CN106503669B - 一种基于多任务深度学习网络的训练、识别方法及*** - Google Patents
一种基于多任务深度学习网络的训练、识别方法及*** Download PDFInfo
- Publication number
- CN106503669B CN106503669B CN201610952920.2A CN201610952920A CN106503669B CN 106503669 B CN106503669 B CN 106503669B CN 201610952920 A CN201610952920 A CN 201610952920A CN 106503669 B CN106503669 B CN 106503669B
- Authority
- CN
- China
- Prior art keywords
- task
- face
- deep learning
- learning network
- recognition task
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 160
- 238000012549 training Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000001815 facial effect Effects 0.000 claims abstract description 60
- 238000001514 detection method Methods 0.000 claims abstract description 36
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 122
- 238000013528 artificial neural network Methods 0.000 description 23
- 241000282414 Homo sapiens Species 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/164—Detection; Localisation; Normalisation using holistic features
-
- 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
- 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
- G06V40/169—Holistic features and representations, i.e. based on the facial image taken as a whole
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多任务深度学习网络的训练方法、识别方法及***,训练方法包括:获取训练集中人脸图像的人脸区域;对人脸区域进行关键点检测,得到关键特征点位置;根据关键特征位置将人脸图像经仿射变换得到对齐的人脸图像;将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型;识别方法包括:根据待识别人脸图像的关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;将对齐的人脸图像输入到训练后的多任务深度学习网络模型进行特征提取得到特征信息;将待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果。如此,能够提高多任务深度学习网络训练和识别的效率。
Description
技术领域
本发明涉及人脸识别技术领域,特别是涉及一种基于多任务深度学习网络的训练方法、识别方法及***。
背景技术
人脸识别技术是基于生物特征的识别方式,利用人类自身拥有的、并且能够唯一标示其身份的生理特征或行为特征进行身份验证的技术。随着人机交互技术的应用日益广泛,在人机交互领域中,人脸识别技术具有非常重要的意义。作为模式识别与机器学习领域的主要研究方法之一,己经有大量的人脸识别算法被提出。
目前,在人脸识别及其各种属性识别方式中,通常是根据不同的任务单独对深度学习网络进行训练得到各自的深度学习网络模型,然后根据训练得到的深度学习网络模型单独进行识别。然而,现有的单任务深度学习网络,训练和识别的效率较低,从而导致网络的整体性能降低。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种基于多任务深度学习网络的训练方法、识别方法及***,能够提高多任务深度学习网络训练和识别的效率及识别率。
为实现上述目的及其他相关目的,本发明实施例提供一种基于多任务深度学习网络的训练方法,该方法包括:
获取训练集中人脸图像的人脸区域;
对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;
将对齐的人脸图像输入到多任务深度学习神经网络进行训练,得到多任务深度学习神经网络模型;
其中,所述多任务深度学习神经网络的结构采用GoogleNet结构,所述多任务深度学习神经网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习神经网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
优选地,所述将对齐的人脸图像输入到多任务深度学习神经网络进行训练,得到多任务深度学习神经网络模型,包括:
将对齐的人脸图像输入到多任务深度学习神经网络的第一层卷积完成卷积运算;
将得到的运算结果输入到所述多任务深度学习神经网络的第二层卷积完成卷积运算,直到将得到的运算结果输入到所述多任务深度学习神经网络的第N层卷积完成卷积运算,再链接两层全链接层得到最终的训练结果;
根据所述训练结果确定所述多任务深度学习神经网络模型。
优选地,所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到所述多任务深度学习神经网络的总损失函数。
本发明实施例还提供一种基于多任务深度学习网络的识别方法,该方法包括:
获取待识别人脸图像的人脸区域;
对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;
将对齐的人脸图像输入到训练后的多任务深度学习神经网络模型进行特征提取,得到所述待识别人脸图像的特征信息;
将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果;
