CN107423701A - 基于生成式对抗网络的人脸非监督特征学习方法及装置 - Google Patents

基于生成式对抗网络的人脸非监督特征学习方法及装置 Download PDF

Info

Publication number
CN107423701A
CN107423701A CN201710581981.7A CN201710581981A CN107423701A CN 107423701 A CN107423701 A CN 107423701A CN 201710581981 A CN201710581981 A CN 201710581981A CN 107423701 A CN107423701 A CN 107423701A
Authority
CN
China
Prior art keywords
face
network
generation
image
target
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.)
Granted
Application number
CN201710581981.7A
Other languages
English (en)
Other versions
CN107423701B (zh
Inventor
王栋
杨东
周孺
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.)
Athena Eyes Co Ltd
Original Assignee
Athena Eyes Science & Technology 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 Athena Eyes Science & Technology Co Ltd filed Critical Athena Eyes Science & Technology Co Ltd
Priority to CN201710581981.7A priority Critical patent/CN107423701B/zh
Publication of CN107423701A publication Critical patent/CN107423701A/zh
Application granted granted Critical
Publication of CN107423701B publication Critical patent/CN107423701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
    • 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
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions

Landscapes

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

Abstract

本发明公开了一种基于生成式对抗网络的人脸非监督特征学习方法及装置，通过对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集；将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量。本发明提供的基于生成式对抗网络的人脸非监督特征学习方法和装置，采用DCGAN和DCNN相结合的方式来做非监督学习，利用深度回归网络来学习一个逆向的目标生成网络，学习效果佳，识别精度高。

