CN115205941A - 基于广义多视图图嵌入的亲属关系验证方法 - Google Patents
基于广义多视图图嵌入的亲属关系验证方法 Download PDFInfo
- Publication number
- CN115205941A CN115205941A CN202210856270.7A CN202210856270A CN115205941A CN 115205941 A CN115205941 A CN 115205941A CN 202210856270 A CN202210856270 A CN 202210856270A CN 115205941 A CN115205941 A CN 115205941A
- Authority
- CN
- China
- Prior art keywords
- view
- generalized
- graph
- embedding
- relationship
- 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 28
- 238000012795 verification Methods 0.000 title abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036544 posture Effects 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
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
- G06V10/426—Graphical representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于广义多视图图嵌入的亲属关系验证方法,该方法包括以下步骤:从训练集中提取出人脸图像的多视图特征并生成样本对;基于语义信息,构造多视图内蕴图和惩罚图,对图嵌入方法进行转换和修正;实现多视图的广义融合,求解广义特征值分解;计算人脸图像的相似性,输出是否具有亲属关系的判别结果。通过本发明解决相关技术中面临样本数量稀缺、干扰因素较多、个体差异偏小等方面的挑战,提供了一种新的能够准确刻画不同个体之间相对差异,充分利用多视图一致性和互补性的广义多视图度量学习方法,有效高效地完成基于人脸的亲属关系验证。
Description
技术领域
本发明属于亲子鉴定技术领域,特别涉及基于广义多视图图嵌入的亲属关系验证方法。
背景技术
信号处理的相关研究表明,人的外貌对生物关系预测可能提供有价值的线索。和生物学中DNA鉴定技术相比,基于人脸的亲属关系验证具有效率高、成本低的优势,成为近年来计算机视觉领域一项新兴且有趣的研究任务。该任务通过度量人脸外观的相似性辨别身份和社交媒体的分析等场景应用广泛。和传统的人脸验证相比,除了受到表情、姿势、光照等众多因素影响外,该任务可能存在显著的性别和年龄差异。此外,多实体间的复杂关系和有限的数据规模使得相关技术面临巨大挑战。因此,迫切需要开发有效鲁棒的特征表示和度量学习方法,提高亲属关系验证性能和效率。
发明内容
本发明提供一种基于广义多视图图嵌入的亲属关系验证方法,可以准确刻画不同个体之间的相对差异,充分利用多视图的一致性和互补性,实现多视图的广义融合,有效高效地完成基于人脸的亲属关系验证。
为实现上述目的,本发明采用的技术方案是:一种基于广义多视图图嵌入的亲属关系验证方法,具体步骤如下:
步骤101:从训练集中提取出人脸图像的多视图特征并生成样本对;
步骤102:基于语义信息,构造多视图内蕴图和惩罚图,对图嵌入方法进行转换和修正;
步骤103:实现多视图的广义融合,求解广义特征值分解;
步骤104:计算人脸图像的相似性,输出是否具有亲属关系的判别结果。
可选的,所述步骤101,从训练集中提取出人脸图像的多视图特征并生成样本对,进一步包括:
将所述训练集传入局部特征HOG、SIFT特征描述符和深度卷积神经网络,通过词袋模型和特征提取网络的最后全连接层后,得到图像的500维词袋表示和1024维的深度特征,分别进行PCA降维处理后,得到各视图200维的特征表示并且按照样本标签得到所述各视图相似样本对集合各视图不相似样本对集合
可选的,所述步骤102,基于语义信息,构造多视图内蕴图和惩罚图,目标函数为:
s.t.(U(v))TU(v)=I,v=1,2,...,m
其中,为v视图的特征变换矩阵,为v视图的平均类内散度,为v视图的平均类间散度,为v视图K近邻样本对的平均类间散度,为v视图K近邻样本对的平均类间散度,α和β为控制类间散度D(v),的平衡参数,I为d×d的单位矩阵。
可选的,对图嵌入方法进行转换,该非凸优化形式的迹比问题可以转换为替代的比迹问题:
上述问题可以通过广义特征值分解进行求解
当d>N,矩阵S(v)接近奇异时,该特征值分解无解。为克服该缺陷,对图嵌入方法进行修正,加入单位阵作为正则项:
其中0≤γ≤1为正则参数。
可选的,所述步骤103,实现多视图的广义融合,目标函数为:
求解广义特征值分解,上述问题可以通过广义特征值分解进行求解
可选的,所述步骤104,计算人脸图像的相似性,输出是否具有亲属关系的判别结果,进一步包括:
采用余弦相似度计算成对人脸图像的相似性,与给定阈值(设为0.5)进行比较,输出判别结果。
通过本发明提供的亲属关系验证方法,解决相关技术中面临样本数量稀缺、干扰因素较多、个体差异偏小等方面的挑战,能够准确刻画不同个体之间相对差异,充分利用多视图一致性和互补性的进行广义多视图融合,有效高效地完成基于人脸的亲属关系验证。
附图说明
图1为本发明实施例的基于广义多视图图嵌入的亲属关系验证方法。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述。显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其他所有实施例,都应当属于本发明保护的范围。
下面参照附图描述根据本发明实施例提出的基于广义多视图图嵌入的亲属关系验证方法。
如图1所示,该广义多视图图嵌入的亲属关系验证方法包括以下步骤:
步骤101:从训练集中提取出人脸图像的多视图特征并生成样本对。
将所述训练集传入局部特征HOG、SIFT特征描述符和深度卷积神经网络,通过词袋模型和特征提取网络的最后全连接层后,得到图像的500维词袋表示和1024维的深度特征,分别进行PCA降维处理后,得到各视图200维的特征表示并且按照样本标签得到所述各视图相似样本对集合各视图不相似样本对集合
步骤102:基于语义信息,构造多视图内蕴图和惩罚图,对图嵌入方法进行转换和修正。
对于视图v,v=1,2,...,m,目标函数为:
s.t.(U(v))TU(v)=I
其中,为v视图的特征变换矩阵,为v视图的平均类内散度,为v视图的平均类间散度,为v视图K近邻样本对的平均类间散度,为v视图K近邻样本对的平均类间散度,α和β为控制类间散度D(v),的平衡参数,I为d×d的单位矩阵。
对图嵌入方法进行转换,该非凸优化形式的迹比问题可以转换为替代的比迹问题:
上述问题可以通过广义特征值分解进行求解
当d>N,矩阵S(v)接近奇异时,该特征值分解无解。为克服该缺陷,对图嵌入方法进行修正,加入单位阵作为正则项:
其中0≤γ≤1为正则参数。
步骤103:实现多视图的广义融合,求解广义特征值分解。
具体目标函数为:
求解广义特征值分解,上述问题可以通过广义特征值分解进行求解
步骤104:计算人脸图像的相似性,输出是否具有亲属关系的判别结果。
采用余弦相似度计算成对人脸图像的相似性,与给定阈值(设为0.5)进行比较,输出判别结果。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.基于广义多视图图嵌入的亲属关系验证方法,其特征在于,包括以下步骤:
步骤101:从训练集中提取出人脸图像的多视图特征并生成样本对;
步骤102:基于语义信息,构造多视图内蕴图和惩罚图,对图嵌入方法进行转换和修正;
步骤103:实现多视图的广义融合,求解广义特征值分解;
步骤104:计算人脸图像的相似性,输出是否具有亲属关系的判别结果。
6.根据权利要求1所述基于广义多视图图嵌入的亲属关系验证方法,其特征在于,所述步骤104,计算人脸图像的相似性,输出是否具有亲属关系的判别结果,进一步包括:采用余弦相似度计算成对人脸图像的相似性,与给定阈值设为0.5进行比较,输出判别结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856270.7A CN115205941A (zh) | 2022-07-13 | 2022-07-13 | 基于广义多视图图嵌入的亲属关系验证方法 |
US18/216,765 US20240021017A1 (en) | 2022-07-13 | 2023-06-30 | Kinship verification method based on generalized multi-view graph embedding |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856270.7A CN115205941A (zh) | 2022-07-13 | 2022-07-13 | 基于广义多视图图嵌入的亲属关系验证方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205941A true CN115205941A (zh) | 2022-10-18 |
Family
ID=83581488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856270.7A Pending CN115205941A (zh) | 2022-07-13 | 2022-07-13 | 基于广义多视图图嵌入的亲属关系验证方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240021017A1 (zh) |
CN (1) | CN115205941A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
CN108985321A (zh) * | 2018-06-01 | 2018-12-11 | 无锡天脉聚源传媒科技有限公司 | 一种基于图像特征的亲属关系认证的方法及装置 |