其中,所述多任务深度学习神经网络的结构采用GoogleNet结构,所述多任务深度学习神经网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习神经网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
优选地,所述将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果,包括:
通过计算所述待识别人脸图像的特征信息分别与所述注册集中每张人脸图像对应的特征信息的欧式距离,确定所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值;
根据所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值及预设的相似度阈值确定识别结果。
根据上述方法,本发明实施例提供了一种基于多任务深度学习网络的训练***,该***包括:人脸区域获取模块、关键点检测模块、人脸对齐模块、训练模块;其中,
所述人脸区域获取模块,用于获取训练集中人脸图像的人脸区域;
所述关键点检测模块,用于对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
所述人脸对齐模块,用于根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;
所述训练模块,用于将对齐的人脸图像输入到多任务深度学习神经网络进行训练,得到多任务深度学习神经网络模型;
其中,所述多任务深度学习神经网络的结构采用GoogleNet结构,所述多任务深度学习神经网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习神经网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
优选地,所述训练模块具体用于:
将对齐的人脸图像输入到多任务深度学习神经网络的第一层卷积完成卷积运算;
将得到的运算结果输入到所述多任务深度学习神经网络的第二层卷积完成卷积运算,直到将得到的运算结果输入到所述多任务深度学习神经网络的第N层卷积完成卷积运算,再链接两层全链接层得到最终的训练结果;
根据所述训练结果得到所述多任务深度学习神经网络模型。
优选地,所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到所述多任务深度学习神经网络的总损失函数。
根据上述方法,本发明实施例提供了一种基于多任务深度学习网络的识别***,该***包括:人脸区域获取模块、关键点检测模块、人脸对齐模块、特征提取模块、匹配识别模块;其中,
所述人脸区域获取模块,用于获取待识别人脸图像的人脸区域;
所述关键点检测模块,用于对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
所述人脸对齐模块,用于根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;
所述特征提取模块,用于将对齐的人脸图像输入到训练后的多任务深度学习神经网络模型进行特征提取,得到所述待识别人脸图像的特征信息;
所述匹配识别模块,用于将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果;
其中,所述多任务深度学习神经网络的结构采用GoogleNet结构,所述多任务深度学习神经网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习神经网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
优选地,所述匹配识别模块具体用于:
通过计算所述待识别人脸图像的特征信息分别与所述注册集中每张人脸图像对应的特征信息的欧式距离,确定所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值;
根据所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值及预设的相似度阈值确定识别结果。
本发明提供的基于多任务深度学习网络的训练方法、识别方法及***,训练方法包括:获取训练集中人脸图像的人脸区域;对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型;识别方法包括:获取待识别人脸图像的人脸区域;对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;将对齐的人脸图像输入到训练后的多任务深度学习网络模型进行特征提取,得到所述待识别人脸图像的特征信息;将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果;其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。如此,本发明实施例中将人脸识别任务、性别识别任务、年龄识别任务设置在一个多任务深度学习网络中,并在所述多任务深度学习网络中建立起它们之间的相关性,通过所述多任务深度学习网络进行共同特征的训练及学习,得到一个多任务深度学习网络模型,然后通过训练后的多任务深度学习网络进行特征提取及识别,不仅能够提高整体多任务深度学习网络训练和识别的效率及识别率,而且能够提高单个任务的识别率。
附图说明
图1显示为本发明的基于多任务深度学习网络的训练方法的流程示意图;
图2显示为本发明的基于多任务深度学习网络的识别方法的流程示意图;
图3显示为本发明的基于多任务深度学习网络的训练***的组成结构示意图;
图4显示为本发明的基于多任务深度学习网络的识别***的组成结构示意图。
具体实施方式
本发明实施例中,首先获取训练集中人脸图像的人脸区域;对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型;然后,根据训练后的多任务深度学习网络模型对待识别人脸图像进行特征提取及识别。
下面结合附图及具体实施例对本发明做进一步详细的说明。
本发明实施例提出了一种基于多任务深度学习网络的训练方法,如图1所示,该方法包括:
步骤S100:获取训练集中人脸图像的人脸区域。
本步骤中,首先收集包含人脸的图像,按照预设规则对所述人脸图像中人脸区域与关键特征点进行标定,生成训练集。具体地,为用户通过各种途径采集到的包含有人脸的图像按照训练集的预设规则对人脸图像中人脸区域与关键特征点进行标定,将标定的人脸区域的位置和尺度信息、关键特征点的坐标信息上传至PC、服务器存储到相应的文档。