Description

基于生成式对抗网络的人脸非监督特征学习方法及装置
技术领域
本发明涉及人脸识别技术领域，特别地，涉及一种基于生成式对抗网络的人脸非监督特征学习方法及装置。
背景技术
随着深度学习的发展、互联网大数据的积累、以及硬件的发展，目前的人脸识别技术较10年前有了质的飞跃，广泛用于安防，金融等认证领域。在公开数据集IFW(Information Frame Work，信息描述框架)上，大部分公司也都能将ERR(错误)降低到1％以内。然而目前基于深度学习的人脸识别算法大都基于监督学习，需要大量的标记的样本，比如2万人每人50张以上这样的数据集。数据的收集耗费大量的人力物力和财力，故而技术的壁垒变成了数据。而基于非监督学习的人脸识别算法一直未取得较好的效果。
因此，现有的采用监督学习的人脸识别算法，需要大量的样本和耗费大量的人力物力，而采用基于非监督学习的人脸识别算法一直未取得较好的效果，是一个亟待解决的技术问题。
发明内容
本发明提供了一种基于生成式对抗网络的人脸非监督特征学习方法及装置，以解决现有的采用监督学习的人脸识别算法，需要大量的样本和耗费大量的人力物力，而采用基于非监督学习的人脸识别算法一直未取得较好的效果的技术问题。
本发明采用的技术方案如下：
根据本发明的一个方面，提供一种基于生成式对抗网络的人脸非监督特征学习方法，包括步骤：
对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；
将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；
将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集；
将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量。
进一步地，对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像的步骤包括：
对已收集的原始人脸图像进行人脸检测，以检测出人脸图像的眼睛坐标；
使用眼睛坐标对原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。
进一步地，将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练的步骤包括：
对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的人脸目标图像进行判别的目标判别网络；
在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。
进一步地，在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出的步骤之后包括：
运用目标判别网络对目标生成网络输出的人脸目标图像进行判别，判别出人脸目标图像与人脸真实图像。
进一步地，将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量的步骤包括：
将生成图像集作为深度卷积神经网络的输入、随机向量集作为深度卷积神经网络的监督信号、以及将欧拉距离函数作为激励函数对深度回归网络进行训练；
通过训练好的深度回归网络提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。
根据本发明的另一方面，提供一种基于生成式对抗网络的人脸非监督特征学习装置，包括：
预处理模块，用于对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；
第一训练模块，用于将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；
获取模块，用于将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集；
第二训练模块，用于将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量。
进一步地，预处理模块包括检测单元和转换单元，
检测单元，用于对已收集的原始人脸图像进行人脸检测，以检测出人脸图像的眼睛坐标；
转换单元，用于使用眼睛坐标对原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。
进一步地，获取模块包括构建单元和添加单元，
构建单元，用于对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的人脸目标图像进行判别的目标判别网络；
添加单元，用于在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。
进一步地，获取模块还包括判别单元，
判别单元，用于运用目标判别网络对目标生成网络输出的人脸目标图像进行判别，判别出人脸目标图像与人脸真实图像。
进一步地，第二训练模块包括训练单元和提取单元，
训练单元，用于将生成图像集作为深度卷积神经网络的输入、随机向量集作为深度卷积神经网络的监督信号、以及将欧拉距离函数作为激励函数对深度回归网络进行训练；
提取单元，用于通过训练好的深度回归网络提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。
本发明具有以下有益效果：
本发明提供的基于生成式对抗网络的人脸非监督特征学习方法和装置，采用DCGAN和DCNN相结合的方式来做非监督学习，利用深度回归网络来学习一个逆向的目标生成网络，从而取得了比一般非监督学习更好的效果。本发明提供的基于生成式对抗网络的人脸非监督特征学习方法和装置，学习效果佳，识别精度高。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明基于生成式对抗网络的人脸非监督特征学习方法优选实施例的流程示意图；
图2是现有技术中DCGAN网络中目标生成网络G的网络结构示意图；
图3是本发明DCGAN网络中目标生成网络G的网络结构示意图；
图4是本发明DCNN网络中深度回归网络E的网络结构示意图；