CN109948652A (zh) * | 2019-02-14 | 2019-06-28 | 天津科技大学 | 一种基于叶花融合的局部判别cca的植物物种识别方法 |
CN111611962A (zh) * | 2020-05-29 | 2020-09-01 | 扬州大学 | 基于分数阶多集偏最小二乘的人脸图像超分辨率识别方法 |
CN111783896A (zh) * | 2020-07-08 | 2020-10-16 | 汪金玲 | 一种基于核方法的图像识别方法及系统 |
CN112508117A (zh) * | 2020-12-16 | 2021-03-16 | 北京工业大学 | 基于图嵌入的自适应多视降维方法及装置 |
CN112966585A (zh) * | 2021-03-01 | 2021-06-15 | 淮阴师范学院 | 缓解信息孤岛影响的人脸图像亲属关系验证方法 |
CN112967814A (zh) * | 2020-09-18 | 2021-06-15 | 青岛海洋科学与技术国家实验室发展中心 | 基于深度学习的新型冠状病毒患者行动追踪方法及装置 |
CN113158929A (zh) * | 2021-04-27 | 2021-07-23 | 河南大学 | 基于距离和方向的深度鉴别度量学习亲属关系验证框架 |
CN113255458A (zh) * | 2021-04-29 | 2021-08-13 | 燕山大学 | 基于多视图关联特征学习的轴承故障诊断方法 |
CN113869451A (zh) * | 2021-10-12 | 2021-12-31 | 中国民航大学 | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 |
CN113920573A (zh) * | 2021-11-22 | 2022-01-11 | 河海大学 | 基于对抗学习的人脸变化解耦的亲属关系验证方法 |
CN114201635A (zh) * | 2021-11-12 | 2022-03-18 | 东北大学 | 一种基于多视图图数据特征学习的案源线索分类方法 |
CN114419382A (zh) * | 2021-11-30 | 2022-04-29 | 西安交通大学 | 一种无监督的多视图图像的图嵌入方法及系统 |
CN114463829A (zh) * | 2022-04-14 | 2022-05-10 | 合肥的卢深视科技有限公司 | 模型训练方法、亲属关系识别方法、电子设备及存储介质 |
-
2022
- 2022-07-13 CN CN202210856270.7A patent/CN115205941A/zh active Pending
-
2023
- 2023-06-30 US US18/216,765 patent/US20240021017A1/en active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845397A (zh) * | 2017-01-18 | 2017-06-13 | 湘潭大学 | 一种基于相似度度量的人脸确认方法 |
CN108985321A (zh) * | 2018-06-01 | 2018-12-11 | 无锡天脉聚源传媒科技有限公司 | 一种基于图像特征的亲属关系认证的方法及装置 |
CN109948652A (zh) * | 2019-02-14 | 2019-06-28 | 天津科技大学 | 一种基于叶花融合的局部判别cca的植物物种识别方法 |
CN111611962A (zh) * | 2020-05-29 | 2020-09-01 | 扬州大学 | 基于分数阶多集偏最小二乘的人脸图像超分辨率识别方法 |
CN111783896A (zh) * | 2020-07-08 | 2020-10-16 | 汪金玲 | 一种基于核方法的图像识别方法及系统 |
CN112967814A (zh) * | 2020-09-18 | 2021-06-15 | 青岛海洋科学与技术国家实验室发展中心 | 基于深度学习的新型冠状病毒患者行动追踪方法及装置 |
CN112508117A (zh) * | 2020-12-16 | 2021-03-16 | 北京工业大学 | 基于图嵌入的自适应多视降维方法及装置 |
CN112966585A (zh) * | 2021-03-01 | 2021-06-15 | 淮阴师范学院 | 缓解信息孤岛影响的人脸图像亲属关系验证方法 |
CN113158929A (zh) * | 2021-04-27 | 2021-07-23 | 河南大学 | 基于距离和方向的深度鉴别度量学习亲属关系验证框架 |
CN113255458A (zh) * | 2021-04-29 | 2021-08-13 | 燕山大学 | 基于多视图关联特征学习的轴承故障诊断方法 |
CN113869451A (zh) * | 2021-10-12 | 2021-12-31 | 中国民航大学 | 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法 |
