CN115546907A - 一种多尺度特征聚合的活体检测方法和系统 - Google Patents

一种多尺度特征聚合的活体检测方法和系统 Download PDF

Info

Publication number
CN115546907A
CN115546907A CN202211153579.6A CN202211153579A CN115546907A CN 115546907 A CN115546907 A CN 115546907A CN 202211153579 A CN202211153579 A CN 202211153579A CN 115546907 A CN115546907 A CN 115546907A
Authority
CN
China
Prior art keywords
image
rgb
feature
hsv
backbone 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.)
Pending
Application number
CN202211153579.6A
Other languages
English (en)
Inventor
黄裕锟
吴俊毅
满君怡
高志鹏
吴婷婷
陈德意
赵建强
杜新胜
金辉
韩名羲
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.)
Xiamen Meiya Pico Information Co Ltd
Original Assignee
Xiamen Meiya Pico Information Co Ltd
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 Xiamen Meiya Pico Information Co Ltd filed Critical Xiamen Meiya Pico Information Co Ltd
Priority to CN202211153579.6A priority Critical patent/CN115546907A/zh
Publication of CN115546907A publication Critical patent/CN115546907A/zh
Pending legal-status Critical Current

Links

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
    • G06V40/40—Spoof detection, e.g. liveness detection
    • G06V40/45—Detection of the body part being alive
    • 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
    • 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
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

公开了多尺度特征聚合的活体检测方法和系统，包括将RGB图像通过图像变换转换为HSV图像，将RGB图像和HSV图像融合为RGB‑HSV图像并送入主干网络；将主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。本发明提出的一种多尺度特征聚合的活体检测方法和系统，其具有参数量小、对图像的接受域大、多尺度特征聚合的特点，利用了空洞卷积以扩大网络的感受野，获取更多的上下文信息，利用RGB图像和HSV图像作为6通道的图像作为输入，运行速度与仅使用RGB图像的运行速度是一致的，在性能和效率之间取得了很好的平衡。