图5是图1中对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像的步骤的细化流程示意图；
图6是图1中将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集的步骤的细化流程示意图；
图7是图1中将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量的步骤的细化流程示意图；
图8是本发明基于生成式对抗网络的人脸非监督特征学习装置优选实施例的功能框图；
图9是图8中预处理模块优选实施例的功能模块示意图；
图10是图8中获取模块优选实施例的功能模块示意图；
图11是图8中第二训练模块优选实施例的功能模块示意图。
附图标号说明：
10、预处理模块；20、第一训练模块；30、获取模块；40、第二训练模块；11、检测单元；12、转换单元；31、构建单元；32、添加单元；33、判别单元；41、训练单元；42、提取单元。
具体实施方式
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发明。
参照图1，本发明的优选实施例提供了一种基于生成式对抗网络的人脸非监督特征学习方法，包括步骤：
步骤S100、对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像。
对已收集的原始人脸图像进行预处理，将原始人脸图像转换成设定尺寸的人脸训练图像，以使转换好的人脸训练图像满足人脸识别的需求。在本实施例中，将已收集的原始人脸图像转换成设定尺寸的人脸训练图像，以满足人脸识别中对分辨率的需求。
步骤S200、将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练。
如图3所示，将转换好的人脸训练图像输入构建的DCGAN(Deep ConvolutionalGenerative Adverserial Networks，深度卷积生成对抗网络)中的G网络(目标生成网络)中，将人脸训练图像作为训练数据对G网络进行训练。
GAN(Generative Adverserial Networks，深度卷积生成对抗网络)是IanGoodfellow在2014年提出的一种非监督学习算法，算法的主要思想是训练过程中通过目标生成网络G及目标对抗网络D进行0-1博弈对抗学习，最终收敛得到一个目标生成网络G.。输入一个随机向量rand_vec给目标生成网络G能够得到一张媲美真实D分类器判断为真的数据。
DCGAN(Deep Convolutional Generative Adverserial Networks，深度卷积生成对抗网络)为Alec Radford等人将GAN的思想与适用于机器视觉领域的CNN(ConvolutionalGenerative Adverserial Networks，卷积神经网络)结合，使用GAN的思想来训练图像生成器G.。在本实施例中，采用DCGAN来实现非监督学习，但还有其他GAN的分支可以达到这一目的，使用的算法并不局限于使用DCGAN，可推广到其他的生成图像的GAN算法。一种常见的DCGAN的G网络架构图，如图2所示，输入一个100维度的随机变量，通过几层DCONV层最终得到一个64x64的RGB3通道的图像。
步骤S300、将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集。
利用随机生成器生成随机向量集Z，随机向量集Z由设定数量和维度的随机图片组合而成，并保存于数据库中。在本实施例中，将生成的随机向量集输入到训练好的G网络中，得到与随机向量集Z相对应的生成图像集P。其中，随机向量集Z中随机图片的数量为100万个，维度为100维。
步骤S400、将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量。
请见图4，将得到的生成图像集输入到构建的DCNN(Deep Convolutional NeuralNetwork，深度卷积神经网络)的E网络(深度回归网络)中，对E网络进行训练，使E网络通过G网络生成的生成图像集P来逆向学习G网络，得到G网络输入的设定维度的随机向量，最后将G网络输入的设定维度的随机向量作为算法特征，提取生成图像集P的人脸特征向量。
CNN(Convolutional Neural Network，卷积神经网络)，由Yann LeCun在处理手写字符识别提出的一种层叠的卷积算法。DCNN指在CNN技术上拓展的技术，是一种网络深度大于等于3的卷积神经网络。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，相较于现有技术，采用GAN技术来做非监督学习，利用深度回归网络来学习一个逆向的目标生成网络，从而取得了比一般非监督学习更好的效果。本发明提供的基于生成式对抗网络的人脸非监督特征学习方法，学习效果佳，识别精度高。
优选地，如图5所示，本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，步骤S100包括：
步骤S110、对已收集的原始人脸图像进行人脸检测，以检测出人脸图像的眼睛坐标。
收集原始人脸图像，对已收集的200万张的原始人脸图像进行人脸检测，以检测出人脸图像中的眼睛及眼睛坐标。
步骤S120、使用眼睛坐标对原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。
使用检测出的眼睛坐标对原始人脸图像内的人脸进行水平对齐，将人脸归一化处理到设定尺寸大小，以将原始人脸图像转换成设定尺寸的人脸训练图像，从而利于人脸的识别。在本实施例中，为了满足人脸识别中对分辨率的需求，将DCGAN原始网络进行改进，增加一层DCONV层，输出128x128的RGB图像。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，通过对已收集的原始人脸图像进行人脸检测，以检测出人脸图像的眼睛坐标；使用眼睛坐标对原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，将原始人脸图像转换成设定尺寸的人脸训练图像，从而利于人脸的识别，使人脸识别精度提高，并取得更佳的学习效果。
