具有很高的精度；同时，采用多种图像增强的方法，以避免每次放回相同的图像。以归一化分数为阈值，在图像预测分数高于其对应阈值的前提下，分两种情况进行处理。第一种情况，对于预测分数高于0.95的图像不做任何处理，以硬标签的方式放回原始数据。第二种情况，对于预测分数低于0.95的图像，分别进行离散余弦变换滤波和正则化操作，都采用软标签的形式，滤波的频带宽度是随机的。
3、基于注意力机制的特征解构
为了挖掘细粒可分的特征，本发明将特征分别在主干网络ResNet-18的后两层卷积层和全连接层解构为若干潜在特征分支，使用KL散度(相对熵)使得他们每个分支的特征不同，两次解构的过程是一样的，区别只有分支数量不同。KL散度LKL的公式为：
m是分支数量，f是特征。每种潜在特征的分布应具有紧致性，在第二次解构时，通过减小熵来约束分布。随后使用注意力机制获得重要的潜在特征，最后将两次解构的特征融合用于分类，融合特征定义为：
f＝γfconv+(1-γ)ffc
其中fconv是卷积层的潜在特征，ffc是全连接层的潜在特征，γ为超参数。

Claims (1)

1.一种基于抑制模糊度自训练的人脸表情识别方法，其特征在于，包括如下步骤：
步骤1：人脸表情识别模型的主干网络采用ResNet-18，并对主干网络进行基于注意力机制的特征解构；
在主干网络ResNet-18的后两层卷积层和全连接层分别解构为多个特征分支，使用KL散度使每个分支的特征不同；KL散度LKL的公式为：
其中，m是特征分支数量，fi和fj分别表示不同的特征分支，p(.)表示概率分布；在对全连接层解构时，通过减小熵来约束分布，随后施加注意力机制，最后将两次解构的特征融合用于分类，融合特征定义为：
f＝γfconv+(1-γ)ffc (2)
其中fconv是卷积层的潜在特征，ffc是全连接层的潜在特征，γ为超参数；
步骤2：人脸表情识别模型训练；
在训练过程中，包含三部分训练样本，分别为有标签弱增强数据x及其标签y，y又称为硬标签；无标签弱增强数据uw；无标签强增强数据us；
所述弱增强为对图像进行随机裁剪和随机水平翻转，所述强增强是在弱增强基础上增加随机增强；
首先基于数据x的真实标签y用于人脸表情识别模型的拟合训练，同时设定阈值thr，当模型对uw的预测分数高于阈值thr时，将uw的预测f(uw)作为伪标签指导模型学习us，f(uw)称为软标签；人脸表情识别模型训练的损失函数Lclass定义如下：
Lclass＝CE(f(x),y)+CE(f(us),f(uw))·I (3)
其中f(·)为模型输出的概率归一化结果，CE(·)为交叉熵损失；
步骤3：定义表情类别中的难学表情类别，对难学表情类别进行自训练；
在训练过程中每隔固定的迭代次数，使用当前的人脸表情识别模型在所有训练数据上进行预测，将预测分数归一化到固定区间，并由此来确定每个表情类别数量的上限，难学类别会有更高的数量上限，公式如下：
其中是训练中统计的各个表情类别预测分数，Scorei是第i个表情类别的预测分数，/>是第i个表情类别归一化分数，N是类别数；/>是当前各类图像数量，NumNmax,i是数量上限；
在自训练模块中，只放回当前数量最少的难学表情类别样本到训练集中；同时，对放回的难学表情类别样本采用多种图像增强的方法进行处理，以避免每次放回相同的图像；
以归一化分数Scoren,i为阈值，在图像预测分数高于其对应阈值的前提下，分两种情况进行处理：第一种情况，对于预测分数高于或等于0.95的图像不做任何处理，以硬标签的方式放回训练集中；第二种情况，对于预测分数低于0.95的图像，分别进行离散余弦变换滤波和正则化操作，采用软标签的方式放回训练集中，离散余弦变换滤波的频带宽度是随机的；
步骤4：经过步骤1到步骤3的过程，完成人脸表情识别模型的训练和对人脸表情的识别。
CN202210200309.XA 2022-03-02 2022-03-02 一种基于抑制模糊度自训练的人脸表情识别方法 Active CN114821699B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210200309.XA CN114821699B (zh) 2022-03-02 2022-03-02 一种基于抑制模糊度自训练的人脸表情识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210200309.XA CN114821699B (zh) 2022-03-02 2022-03-02 一种基于抑制模糊度自训练的人脸表情识别方法