本步骤中,可以采用人脸检测算法获取所述训练集中人脸图像的人脸区域,所述人脸检测算法可以采用AdaBoost算法或深度学习的人脸检测算法,具体如何采用AdaBoost算法或深度学习的人脸检测算法获取所述训练集中人脸图像的人脸区域属于现有技术,重复之处不再赘述。这里对人脸检测算法不作具体限定。
本步骤中,所述训练集中的人脸图像为以下任意格式中bmp、jpg、tiff、gif、pcx、tga、exif、fpx、svg、psd、cdr、pcd、dxf、ufo、eps、ai、raw一种,且为无压缩的图像。
步骤S101:对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置。
本步骤中,如何对所述人脸区域进行关键点检测采用现有关键点检测算法,重复之处不再赘述。
步骤S102:根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像。
本步骤中,如何根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像属于现有技术,重复之处不再赘述。
步骤S103:将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型。
本步骤中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
具体的,所述人脸识别任务的triplet损失函数为:
其中,Γ为训练集中人脸图像的三元组的合集,为人脸图像矩阵,为与所述人脸图像属于同一类别的另一人脸图像矩阵,为与所述人脸图像不属于同一类别的人脸图像矩阵,α为三元组中矩阵和矩阵的相似度值与矩阵和矩阵的相似度值的余量,i为正整数。
具体的,所述性别识别任务的softmax损失函数为:
L=-(1-g)·log(1-p0)-g·log(p1)
其中,若性别为女士,则设置g=0;若性别为男士,则设置g=1;P0为从所述多任务深度学习网络中计算得到的性别为女士的概率,P1为从所述多任务深度学习网络中计算得到的性别为男士。
具体的,所述年龄识别任务的softmax损失函数为:
L=-(g0)·log(p0)-g1·log(p1)-…gn·log(pn)
其中,Pn为从所述多任务深度学习网络中计算得到的每个年龄的概率,gn为每个年龄的权重系数,n为正整数。
具体的,每个任务的损失函数按照权重比例分配,所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到的所述多任务深度学习网络的总损失函数为:
其中,Lall为所述多任务深度学习网络的总损失函数,Ln为所述多任务深度学习网络中第n个任务的损失函数,λn为第n个任务在整体损失中的权重比例系数。
这里,按照实际情况及需求设置所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数的权重比例,这里对所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数的权重比例不作具体限定。
本步骤中,需要对所述多任务深度学习网络进行训练,所述多任务深度学习网络具体通过以下方式进行训练:
将对齐的人脸图像输入到多任务深度学习网络的第一层卷积完成卷积运算;
将得到的运算结果输入到所述多任务深度学习网络的第二层卷积完成卷积运算,直到将得到的运算结果输入到所述多任务深度学习网络的第N层卷积完成卷积运算,再链接两层全链接层得到最终的训练结果;
根据所述训练结果确定所述多任务深度学习网络模型。
需要说明的是,所述多任务深度学习网络的卷积过程属于现有技术,重复之处不再赘述。
本发明实施例提出了一种基于多任务深度学习网络的识别方法,如图2所示,该方法包括:
步骤S200:获取待识别人脸图像的人脸区域。
本步骤中,采用与步骤S100相同的人脸检测算法获取待识别人脸图像的人脸区域,重复之处不再赘述。
步骤S201:对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置。
本步骤中,采用与步骤S101相同的关键点检测算法对待识别人脸图像的人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置。
步骤S202:根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像。
本步骤中,与步骤S102相同,如何根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像属于现有技术,重复之处不再赘述。
步骤S203:将对齐的人脸图像输入到训练后的多任务深度学习网络模型进行特征提取,得到所述待识别人脸图像的特征信息。
本步骤中,所述多任务深度学习网络模型为通过步骤S100~S102进行训练得到的网络模型,其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
本步骤中,将所述对齐的人脸图像输入到训练后的深度学习网络模型进行特征提取,以所述多任务深度学习网络模型的第一个全链接层的输出作为所述待识别人脸图像的特征信息。
步骤S204:将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果。
具体的,首先通过计算所述待识别人脸图像的特征信息分别与所述注册集中每张人脸图像对应的特征信息的欧式距离,确定所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值;
然后根据所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值及预设的相似度阈值确定识别结果。
这里,如何计算所述待识别人脸图像的特征信息分别与所述注册集中每张人脸图像对应的特征信息的欧式距离属于现有技术,重复之处不再赘述。
这里,可以根据实际情况及需求预设相似度阈值,这里对所述相似度阈值不作具体限定。
下面对如何根据所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值及预设的相似度阈值确定识别结果,进行详细说明:
若任意一个相似度值大于等于预设的相似度阈值,则匹配成功并输出识别结果为识别成功及相应类别的编号。
若所有相似度值均小于预设的相似度阈值,则匹配失败并输出识别结果为识别失败。
为实现上述方法,本发明实施例还提供了一种基于多任务深度学习网络融合关键特征点的训练***、及一种基于多任务深度学习网络融合关键特征点的识别***,由于***解决问题的原理与方法相似,因此,***的实施过程及实施原理均可以参见前述方法的实施过程及实施原理描述,重复之处不再赘述。