优选地，如图6所示，本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，步骤S300包括：
步骤S310、对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的人脸目标图像进行判别的目标判别网络。
对原DCGAN的网络结构进行改进，构建新的用于生成人脸目标图像的G网络(目标生成网络)及用于对生成的人脸目标图像进行判别的D网络(目标判别网络)。
步骤S320、在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。
如图3所示，对于构建的新的G网络，在原G网络的基础上添加深度卷积层，在conv3上添加一层conv4，最后输出为设定尺寸的人脸目标图像，以满足人脸识别对分辨率的要求。在本实施例中，输出的人脸目标图像为128x128x3的RGB图像。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的人脸目标图像进行判别的目标判别网络；在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，在构建的目标生成网络中添加深度卷积层，以满足人脸识别对分辨率的要求，从而使深度回归网络学习逆向的目标生成网络时学习效果佳，识别精度高。
优选地，请见图6，本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，步骤S320之后包括：
步骤S330、运用目标判别网络对目标生成网络输出的人脸目标图像进行判别，判别出人脸目标图像与人脸真实图像。
运用D网络对G网络生成的人脸目标图像进行判别，判别出人脸目标图像与人脸真实图像。D网络的目标就是尽量把生成的人脸目标图像和人脸真实图像分别开来。最终的目标就是输入随机向量，生成接近人脸真实图像的人脸目标图像。在本实施例中，D网络优选输入为128x128RGB图像的GoogleNet作为二分类网络。当然，D网络的选择输入，并不局限为该GoogleNet网络，此处仅为参考的可实现方案。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，运用目标判别网络对目标生成网络输出的人脸目标图像进行判别，以判别出人脸目标图像与人脸真实图像。本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，目标生成网络自主学习，学习效果佳，识别精度高。
优选地，如图7所示，本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，步骤S400包括：
步骤S410、将生成图像集作为深度卷积神经网络的输入、随机向量集作为深度卷积神经网络的监督信号、以及将欧拉距离函数作为激励函数对深度回归网络进行训练。
训练的时候将得到的生成图像集P作为E网络的输入、随机向量集Z作为E网络的监督信号、以及欧拉距离函数作为激励函数对E网络进行训练。
步骤S420、通过训练好的深度回归网络提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。
训练好的E网络利用G网络生成的生成图像集P来逆向学习G网络，得到G网络输入的100维float随机向量，最后将G网络输入的100维float随机向量作为算法特征，提取生成图像集P的人脸特征向量，以识别待识别人脸图像中的人脸特征。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，将生成图像集作为深度卷积神经网络的输入、随机向量集作为深度卷积神经网络的监督信号、以及将欧拉距离函数作为激励函数对深度回归网络进行训练；通过训练好的深度回归网络提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，训练好的深度回归网络利用目标生成网络生成的生成图像集来逆向学习目标生成网络，提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征，学习效果佳、识别精度高。
优选地，如图8所示，本实施例还提供一种基于生成式对抗网络的人脸非监督特征学习装置，包括：预处理模块10，用于对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；第一训练模块20，用于将转换好的人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；获取模块30，用于将生成的随机向量集输入到训练好的目标生成网络中，得到与随机向量集相对应的生成图像集；第二训练模块40，用于将得到的生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对深度回归网络进行训练，提取生成图像集的人脸特征向量。
预处理模块10对已收集的原始人脸图像进行预处理，将原始人脸图像转换成设定尺寸的人脸训练图像，以使转换好的人脸训练图像满足人脸识别的需求。在本实施例中，将已收集的原始人脸图像转换成设定尺寸的人脸训练图像，以满足人脸识别中对分辨率的需求。
第一训练模块20将转换好的人脸训练图像输入构建的DCGAN(DeepConvolutional Generative Adverserial Networks，深度卷积生成对抗网络)中的G网络(目标生成网络)中，将人脸训练图像作为训练数据对G网络进行训练。
利用随机生成器生成随机向量集Z，随机向量集Z由设定数量和维度的随机图片组合而成，并保存于数据库中。在本实施例中，获取模块30将生成的随机向量集输入到训练好的G网络中，得到与随机向量集Z相对应的生成图像集P。其中，随机向量集Z中随机图片的数量为100万个，维度为100维。