Description

一种多尺度特征聚合的活体检测方法和系统
技术领域
本发明涉及图像检测的技术领域，尤其是多尺度特征聚合的活体检测方法和系统。
背景技术
活体检测是在一些身份验证场景确定对象真实生理特征的方法，在人脸识别应用中，活体检测能通过眨眼、张嘴、摇头、点头等组合动作，使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体本人操作。可有效抵御照片、换脸、面具、遮挡以及屏幕翻拍等常见的攻击手段，从而帮助用户甄别欺诈行为，保障用户的利益。随着深度伪造和人脸对抗攻击技术的发展，活体检测技术成为研究热点。
人脸识别系统主要由人脸检测、关键点检测、活体检测、人脸匹配四个主要部分组成。随着深度伪造技术和人脸对抗攻击的技术发展，活体检测技术遇到了前所未有的挑战，如何设计一个轻量级且泛化性强的算法是如今的研究热点。现有的活体检测算法主要是利用海量数据，利用卷积神经网络强大特征提取能力训练一个二分类器。在现有的算法中RGB和HSV对图像的空间表达被证明有利于活体检测鲁棒性的提升，但是常利用两路网络进行提取特征，会额外引入参数量，导致运行速度过慢。
现有的活体检测算法已经证明同时利用RGB和HSV的图像表达有利于算法的准确率和泛化性提升。现有算法主要是利用构建双分支网络，分别提取RGB图像和HSV图像的特征，在卷积神经网络的最后进行简单的聚合，送进分类器进行二分类。然而，两个分支的网络参数量增加了一倍，并且特征在最后简单的聚合无法促进网络的训练优化。由于网络参数量的增加，导致计算复杂度的提高，使网络运行速度降低。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种多尺度特征聚合的活体检测方法和系统，以解决上述技术问题。
根据本发明的一个方面，提出了一种多尺度特征聚合的活体检测方法，包括：
S1：将RGB图像通过图像变换转换为HSV图像，将RGB图像和HSV图像融合为RGB-HSV图像并送入主干网络；
S2：将主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；
S3：将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
在一些具体的实施例中，主干网络可选用ResNet18或者MobileNetV2。
在一些具体的实施例中，RGB-HSV图像的通道数为6，主干网络的第一个卷积层的输入通道数为3。
在一些具体的实施例中，特征深度拓展模块包括一个3*3卷积、BN层和ReLU激活函数。
在一些具体的实施例中，多特征提取模块包括两个支路，上支路包括3*1和1*3卷积组成的模拟3*3卷积，下支路包括空洞率为3的3*3空洞卷积，多特征提取模块的上下两支路进行融合，再经过BN层和ReLU防止过拟合。
在一些具体的实施例中，多特征提取模块有7个，特征深度拓展模块的输出分别连接到第四个和第七个多特征提取模块的输出。
根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有一或多个计算机程序，该一或多个计算机程序被计算机处理器执行时实施上述任一项的方法。
根据本发明的第三方面，提出了一种多尺度特征聚合的活体检测系统，系统包括：
图像融合单元，配置用于将RGB图像通过图像变换转换为HSV图像，将RGB图像和HSV图像融合为RGB-HSV图像并送入主干网络；
特征深度拓展单元，配置用于将主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；
训练单元：配置用于将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
在一些具体的实施例中，主干网络可选用ResNet18或者MobileNetV2，RGB-HSV图像的通道数为6，主干网络的第一个卷积层的输入通道数为3。
在一些具体的实施例中，特征深度拓展模块包括一个3*3卷积、BN层和ReLU激活函数。
在一些具体的实施例中，多特征提取模块包括两个支路，上支路包括3*1和1*3卷积组成的模拟3*3卷积，下支路包括空洞率为3的3*3空洞卷积，多特征提取模块的上下两支路进行融合，再经过BN层和ReLU防止过拟合。
在一些具体的实施例中，多特征提取模块有7个，特征深度拓展模块的输出分别连接到第四个和第七个多特征提取模块的输出。
本发明提出了一种多尺度特征聚合的活体检测方法和系统，其具有参数量小、对图像的接受域大、多尺度特征聚合的特点，利用了空洞卷积以扩大网络的感受野，获取更多的上下文信息，利用RGB图像和HSV图像作为6通道的图像作为输入，运行速度与仅使用RGB图像的运行速度是一致的，在性能和效率之间取得了很好的平衡。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一个实施例的多尺度特征聚合的活体检测方法的流程图；
图2是本申请的一个具体的实施例的多尺度特征聚合的活体检测方法的算法框架图；
图3是本申请的一个具体的实施例的特征深度拓展模块的框架图；
图4是本申请的一个具体的实施例的多特征提取模块的框架图；
图5是本申请的一个实施例的多尺度特征聚合的活体检测系统的框架图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请的一个实施例的多尺度特征聚合的活体检测方法，图1示出了根据本申请的实施例的多尺度特征聚合的活体检测方法的流程图。如图1所示，该方法包括：
S101：将RGB图像通过图像变换转换为HSV图像，将RGB图像和HSV图像融合为RGB-HSV图像并送入主干网络。
在具体的实施例中，主干网络可选用ResNet18或者MobileNetV2。RGB-HSV图像的通道数为6，主干网络的第一个卷积层的输入通道数为3
S102：将主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息。
在具体的实施例中，特征深度拓展模块包括一个3*3卷积、BN层和ReLU激活函数。多特征提取模块包括两个支路，上支路包括3*1和1*3卷积组成的模拟3*3卷积，下支路包括空洞率为3的3*3空洞卷积，多特征提取模块的上下两支路进行融合，再经过BN层和ReLU防止过拟合。多特征提取模块有7个，特征深度拓展模块的输出分别连接到第四个和第七个多特征提取模块的输出。
S103：将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
图2示出了根据本发明的一个具体的实施例的多尺度特征聚合的活体检测方法的算法框架图，如图2所示，包括以下步骤：