本发明实施例提供了一种基于多任务深度学习网络的训练***,如图3所示,该***包括:人脸区域获取模块300、关键点检测模块301、人脸对齐模块302、训练模块303;其中,
所述人脸区域获取模块300,用于获取训练集中人脸图像的人脸区域;
所述关键点检测模块301,用于对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
所述人脸对齐模块302,用于根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;
所述训练模块303,用于将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型;
其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
具体实施中,所述训练模块303具体用于:
将对齐的人脸图像输入到多任务深度学习网络的第一层卷积完成卷积运算;
将得到的运算结果输入到所述多任务深度学习网络的第二层卷积完成卷积运算,直到将得到的运算结果输入到所述多任务深度学习网络的第N层卷积完成卷积运算,再链接两层全链接层得到最终的训练结果;
根据所述训练结果得到所述多任务深度学习网络模型。
具体实施中,所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到所述多任务深度学习网络的总损失函数。
以上功能模块的划分方式仅为本发明实施例给出的一种优选实现方式,功能模块的划分方式不构成对本发明的限制。为了描述的方便,以上所述***的各部分以功能分为各种模块或单元分别描述。当然,在实施本发明时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本发明实施例提供了一种基于多任务深度学习网络的识别***,如图4所示,该***包括:人脸区域获取模块400、关键点检测模块401、人脸对齐模块402、特征提取模块403、匹配识别模块404;其中,
所述人脸区域获取模块400,用于获取待识别人脸图像的人脸区域;
所述关键点检测模块401,用于对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
所述人脸对齐模块402,用于根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;
所述特征提取模块403,用于将对齐的人脸图像输入到训练后的多任务深度学习网络模型进行特征提取,得到所述待识别人脸图像的特征信息;
所述匹配识别模块404,用于将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果;
其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。
具体实施中,所述匹配识别模块404具体用于:
通过计算所述待识别人脸图像的特征信息分别与所述注册集中每张人脸图像对应的特征信息的欧式距离,确定所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值;
根据所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值及预设的相似度阈值确定识别结果。
以上功能模块的划分方式仅为本发明实施例给出的一种优选实现方式,功能模块的划分方式不构成对本发明的限制。为了描述的方便,以上所述***的各部分以功能分为各种模块或单元分别描述。当然,在实施本发明时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
综上所述,本发明实施例在训练过程中,首先获取训练集中人脸图像的人脸区域;对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型;在识别过程中,获取待识别人脸图像的人脸区域;对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;将对齐的人脸图像输入到训练后的多任务深度学习网络模型进行特征提取,得到所述待识别人脸图像的特征信息;将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果;其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数。如此,本发明实施例通过上述的多任务深度学习网络训练得到一个多任务深度学习网络模型,该模型可提取出包括人脸识别、性别识别和年龄识别的融合特征信息,根据该特征信息进行多任务识别,实现了人脸及其属性特征的多任务识别,不但能够提高整体多任务深度学习网络训练和识别的效率及识别率,而且能够提高单个任务的识别率。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种基于多任务深度学习网络的训练方法,其特征在于,所述方法包括:
获取训练集中人脸图像的人脸区域;
对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;
将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型;
其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数;所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到所述多任务深度学习网络的总损失函数。
2.根据权利要求1所述的方法,其特征在于,所述将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型,包括:
将对齐的人脸图像输入到多任务深度学习网络的第一层卷积完成卷积运算;
将得到的运算结果输入到所述多任务深度学习网络的第二层卷积完成卷积运算,直到将得到的运算结果输入到所述多任务深度学习网络的第N层卷积完成卷积运算,再链接两层全链接层得到最终的训练结果;
根据所述训练结果确定所述多任务深度学习网络模型。
3.一种基于多任务深度学习网络的识别方法,其特征在于,所述方法包括:
获取待识别人脸图像的人脸区域;
对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;
将对齐的人脸图像输入到训练后的多任务深度学习网络模型进行特征提取,得到所述待识别人脸图像的特征信息;
将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果;