第二训练模块40将得到的生成图像集输入到构建的DCNN(Deep ConvolutionalNeural Network，深度卷积神经网络)的E网络(深度回归网络)中，对E网络进行训练，使E网络通过G网络生成的生成图像集P来逆向学习G网络，得到G网络输入的设定维度的随机向量，最后将G网络输入的设定维度的随机向量作为算法特征，提取生成图像集P的人脸特征向量。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习装置，相较于现有技术，采用GAN技术来做非监督学习，利用深度回归网络来学习一个逆向的目标生成网络，从而取得了比一般非监督学习更好的效果。本发明提供的基于生成式对抗网络的人脸非监督特征学习装置，学习效果佳，识别精度高。
优选地，如图9所示，本实施例还提供一种基于生成式对抗网络的人脸非监督特征学习装置，预处理模块10包括检测单元11和转换单元12，检测单元11，用于对已收集的原始人脸图像进行人脸检测，以检测出人脸图像的眼睛坐标；转换单元12，用于使用眼睛坐标对原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。
检测单元11收集原始人脸图像，对已收集的200万张原始人脸图像进行人脸检测，以检测出人脸图像中的眼睛及眼睛坐标。
转换单元12使用检测出的眼睛坐标对原始人脸图像内的人脸进行水平对齐，将人脸归一化处理到设定尺寸大小，以将原始人脸图像转换成设定尺寸的人脸训练图像，从而利于人脸的识别。在本实施例中，为了满足人脸识别中对分辨率的需求，将DCGAN原始网络进行改进，增加一层DCONV层，输出128x128的RGB图像。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，通过对已收集的原始人脸图像进行人脸检测，以检测出人脸图像的眼睛坐标；使用眼睛坐标对原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，将原始人脸图像转换成设定尺寸的人脸训练图像，从而利于人脸的识别，使人脸识别精度提高，并取得更佳的学习效果。
优选地，如图10所示，本实施例还提供一种基于生成式对抗网络的人脸非监督特征学习装置，获取模块30包括构建单元31和添加单元32，构建单元31，用于对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的人脸目标图像进行判别的目标判别网络；添加单元32，用于在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。
构建单元31对原DCGAN的网络结构进行改进，构建新的用于生成人脸目标图像的G网络(目标生成网络)及用于对生成的人脸目标图像进行判别的D网络(目标判别网络)。
添加单元32对于构建的新的G网络，在原G网络的基础上添加深度卷积层，在conv3上添加一层conv4，最后输出为设定尺寸的人脸目标图像，以满足人脸识别对分辨率的要求。在本实施例中，输出的人脸目标图像为128x128x3的RGB图像。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的人脸目标图像进行判别的目标判别网络；在构建的目标生成网络中添加深度卷积层，使输入目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。本实施例提供的基于生成式对抗网络的人脸非监督特征学习方法，在构建的目标生成网络中添加深度卷积层，以满足人脸识别对分辨率的要求，从而使深度回归网络学习逆向的目标生成网络时学习效果佳，识别精度高。
优选地，如图10所示，本实施例还提供一种基于生成式对抗网络的人脸非监督特征学习装置，获取模块30还包括判别单元33，判别单元33，用于运用目标判别网络对目标生成网络输出的人脸目标图像进行判别，判别出人脸目标图像与人脸真实图像。
判别单元33运用D网络对G网络生成的人脸目标图像进行判别，判别出人脸目标图像与人脸真实图像。D网络的目标就是尽量把生成的人脸目标图像和人脸真实图像分别开来。最终的目标就是输入随机向量，生成接近人脸真实图像的人脸目标图像。在本实施例中，D网络优选输入为128x128RGB图像的GoogleNet作为二分类网络。当然，D网络的选择输入，并不局限为该GoogleNet网络，此处仅为参考的可实现方案。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习装置，运用目标判别网络对目标生成网络输出的人脸目标图像进行判别，以判别出人脸目标图像与人脸真实图像。本实施例提供的基于生成式对抗网络的人脸非监督特征学习装置，让目标生成网络自主学习，学习效果佳，识别精度高。
优选地，如图11所示，本实施例还提供一种基于生成式对抗网络的人脸非监督特征学习装置，第二训练模块40包括训练单元41和提取单元42，训练单元41，用于将生成图像集作为深度卷积神经网络的输入、随机向量集作为深度卷积神经网络的监督信号、以及将欧拉距离函数作为激励函数对深度回归网络进行训练；提取单元42，用于通过训练好的深度回归网络提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。
训练单元41训练的时候将得到的生成图像集P作为E网络的输入、随机向量集Z作为E网络的监督信号、以及欧拉距离函数作为激励函数对E网络进行训练。
提取单元42利用G网络生成的生成图像集P来逆向学习G网络，得到G网络输入的100维float随机向量，最后将G网络输入的100维float随机向量作为算法特征，提取生成图像集P的人脸特征向量，以识别待识别人脸图像中的人脸特征。
本实施例提供的基于生成式对抗网络的人脸非监督特征学习装置，将生成图像集作为深度卷积神经网络的输入、随机向量集作为深度卷积神经网络的监督信号、以及将欧拉距离函数作为激励函数对深度回归网络进行训练；通过训练好的深度回归网络提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。本实施例提供的基于生成式对抗网络的人脸非监督特征学习装置，训练好的深度回归网络利用目标生成网络生成的生成图像集来逆向学习目标生成网络，提取生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征，学习效果佳、识别精度高。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于生成式对抗网络的人脸非监督特征学习方法，其特征在于，包括步骤：