步骤S1：将RGB图像通过图像变换转换为HSV图像，融合成RGB-HSV图像，通道数为6，送入主干网络(可以选用ResNet18或者MobileNetV2)，由于之前的主干网络接收的是3通道图像，因此需要修改主干网络第一个卷积层的输入通道数为3。
步骤S2：经过主干网络的部分卷积块提取，特征图的通道数太浅，少量的特征图不适合用于后续高层特征的提取。因此将步骤S1经常主干网络输出的特征送入特征深度拓展模块，特征深度拓展模块的框架结构如图3中示出的根据本申请的一个具体的实施例的特征深度拓展模块的框架图，如图3所示，特征深度拓展模块，主要是经过一个3*3卷积、BN层、ReLU激活函数，使得网络的反向传播更加流畅。
步骤S3：将步骤S2的输出送入多特征提取模块，图4中示出了根据本申请的一个具体的实施例的多特征提取模块的框架图，如图4所示，多特征提取模块分为两个支路，上面支路主要由3*1和1*3卷积组成模拟3*3卷积的操作，同时减少1/3的参数量。
步骤S4：多特征提取模块下面支路由空洞率为3的3*3空洞卷积构成，以扩大网络的感受野，获取更多的上下文特征信息。多特征提取模块的上下两支路进行融合，在经过BN层和ReLU防止过拟合。
步骤S5：多特征提取模块使用了7次，并将残差网络的思想引进，将步骤S2的输出分别连接到第四个和第七个多特征提取模块的输出，使得网络获得更多的上下文信息。
步骤S6：最后将输出特征经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
本发明提出一种多尺度特征聚合的活体检测方法，利用RGB和HSV合成6通道图像作为输入。减少网络计算量，增加网络的非线性表达能力，增加网络的感受野，获取不同尺度的特征并进行聚合，获取更多的上下文信息。运行速度与仅使用RGB图像的运行速度是一致的，在性能和效率之间取得了很好的平衡。。
继续参考图5，图5示出了根据本发明的实施例的多尺度特征聚合的活体检测系统的框架图。该系统具体包括图像融合单元501、特征深度拓展单元502和训练单元503。图像融合单元501配置用于将RGB图像通过图像变换转换为HSV图像，将RGB图像和HSV图像融合为RGB-HSV图像并送入主干网络；特征深度拓展单元502配置用于将主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；训练单元503配置用于将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将RGB图像通过图像变换转换为HSV图像，将RGB图像和HSV图像融合为RGB-HSV图像并送入主干网络；将主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种多尺度特征聚合的活体检测方法，其特征在于，包括：
S1：将RGB图像通过图像变换转换为HSV图像，将所述RGB图像和所述HSV图像融合为RGB-HSV图像并送入主干网络；
S2：将所述主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；
S3：将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
2.根据权利要求1所述的多尺度特征聚合的活体检测方法，其特征在于，所述主干网络可选用ResNet18或者MobileNetV2。
3.根据权利要求1所述的多尺度特征聚合的活体检测方法，其特征在于，所述RGB-HSV图像的通道数为6，所述主干网络的第一个卷积层的输入通道数为3。
4.根据权利要求1所述的多尺度特征聚合的活体检测方法，其特征在于，所述特征深度拓展模块包括一个3*3卷积、BN层和ReLU激活函数。
5.根据权利要求1所述的多尺度特征聚合的活体检测方法，其特征在于，所述多特征提取模块包括两个支路，上支路包括3*1和1*3卷积组成的模拟3*3卷积，下支路包括空洞率为3的3*3空洞卷积，所述多特征提取模块的上下两支路进行融合，再经过BN层和ReLU防止过拟合。
6.根据权利要求1所述的多尺度特征聚合的活体检测方法，其特征在于，所述多特征提取模块有7个，所述特征深度拓展模块的输出分别连接到第四个和第七个多特征提取模块的输出。
7.一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施权利要求1至6任一项所述的方法。
8.一种多尺度特征聚合的活体检测系统，其特征在于，所述系统包括：
图像融合单元，配置用于将RGB图像通过图像变换转换为HSV图像，将所述RGB图像和所述HSV图像融合为RGB-HSV图像并送入主干网络；
特征深度拓展单元，配置用于将所述主干网络提取的特征送入特征深度拓展模块，并将输出送入多特征提取模块以获得更多的上下文信息；
训练单元：配置用于将最终输出经过池化层和分类层，并在交叉熵损失函数的约束下进行训练。
9.根据权利要求8所述的多尺度特征聚合的活体检测系统，其特征在于，所述主干网络可选用ResNet18或者MobileNetV2，所述RGB-HSV图像的通道数为6，所述主干网络的第一个卷积层的输入通道数为3。
10.根据权利要求8所述的多尺度特征聚合的活体检测系统，其特征在于，所述特征深度拓展模块包括一个3*3卷积、BN层和ReLU激活函数。
11.根据权利要求8所述的多尺度特征聚合的活体检测系统，其特征在于，所述多特征提取模块包括两个支路，上支路包括3*1和1*3卷积组成的模拟3*3卷积，下支路包括空洞率为3的3*3空洞卷积，所述多特征提取模块的上下两支路进行融合，再经过BN层和ReLU防止过拟合。
12.根据权利要求8所述的多尺度特征聚合的活体检测系统，其特征在于，所述多特征提取模块有7个，所述特征深度拓展模块的输出分别连接到第四个和第七个多特征提取模块的输出。
CN202211153579.6A 2022-09-21 2022-09-21 一种多尺度特征聚合的活体检测方法和系统 Pending CN115546907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211153579.6A CN115546907A (zh) 2022-09-21 2022-09-21 一种多尺度特征聚合的活体检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211153579.6A CN115546907A (zh) 2022-09-21 2022-09-21 一种多尺度特征聚合的活体检测方法和系统