其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数;所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到所述多任务深度学习网络的总损失函数。
4.根据权利要求3所述的方法,其特征在于,所述将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果,包括:
通过计算所述待识别人脸图像的特征信息分别与所述注册集中每张人脸图像对应的特征信息的欧式距离,确定所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值;
根据所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值及预设的相似度阈值确定识别结果。
5.一种基于多任务深度学习网络的训练***,其特征在于,所述***包括:人脸区域获取模块、关键点检测模块、人脸对齐模块、训练模块;其中,
所述人脸区域获取模块,用于获取训练集中人脸图像的人脸区域;
所述关键点检测模块,用于对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
所述人脸对齐模块,用于根据所述关键特征位置将所述人脸图像经仿射变换得到对齐的人脸图像;
所述训练模块,用于将对齐的人脸图像输入到多任务深度学习网络进行训练,得到多任务深度学习网络模型;
其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数;所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到所述多任务深度学习网络的总损失函数。
6.根据权利要求5所述的***,其特征在于,所述训练模块具体用于:
将对齐的人脸图像输入到多任务深度学习网络的第一层卷积完成卷积运算;
将得到的运算结果输入到所述多任务深度学习网络的第二层卷积完成卷积运算,直到将得到的运算结果输入到所述多任务深度学习网络的第N层卷积完成卷积运算,再链接两层全链接层得到最终的训练结果;
根据所述训练结果得到所述多任务深度学习网络模型。
7.一种基于多任务深度学习网络的识别***,其特征在于,所述***包括:人脸区域获取模块、关键点检测模块、人脸对齐模块、特征提取模块、匹配识别模块;其中,
所述人脸区域获取模块,用于获取待识别人脸图像的人脸区域;
所述关键点检测模块,用于对所述人脸区域进行关键点检测,得到所述人脸区域的关键特征点位置;
所述人脸对齐模块,用于根据所述关键特征位置将待识别人脸图像经仿射变换得到对齐的人脸图像;
所述特征提取模块,用于将对齐的人脸图像输入到训练后的多任务深度学习网络模型进行特征提取,得到所述待识别人脸图像的特征信息;
所述匹配识别模块,用于将所述待识别人脸图像的特征信息分别与注册集中每张人脸图像对应的特征信息进行匹配,得到识别结果;
其中,所述多任务深度学习网络的结构采用GoogleNet结构,所述多任务深度学习网络包括人脸识别任务、年龄识别任务、性别识别任务,所述人脸识别任务、所述年龄识别任务及所述性别识别任务共享所述多任务深度学习网络的卷积层及第一个全链接层,所述第一个全链接层连接每个任务特有的全链接层及每个任务的损失函数,所述人脸识别任务的损失函数为triplet函数、所述年龄识别任务的损失函数为softmax函数、所述性别识别任务的损失函数为softmax函数;所述人脸识别任务、所述年龄识别任务及所述性别识别任务每个任务的损失函数按照权重比例相加得到所述多任务深度学习网络的总损失函数。
8.根据权利要求7所述的***,其特征在于,所述匹配识别模块具体用于:
通过计算所述待识别人脸图像的特征信息分别与所述注册集中每张人脸图像对应的特征信息的欧式距离,确定所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值;
根据所述待识别人脸图像分别与所述注册集中每张人脸图像的相似度值及预设的相似度阈值确定识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610952920.2A CN106503669B (zh) | 2016-11-02 | 2016-11-02 | 一种基于多任务深度学习网络的训练、识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610952920.2A CN106503669B (zh) | 2016-11-02 | 2016-11-02 | 一种基于多任务深度学习网络的训练、识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503669A CN106503669A (zh) | 2017-03-15 |
CN106503669B true CN106503669B (zh) | 2019-12-10 |
Family
ID=58321285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610952920.2A Active CN106503669B (zh) | 2016-11-02 | 2016-11-02 | 一种基于多任务深度学习网络的训练、识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503669B (zh) |
Families Citing this family (63)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563281A (zh) * | 2017-07-24 | 2018-01-09 | 南京邮电大学 | 一种基于深度学习的建筑工地人员安全隐患监测方法 |
CN108875489A (zh) * | 2017-09-30 | 2018-11-23 | 北京旷视科技有限公司 | 人脸检测方法、装置、***、存储介质和抓拍机 |
CN107679513B (zh) * | 2017-10-20 | 2021-07-13 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置及服务器 |
CN107886062B (zh) * | 2017-11-03 | 2019-05-10 | 北京达佳互联信息技术有限公司 | 图像处理方法、***及服务器 |
CN107832700A (zh) * | 2017-11-03 | 2018-03-23 | 全悉科技(北京)有限公司 | 一种人脸识别方法与*** |
CN108052862B (zh) * | 2017-11-09 | 2019-12-06 | 北京达佳互联信息技术有限公司 | 年龄预估方法和装置 |