对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；
将转换好的所述人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；
将生成的随机向量集输入到训练好的所述目标生成网络中，得到与所述随机向量集相对应的生成图像集；
将得到的所述生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对所述深度回归网络进行训练，提取所述生成图像集的人脸特征向量。
2.根据权利要求1所述的基于生成式对抗网络的人脸非监督特征学习方法，其特征在于，所述对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像的步骤包括：
对已收集的原始人脸图像进行人脸检测，以检测出所述人脸图像的眼睛坐标；
使用所述眼睛坐标对所述原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。
3.根据权利要求1所述的基于生成式对抗网络的人脸非监督特征学习方法，其特征在于，所述将转换好的所述人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练的步骤包括：
对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的所述人脸目标图像进行判别的目标判别网络；
在构建的所述目标生成网络中添加深度卷积层，使输入所述目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。
4.根据权利要求3所述的基于生成式对抗网络的人脸非监督特征学习方法，其特征在于，所述在构建的所述目标生成网络中添加深度卷积层，使输入所述目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出的步骤之后包括：
运用目标判别网络对所述目标生成网络输出的所述人脸目标图像进行判别，判别出所述人脸目标图像与人脸真实图像。
5.根据权利要求1至4中任一项所述的基于生成式对抗网络的人脸非监督特征学习方法，其特征在于，
所述将得到的所述生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对所述深度回归网络进行训练，提取所述生成图像集的人脸特征向量的步骤包括：
将所述生成图像集作为所述深度卷积神经网络的输入，所述随机向量集作为所述深度卷积神经网络的监督信号，将欧拉距离函数作为激励函数对所述深度卷积神经网络进行训练；
通过训练好的所述深度卷积神经网络提取所述生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。
6.一种基于生成式对抗网络的人脸非监督特征学习装置，其特征在于，包括：
预处理模块(10)，用于对已收集的原始人脸图像进行预处理，以转换成设定尺寸的人脸训练图像；
第一训练模块(20)，用于将转换好的所述人脸训练图像作为训练数据对构建的深度卷积生成对抗网络中的目标生成网络进行训练；
获取模块(30)，用于将生成的随机向量集输入到训练好的所述目标生成网络中，得到与所述随机向量集相对应的生成图像集；
第二训练模块(40)，用于将得到的所述生成图像集输入到构建的深度卷积神经网络的深度回归网络中，对所述深度回归网络进行训练，提取所述生成图像集的人脸特征向量。
7.根据权利要求6所述的基于生成式对抗网络的人脸非监督特征学习装置，其特征在于，
所述预处理模块(10)包括检测单元(11)和转换单元(12)，
检测单元(11)，用于对已收集的原始人脸图像进行人脸检测，以检测出所述人脸图像的眼睛坐标；
转换单元(12)，用于使用所述眼睛坐标对所述原始人脸图像内的人脸进行对齐和归一化处理，以转换成设定尺寸的人脸训练图像。
8.根据权利要求6所述的基于生成式对抗网络的人脸非监督特征学习装置，其特征在于，
所述获取模块(30)包括构建单元(31)和添加单元(32)，
构建单元(31)，用于对原深度卷积生成对抗网络的网络结构进行改进，构建新的用于生成人脸目标图像的目标生成网络及用于对生成的所述人脸目标图像进行判别的目标判别网络；
添加单元(32)，用于在构建的所述目标生成网络中添加深度卷积层，使输入所述目标生成网络的随机向量转换为设定尺寸的人脸目标图像进行输出。
9.根据权利要求6所述的基于生成式对抗网络的人脸非监督特征学习装置，其特征在于，
所述获取模块(30)还包括判别单元(33)，
判别单元(33)，用于运用目标判别网络对所述目标生成网络输出的所述人脸目标图像进行判别，判别出所述人脸目标图像与人脸真实图像。
10.根据权利要求6至9中任一项所述的基于生成式对抗网络的人脸非监督特征学习装置，
其特征在于，
所述第二训练模块(40)包括训练单元(41)和提取单元(42)，
训练单元(41)，用于将所述生成图像集作为所述深度卷积神经网络的输入，所述随机向量集作为所述深度卷积神经网络的监督信号，将欧拉距离函数作为激励函数对所述深度卷积神经网络进行训练；
提取单元(42)，用于通过训练好的所述深度卷积神经网络提取所述生成图像集的人脸特征向量，以识别待识别人脸图像中的人脸特征。
CN201710581981.7A 2017-07-17 2017-07-17 基于生成式对抗网络的人脸非监督特征学习方法及装置 Active CN107423701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710581981.7A CN107423701B (zh) 2017-07-17 2017-07-17 基于生成式对抗网络的人脸非监督特征学习方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710581981.7A CN107423701B (zh) 2017-07-17 2017-07-17 基于生成式对抗网络的人脸非监督特征学习方法及装置