Publications (1)

Publication Number Publication Date
CN115546907A true CN115546907A (zh) 2022-12-30

Family

ID=84728151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211153579.6A Pending CN115546907A (zh) 2022-09-21 2022-09-21 一种多尺度特征聚合的活体检测方法和系统

Country Status (1)

Country Link
CN (1) CN115546907A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036952A (zh) * 2023-08-15 2023-11-10 石河子大学 基于rgb图像重建高光谱图像的红枣水分含量等级检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036952A (zh) * 2023-08-15 2023-11-10 石河子大学 基于rgb图像重建高光谱图像的红枣水分含量等级检测方法
CN117036952B (zh) * 2023-08-15 2024-04-12 石河子大学 基于rgb图像重建高光谱图像的红枣水分含量等级检测方法

Similar Documents

Publication Publication Date Title
CN108427939B (zh) 模型生成方法和装置
US9619735B1 (en) Pure convolutional neural network localization
CN109508681A (zh) 生成人体关键点检测模型的方法和装置
CN113470031B (zh) 息肉分型方法、模型训练方法及相关装置
CN114332666A (zh) 一种基于轻量化神经网络模型的图像目标检测方法及系统
CN108229375B (zh) 用于检测人脸图像的方法和装置
CN111460876A (zh) 用于识别视频的方法和装置
CN111931628B (zh) 人脸识别模型的训练方法、装置及相关设备
CN113469295A (zh) 生成模型的训练方法、息肉识别方法、装置、介质及设备
CN115546907A (zh) 一种多尺度特征聚合的活体检测方法和系统
CN113191355A (zh) 文本图像合成方法、装置、设备及存储介质
CN112884702A (zh) 一种基于内窥镜图像的息肉识别系统和方法
CN113901976A (zh) 一种恶意流量的识别方法、装置及电子设备
CN116311546A (zh) 活体检测方法和系统
CN115131291A (zh) 对象计数模型的训练方法、装置、设备以及存储介质
CN112529116B (zh) 场景元素融合处理方法、装置和设备及计算机存储介质
CN114220145A (zh) 人脸检测模型生成方法和装置、伪造人脸检测方法和装置
CN111353470B (zh) 图像的处理方法、装置、可读介质和电子设备
CN114078119A (zh) 一种基于光流法的深度伪造视频检测方法和系统
CN114580510A (zh) 骨髓细胞细粒度分类方法、系统、计算机设备及存储介质
CN115222966A (zh) 对抗数据生成方法、装置、计算机设备及存储介质
CN113255819A (zh) 用于识别信息的方法和装置
CN112070022A (zh) 人脸图像识别方法、装置、电子设备和计算机可读介质
CN113011223A (zh) 一种图像识别方法、系统、设备和存储介质
CN115017863A (zh) 芯片功能验证方法及装置、计算机可读介质和电子设备

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