Publications (2)

Publication Number Publication Date
CN114821699A CN114821699A (zh) 2022-07-29
CN114821699B true CN114821699B (zh) 2024-03-08

Family

ID=82528596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210200309.XA Active CN114821699B (zh) 2022-03-02 2022-03-02 一种基于抑制模糊度自训练的人脸表情识别方法

Country Status (1)

Country Link
CN (1) CN114821699B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018055470A (ja) * 2016-09-29 2018-04-05 国立大学法人神戸大学 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN112784763A (zh) * 2021-01-27 2021-05-11 南京邮电大学 基于局部与整体特征自适应融合的表情识别方法及系统
CN113936317A (zh) * 2021-10-15 2022-01-14 南京大学 一种基于先验知识的人脸表情识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018055470A (ja) * 2016-09-29 2018-04-05 国立大学法人神戸大学 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム
JP6830707B1 (ja) * 2020-01-23 2021-02-17 同▲済▼大学 ランダムバッチマスクとマルチスケール表現学習を融合した人物再同定方法
CN112784763A (zh) * 2021-01-27 2021-05-11 南京邮电大学 基于局部与整体特征自适应融合的表情识别方法及系统
CN113936317A (zh) * 2021-10-15 2022-01-14 南京大学 一种基于先验知识的人脸表情识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于改进AlexNet卷积神经网络的人脸表情识别;石翠萍;谭聪;左江;赵可新;;电讯技术;20200927(第09期);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
CN114821699A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN113378632B (zh) 一种基于伪标签优化的无监督域适应行人重识别方法
CN109934293B (zh) 图像识别方法、装置、介质及混淆感知卷积神经网络
CN108133188B (zh) 一种基于运动历史图像与卷积神经网络的行为识别方法
CN109145979B (zh) 敏感图像鉴定方法及终端系统
CN113688723B (zh) 一种基于改进YOLOv5的红外图像行人目标检测方法
EP3767536A1 (en) Latent code for unsupervised domain adaptation
Yu et al. SAR sea-ice image analysis based on iterative region growing using semantics
CN113326731B (zh) 一种基于动量网络指导的跨域行人重识别方法
CN113807420B (zh) 一种考虑类别语义匹配的域自适应目标检测方法及系统
CN110097028B (zh) 基于三维金字塔图像生成网络的人群异常事件检测方法
CN114758288A (zh) 一种配电网工程安全管控检测方法及装置
CN112749633B (zh) 分离与重构的个体辐射源识别方法
CN113591674B (zh) 一种面向实时视频流的边缘环境行为识别系统
CN111860823A (zh) 神经网络训练、图像处理方法及装置、设备及存储介质
CN114692732A (zh) 一种在线标签更新的方法、系统、装置及存储介质
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
CN113177554B (zh) 甲状腺结节识别与分割方法、系统、存储介质及设备
CN114821699B (zh) 一种基于抑制模糊度自训练的人脸表情识别方法
CN117152606A (zh) 一种基于置信度动态学习的遥感图像跨域小样本分类方法
CN116704609A (zh) 基于时序注意力的在线手卫生评估方法及系统
CN112257787B (zh) 基于生成式双重条件对抗网络结构的图像半监督分类方法
CN111797732B (zh) 一种对采样不敏感的视频动作识别对抗攻击方法
CN111291820B (zh) 一种结合定位信息和分类信息的目标检测方法
CN114842238A (zh) 一种嵌入式乳腺超声影像的识别方法
CN112183336A (zh) 表情识别模型训练方法、装置、终端设备及存储介质

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
GR01 Patent grant
GR01 Patent grant