Publications (2)

Publication Number Publication Date
CN107423701A true CN107423701A (zh) 2017-12-01
CN107423701B CN107423701B (zh) 2020-09-01

Family

ID=60429985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710581981.7A Active CN107423701B (zh) 2017-07-17 2017-07-17 基于生成式对抗网络的人脸非监督特征学习方法及装置

Country Status (1)

Country Link
CN (1) CN107423701B (zh)

Cited By (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090905A (zh) * 2018-01-05 2018-05-29 清华大学 产线异常的判断方法及***
CN108090465A (zh) * 2017-12-29 2018-05-29 国信优易数据有限公司 一种妆容效果处理模型训练方法及妆容效果处理方法
CN108121975A (zh) * 2018-01-04 2018-06-05 中科汇通投资控股有限公司 一种联合原始数据和生成数据的人脸识别方法
CN108122209A (zh) * 2017-12-14 2018-06-05 浙江捷尚视觉科技股份有限公司 一种基于对抗生成网络的车牌去模糊方法
CN108133201A (zh) * 2018-01-17 2018-06-08 百度在线网络技术（北京）有限公司 人脸属性识别方法和装置
CN108171266A (zh) * 2017-12-25 2018-06-15 中国矿业大学 一种多目标深度卷积生成式对抗网络模型的学习方法
CN108229349A (zh) * 2017-12-21 2018-06-29 中国科学院自动化研究所 网纹人脸图像识别装置
CN108305239A (zh) * 2018-03-06 2018-07-20 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像的修复方法
CN108333183A (zh) * 2018-01-31 2018-07-27 西安工程大学 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法
CN108334847A (zh) * 2018-02-06 2018-07-27 哈尔滨工业大学 一种真实场景下的基于深度学习的人脸识别方法
CN108416324A (zh) * 2018-03-27 2018-08-17 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN108460760A (zh) * 2018-03-06 2018-08-28 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法
CN108537152A (zh) * 2018-03-27 2018-09-14 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN108710896A (zh) * 2018-04-24 2018-10-26 浙江工业大学 基于产生式对抗学习网络的领域学习方法
CN108921123A (zh) * 2018-07-17 2018-11-30 重庆科技学院 一种基于双重数据增强的人脸识别方法
CN109063776A (zh) * 2018-08-07 2018-12-21 北京旷视科技有限公司 图像再识别网络训练方法、装置和图像再识别方法及装置
CN109145938A (zh) * 2018-06-26 2019-01-04 阿里巴巴集团控股有限公司 一种使用分类器进行分类的方法和装置
CN109522857A (zh) * 2018-11-26 2019-03-26 山东大学 一种基于生成式对抗网络模型的人数估计方法
CN109871898A (zh) * 2019-02-27 2019-06-11 南京中设航空科技发展有限公司 一种利用生成对抗网络生成堆积物训练样本的方法
CN109993177A (zh) * 2017-12-29 2019-07-09 华为技术有限公司 一种图像处理方法及装置
CN110097086A (zh) * 2019-04-03 2019-08-06 平安科技（深圳）有限公司 图像生成模型训练方法、图像生成方法、装置、设备及存储介质
CN110135574A (zh) * 2018-02-09 2019-08-16 北京世纪好未来教育科技有限公司 神经网络训练方法、图像生成方法及计算机存储介质
CN110378979A (zh) * 2019-07-04 2019-10-25 公安部第三研究所 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法
CN110516544A (zh) * 2019-07-19 2019-11-29 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质
CN110598595A (zh) * 2019-08-29 2019-12-20 合肥工业大学 一种基于人脸关键点和姿态的多属性人脸生成算法
CN111370020A (zh) * 2020-02-04 2020-07-03 清华珠三角研究院 一种将语音转换成唇形的方法、***、装置和存储介质
CN111436929A (zh) * 2019-01-17 2020-07-24 复旦大学 一种神经生理信号的生成和识别方法
CN111652827A (zh) * 2020-04-24 2020-09-11 山东大学 一种基于生成对抗网络的正面人脸合成方法及***
CN111724310A (zh) * 2019-03-21 2020-09-29 马上消费金融股份有限公司 图像修复模型的训练方法、图像修复方法及装置
CN111832404A (zh) * 2020-06-04 2020-10-27 中国科学院空天信息创新研究院 一种基于特征生成网络的小样本遥感地物分类方法及***
CN112308113A (zh) * 2020-09-23 2021-02-02 济南浪潮高新科技投资发展有限公司 一种基于半监督的目标识别方法、设备及介质
CN112330526A (zh) * 2019-08-05 2021-02-05 深圳Tcl新技术有限公司 一种人脸转换模型的训练方法、存储介质及终端设备
CN113344792A (zh) * 2021-08-02 2021-09-03 浙江大华技术股份有限公司 一种图像生成方法、装置及电子设备
CN113378660A (zh) * 2021-05-25 2021-09-10 广州紫为云科技有限公司 一种低数据成本的人脸识别的方法及装置
US11250329B2 (en) 2017-10-26 2022-02-15 Nvidia Corporation Progressive modification of generative adversarial neural networks
US11263525B2 (en) 2017-10-26 2022-03-01 Nvidia Corporation Progressive modification of neural networks
US11475608B2 (en) 2019-09-26 2022-10-18 Apple Inc. Face image generation with pose and expression control

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8582807B2 (en) * 2010-03-15 2013-11-12 Nec Laboratories America, Inc. Systems and methods for determining personal characteristics
US20150347820A1 (en) * 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning Deep Face Representation
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
CN106874883A (zh) * 2017-02-27 2017-06-20 中国石油大学(华东) 一种基于深度学习的实时人脸检测方法及***
CN106909905A (zh) * 2017-03-02 2017-06-30 中科视拓（北京）科技有限公司 一种基于深度学习的多模态人脸识别方法
CN106951867A (zh) * 2017-03-22 2017-07-14 成都擎天树科技有限公司 基于卷积神经网络的人脸识别方法、装置、***及设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8582807B2 (en) * 2010-03-15 2013-11-12 Nec Laboratories America, Inc. Systems and methods for determining personal characteristics
US20150347820A1 (en) * 2014-05-27 2015-12-03 Beijing Kuangshi Technology Co., Ltd. Learning Deep Face Representation
CN106845471A (zh) * 2017-02-20 2017-06-13 深圳市唯特视科技有限公司 一种基于生成对抗网络的视觉显著性预测方法
CN106874883A (zh) * 2017-02-27 2017-06-20 中国石油大学(华东) 一种基于深度学习的实时人脸检测方法及***
CN106909905A (zh) * 2017-03-02 2017-06-30 中科视拓（北京）科技有限公司 一种基于深度学习的多模态人脸识别方法
CN106951867A (zh) * 2017-03-22 2017-07-14 成都擎天树科技有限公司 基于卷积神经网络的人脸识别方法、装置、***及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ALEC RADFORD ET AL: "Unsupervised representation learning with deep convolutional generative adversarial networks", 《ARXIV PREPRINT ARXIV:1511.06343》 *
C.DONG ET AL: "Learning a deep convolutional network for image super-resolution", 《COMPUTER VISION-ECCV 2014》 *
王坤峰等: "生成式对抗网络GAN的研究进展与展望", 《自动化学报》 *