CN107977633B (zh) * | 2017-12-06 | 2019-04-09 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
CN107844784A (zh) * | 2017-12-08 | 2018-03-27 | 广东美的智能机器人有限公司 | 人脸识别方法、装置、计算机设备和可读存储介质 |
CN107895160A (zh) * | 2017-12-21 | 2018-04-10 | 曙光信息产业(北京)有限公司 | 人脸检测与识别装置及方法 |
CN110197099B (zh) * | 2018-02-26 | 2022-10-11 | 腾讯科技(深圳)有限公司 | 跨年龄人脸识别及其模型训练的方法和装置 |
CN108734145B (zh) * | 2018-02-27 | 2022-03-29 | 北京紫睛科技有限公司 | 一种基于密度自适应人脸表征模型的人脸识别方法 |
EP3782080A1 (en) * | 2018-04-18 | 2021-02-24 | DeepMind Technologies Limited | Neural networks for scalable continual learning in domains with sequentially learned tasks |
KR20210033940A (ko) * | 2018-04-23 | 2021-03-29 | 에스티씨-이노베이션스 리미티드 | 인간 안면 인식을 위하여 신경 네트워크를 트레이닝시키는 방법 |
CN108665065B (zh) * | 2018-04-25 | 2020-08-04 | 清华大学 | 任务数据的处理方法、装置、设备和存储介质 |
CN110263603B (zh) * | 2018-05-14 | 2021-08-06 | 桂林远望智能通信科技有限公司 | 基于中心损失和残差视觉仿真网络的人脸识别方法及装置 |
CN109033953A (zh) * | 2018-06-14 | 2018-12-18 | 深圳市博威创盛科技有限公司 | 多任务学习深度网络的训练方法、设备及存储介质 |
CN109086660A (zh) * | 2018-06-14 | 2018-12-25 | 深圳市博威创盛科技有限公司 | 多任务学习深度网络的训练方法、设备及存储介质 |
CN108960167B (zh) * | 2018-07-11 | 2023-08-18 | 腾讯科技(深圳)有限公司 | 发型识别方法、装置、计算机可读存储介质和计算机设备 |
CN108986094B (zh) * | 2018-07-20 | 2021-08-17 | 南京开为网络科技有限公司 | 用于人脸识别用训练图像库的数据自动更新方法 |
CN109190514B (zh) * | 2018-08-14 | 2021-10-01 | 电子科技大学 | 基于双向长短期记忆网络的人脸属性识别方法及*** |
CN109117801A (zh) * | 2018-08-20 | 2019-01-01 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN109359528A (zh) * | 2018-09-11 | 2019-02-19 | 开放智能机器(上海)有限公司 | 一种人脸识别神经网络 |
CN109522829B (zh) * | 2018-11-02 | 2021-10-26 | 南京邮电大学 | 一种基于深度学习的智能手机“刷脸”会议注册方法 |
CN109522872A (zh) * | 2018-12-04 | 2019-03-26 | 西安电子科技大学 | 一种人脸识别方法、装置、计算机设备及存储介质 |
CN109712127B (zh) * | 2018-12-21 | 2023-07-28 | 云南电网有限责任公司电力科学研究院 | 一种用于机巡视频流的输电线路故障检测方法 |
CN109784219A (zh) * | 2018-12-28 | 2019-05-21 | 广州海昇计算机科技有限公司 | 一种基于集中协调学习的人脸识别方法、***及装置 |
CN109543663B (zh) * | 2018-12-28 | 2021-04-27 | 北京旷视科技有限公司 | 一种犬只身份识别方法、装置、***及存储介质 |
EP3674974A1 (en) * | 2018-12-31 | 2020-07-01 | Samsung Electronics Co., Ltd. | Apparatus and method with user verification |
CN109766872B (zh) * | 2019-01-31 | 2021-07-09 | 广州视源电子科技股份有限公司 | 图像识别方法和装置 |
CN111723613A (zh) * | 2019-03-20 | 2020-09-29 | 广州慧睿思通信息科技有限公司 | 人脸图像数据处理方法、装置、设备及存储介质 |
CN110147721B (zh) * | 2019-04-11 | 2023-04-18 | 创新先进技术有限公司 | 一种三维人脸识别方法、模型训练方法和装置 |
CN110084174A (zh) * | 2019-04-23 | 2019-08-02 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、***及电子设备和存储介质 |
CN110070047B (zh) * | 2019-04-23 | 2021-03-26 | 杭州智趣智能信息技术有限公司 | 一种人脸对比方法、***及电子设备和存储介质 |
CN110033332A (zh) * | 2019-04-23 | 2019-07-19 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、***及电子设备和存储介质 |
CN110059645A (zh) * | 2019-04-23 | 2019-07-26 | 杭州智趣智能信息技术有限公司 | 一种人脸识别方法、***及电子设备和存储介质 |
CN110163269A (zh) * | 2019-05-09 | 2019-08-23 | 北京迈格威科技有限公司 | 基于深度学习的模型生成方法、装置和计算机设备 |
CN110276403B (zh) * | 2019-06-25 | 2022-02-18 | 北京百度网讯科技有限公司 | 模型建立方法和装置 |