CN114201635A (zh) * | 2021-11-12 | 2022-03-18 | 东北大学 | 一种基于多视图图数据特征学习的案源线索分类方法 |
CN113920573A (zh) * | 2021-11-22 | 2022-01-11 | 河海大学 | 基于对抗学习的人脸变化解耦的亲属关系验证方法 |
CN114419382A (zh) * | 2021-11-30 | 2022-04-29 | 西安交通大学 | 一种无监督的多视图图像的图嵌入方法及系统 |
CN114463829A (zh) * | 2022-04-14 | 2022-05-10 | 合肥的卢深视科技有限公司 | 模型训练方法、亲属关系识别方法、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
梁建青: "多模态数据的判别度量学习研究" * |
江帆: "多视图学习中的特征提取方法研究及其应用" * |
董西伟: "有监督和半监督多视图特征学习方法研究" * |
Also Published As
Publication number | Publication date |
---|---|
US20240021017A1 (en) | 2024-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581405B (zh) | 基于对偶学习生成对抗网络的跨模态泛化零样本检索方法 | |
CN109492099B (zh) | 一种基于领域对抗自适应的跨领域文本情感分类方法 | |
Masi et al. | Learning pose-aware models for pose-invariant face recognition in the wild | |
Chen et al. | Deep feature learning for medical image analysis with convolutional autoencoder neural network | |
CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
CN109165306B (zh) | 基于多任务哈希学习的图像检索方法 | |
Wang et al. | A comprehensive survey on cross-modal retrieval | |
Yan et al. | Graph embedding and extensions: A general framework for dimensionality reduction | |
Zhang et al. | Pairwise sparsity preserving embedding for unsupervised subspace learning and classification | |
WO2022105117A1 (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112164067A (zh) | 一种基于多模态子空间聚类的医学图像分割方法及装置 | |
Zhao et al. | PCA dimensionality reduction method for image classification | |
Zheng et al. | Improved image representation and sparse representation for image classification | |
CN108520201A (zh) | 一种基于加权混合范数回归的鲁棒人脸识别方法 | |
CN105426836A (zh) | 一种基于分部式模型和稀疏成分分析的单样本人脸识别方法 | |
Wu et al. | A multi-level descriptor using ultra-deep feature for image retrieval | |
CN112668633B (zh) | 一种基于细粒度领域自适应的图迁移学习方法 | |
CN117690178A (zh) | 一种基于计算机视觉的人脸图像识别方法与系统 | |
CN112257600B (zh) | 一种人脸识别方法及系统 | |
CN107184224B (zh) | 一种基于双模态极限学习机的肺结节诊断方法 | |
CN110633732B (zh) | 一种基于低秩和联合稀疏的多模态图像识别方法 | |
CN109934248B (zh) | 一种针对迁移学习的多模型随机生成与动态自适应组合方法 | |
CN115205941A (zh) | 基于广义多视图图嵌入的亲属关系验证方法 | |
Li et al. | Video summarization based on mutual information and entropy sliding window method | |
CN111984800B (zh) | 基于字典对学习的哈希跨模态信息检索方法 |
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 |