CN112149449A (zh) * | 2019-06-26 | 2020-12-29 | 北京华捷艾米科技有限公司 | 一种基于深度学习的人脸属性识别方法及*** |
WO2021027440A1 (zh) * | 2019-08-15 | 2021-02-18 | 华为技术有限公司 | 一种人脸检索方法及装置 |
CN110533106A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 图像分类处理方法、装置及存储介质 |
CN110728255B (zh) * | 2019-10-22 | 2022-12-16 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN110826525B (zh) * | 2019-11-18 | 2023-05-26 | 天津高创安邦技术有限公司 | 一种人脸识别的方法及*** |
WO2021098855A1 (zh) * | 2019-11-22 | 2021-05-27 | 虹软科技股份有限公司 | 用户信息的检测方法及***、电子设备 |
CN111027428B (zh) * | 2019-11-29 | 2024-03-08 | 北京奇艺世纪科技有限公司 | 一种多任务模型的训练方法、装置及电子设备 |
CN110879993B (zh) * | 2019-11-29 | 2023-03-14 | 北京市商汤科技开发有限公司 | 神经网络训练方法、人脸识别任务的执行方法及装置 |
CN113051967A (zh) * | 2019-12-26 | 2021-06-29 | 广州慧睿思通科技股份有限公司 | 监控方法、装置、服务器及计算机可读存储介质 |
CN111339869A (zh) * | 2020-02-18 | 2020-06-26 | 北京拙河科技有限公司 | 一种人脸识别方法、装置、计算机可读存储介质及设备 |
CN111460939A (zh) * | 2020-03-20 | 2020-07-28 | 深圳市优必选科技股份有限公司 | 一种去模糊的人脸识别方法、***和一种巡检机器人 |
CN111428671A (zh) * | 2020-03-31 | 2020-07-17 | 杭州博雅鸿图视频技术有限公司 | 人脸结构化信息识别方法、***、装置及存储介质 |
CN111695415B (zh) * | 2020-04-28 | 2024-04-12 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN111598000A (zh) * | 2020-05-18 | 2020-08-28 | 中移(杭州)信息技术有限公司 | 基于多任务的人脸识别方法、装置、服务器和可读存储介质 |
CN112115854A (zh) * | 2020-09-17 | 2020-12-22 | 广东光速智能设备有限公司 | 一种应用在工地闸机的离线轻量级人脸识别*** |
CN112241723B (zh) * | 2020-10-27 | 2021-06-25 | 新疆爱华盈通信息技术有限公司 | 性别及年龄的识别方法、***、电子装置及存储介质 |
CN112308149B (zh) * | 2020-11-02 | 2023-10-24 | 平安科技(深圳)有限公司 | 基于机器学习的图像信息识别的优化方法及装置 |
CN112488053B (zh) * | 2020-12-17 | 2023-10-13 | 深圳市优必选科技股份有限公司 | 一种人脸识别方法、装置、机器人及存储介质 |
CN112597888B (zh) * | 2020-12-22 | 2024-03-08 | 西北工业大学 | 一种针对cpu运算优化的在线教育场景学生注意力识别方法 |
CN112651342B (zh) * | 2020-12-28 | 2024-06-14 | 中国平安人寿保险股份有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN113743176A (zh) * | 2021-01-29 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种图像识别方法、设备和计算机可读存储介质 |
CN112949571A (zh) * | 2021-03-26 | 2021-06-11 | 北京金山云网络技术有限公司 | 识别年龄的方法、年龄识别模型的训练方法和装置 |
CN113283294A (zh) * | 2021-04-15 | 2021-08-20 | 阳光暖果(北京)科技发展有限公司 | 基于多阶段多通道注意力网络的人脸性别与年龄识别方法 |
CN113239885A (zh) * | 2021-06-04 | 2021-08-10 | 新大陆数字技术股份有限公司 | 一种人脸检测与识别方法及*** |
CN114005166A (zh) * | 2021-11-25 | 2022-02-01 | 浩云科技股份有限公司 | 一种基于多任务学习的人脸识别方法和装置 |
CN117079337B (zh) * | 2023-10-17 | 2024-02-06 | 成都信息工程大学 | 一种高精度人脸属性特征识别装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138973A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证的方法和装置 |
CN105404877A (zh) * | 2015-12-08 | 2016-03-16 | 商汤集团有限公司 | 基于深度学习和多任务学习的人脸属性预测方法及装置 |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
CN105912611A (zh) * | 2016-04-05 | 2016-08-31 | 中国科学技术大学 | 一种基于cnn的快速图像检索方法 |
CN105912990A (zh) * | 2016-04-05 | 2016-08-31 | 深圳先进技术研究院 | 人脸检测的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10074041B2 (en) * | 2015-04-17 | 2018-09-11 | Nec Corporation | Fine-grained image classification by exploring bipartite-graph labels |
-
2016
- 2016-11-02 CN CN201610952920.2A patent/CN106503669B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138973A (zh) * | 2015-08-11 | 2015-12-09 | 北京天诚盛业科技有限公司 | 人脸认证的方法和装置 |
CN105404877A (zh) * | 2015-12-08 | 2016-03-16 | 商汤集团有限公司 | 基于深度学习和多任务学习的人脸属性预测方法及装置 |
CN105912611A (zh) * | 2016-04-05 | 2016-08-31 | 中国科学技术大学 | 一种基于cnn的快速图像检索方法 |
CN105912990A (zh) * | 2016-04-05 | 2016-08-31 | 深圳先进技术研究院 | 人脸检测的方法及装置 |
CN105913025A (zh) * | 2016-04-12 | 2016-08-31 | 湖北工业大学 | 一种基于多特征融合的深度学习人脸识别方法 |
Non-Patent Citations (5)
Title |
---|
Deep Learning Face Representation by Joint Identification-Verification;Yi Sun 等;《arXiv:1406.4773v1》;20140618;1-9 * |
FaceNet: A Unified Embedding for Face Recognition and Clustering;Florian Schroff等;《2015 IEEE conference on computer vision and pattern recognition(CVPR)》;20150612;815-823 * |
基于GoogLeNet多阶段连带优化的图像描述;汤鹏杰 等;《井冈山大学学报(自然科学版)》;20160930;第37卷(第5期);47-57 * |
基于卷积神经网络的图像生成方式分类方法;李巧玲等;《网络与信息安全学报》;20160930;第2卷(第9期);第2.3节 * |
多任务学习及卷积神经网络在人脸识别中的应用;邵蔚元等;《计算机工程与应用》;20160701;第52卷(第13期);摘要,第2.2-2.3节,第3.1-3.5节,图2 * |
Also Published As
Publication number | Publication date |
---|---|
CN106503669A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503669B (zh) | 一种基于多任务深度学习网络的训练、识别方法及*** | |
CN106127170B (zh) | 一种融合关键特征点的训练方法、识别方法及*** | |
Xiao et al. | Robust kernel low-rank representation | |
CN105512624A (zh) | 一种人脸图像的笑脸识别方法及其装置 | |
CN111401303B (zh) | 一种身份与视角特征分离的跨视角步态识别方法 | |
CN111339930A (zh) | 一种联合口罩属性损失函数的人脸识别方法 | |
TWI774271B (zh) | 關鍵點檢測方法、電子設備及電腦可讀儲存介質 | |
CN112766229B (zh) | 基于注意力机制的人脸点云图像智能识别***及方法 | |
CN104932804A (zh) | 一种智能虚拟装配动作识别方法 | |
Huang et al. | Clothing landmark detection using deep networks with prior of key point associations | |
CN111476222B (zh) | 图像处理方法、装置、计算机设备和计算机可读存储介质 | |
CN113222775A (zh) | 融合多模态信息及权重张量的用户身份关联方法 | |
CN108875907A (zh) | 一种基于深度学习的指纹识别方法和装置 | |
CN108960171B (zh) | 一种基于特征迁移学习的转换手势识别到身份识别的方法 | |
CN110516533A (zh) | 一种基于深度度量的行人再辨识方法 | |
Ren et al. | A deep and structured metric learning method for robust person re-identification | |
CN112949740A (zh) | 一种基于多级度量的小样本图像分类方法 | |
CN114764941A (zh) | 一种表情识别方法、装置以及电子设备 | |
CN114821786A (zh) | 一种基于人体轮廓和关键点特征融合的步态识别方法 | |
CN105550642A (zh) | 基于多尺度线性差分特征低秩表示的性别识别方法及*** | |
Ibrahim et al. | A hyprid technique for human footprint recognition | |
CN114782209B (zh) | 一种基于社交网络拓扑图的关联用户身份识别方法 | |
Liu et al. | 3D models retrieval algorithm based on multimodal data | |
CN110135253A (zh) | 一种基于长期递归卷积神经网络的手指静脉认证方法 | |
CN115546848A (zh) | 一种对抗生成网络训练方法、跨设备掌纹识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 401122 5 stories, Block 106, West Jinkai Avenue, Yubei District, Chongqing Patentee after: Chongqing Zhongke Yuncong Technology Co., Ltd. Address before: 401122, Chongqing North New District, Mount Huangshan Avenue, mercury science and technology building, B District, are six floor Patentee before: CHONGQING ZHONGKE YUNCONG TECHNOLOGY CO., LTD. |