Cited By (60)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11763168B2 (en) 2017-10-26 2023-09-19 Nvidia Corporation Progressive modification of generative adversarial neural networks
US11250329B2 (en) 2017-10-26 2022-02-15 Nvidia Corporation Progressive modification of generative adversarial neural networks
US11263525B2 (en) 2017-10-26 2022-03-01 Nvidia Corporation Progressive modification of neural networks
CN108122209B (zh) * 2017-12-14 2020-05-15 浙江捷尚视觉科技股份有限公司 一种基于对抗生成网络的车牌去模糊方法
CN108122209A (zh) * 2017-12-14 2018-06-05 浙江捷尚视觉科技股份有限公司 一种基于对抗生成网络的车牌去模糊方法
CN108229349B (zh) * 2017-12-21 2020-09-01 中国科学院自动化研究所 网纹人脸图像识别装置
CN108229349A (zh) * 2017-12-21 2018-06-29 中国科学院自动化研究所 网纹人脸图像识别装置
CN108171266A (zh) * 2017-12-25 2018-06-15 中国矿业大学 一种多目标深度卷积生成式对抗网络模型的学习方法
CN109993177A (zh) * 2017-12-29 2019-07-09 华为技术有限公司 一种图像处理方法及装置
CN108090465B (zh) * 2017-12-29 2020-05-01 国信优易数据有限公司 一种妆容效果处理模型训练方法及妆容效果处理方法
CN108090465A (zh) * 2017-12-29 2018-05-29 国信优易数据有限公司 一种妆容效果处理模型训练方法及妆容效果处理方法
CN108121975B (zh) * 2018-01-04 2022-04-19 中科汇通投资控股有限公司 一种联合原始数据和生成数据的人脸识别方法
CN108121975A (zh) * 2018-01-04 2018-06-05 中科汇通投资控股有限公司 一种联合原始数据和生成数据的人脸识别方法
CN108090905A (zh) * 2018-01-05 2018-05-29 清华大学 产线异常的判断方法及***
CN108133201A (zh) * 2018-01-17 2018-06-08 百度在线网络技术（北京）有限公司 人脸属性识别方法和装置
CN108333183A (zh) * 2018-01-31 2018-07-27 西安工程大学 一种基于dcgan和dcnn的色织衬衫裁片缺陷检测方法
CN108334847A (zh) * 2018-02-06 2018-07-27 哈尔滨工业大学 一种真实场景下的基于深度学习的人脸识别方法
CN108334847B (zh) * 2018-02-06 2019-10-22 哈尔滨工业大学 一种真实场景下的基于深度学习的人脸识别方法
CN110135574A (zh) * 2018-02-09 2019-08-16 北京世纪好未来教育科技有限公司 神经网络训练方法、图像生成方法及计算机存储介质
CN108460760A (zh) * 2018-03-06 2018-08-28 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法
CN108305239B (zh) * 2018-03-06 2020-08-11 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像的修复方法
CN108460760B (zh) * 2018-03-06 2020-08-25 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法
CN108305239A (zh) * 2018-03-06 2018-07-20 陕西师范大学 一种基于生成式对抗网络的桥梁裂缝图像的修复方法
CN108537152B (zh) * 2018-03-27 2022-01-25 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN108537152A (zh) * 2018-03-27 2018-09-14 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN108416324B (zh) * 2018-03-27 2022-02-25 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN108416324A (zh) * 2018-03-27 2018-08-17 百度在线网络技术（北京）有限公司 用于检测活体的方法和装置
CN108710896A (zh) * 2018-04-24 2018-10-26 浙江工业大学 基于产生式对抗学习网络的领域学习方法
CN108710896B (zh) * 2018-04-24 2021-10-29 浙江工业大学 基于产生式对抗学习网络的领域学习方法
CN109145938A (zh) * 2018-06-26 2019-01-04 阿里巴巴集团控股有限公司 一种使用分类器进行分类的方法和装置
CN108921123A (zh) * 2018-07-17 2018-11-30 重庆科技学院 一种基于双重数据增强的人脸识别方法
CN109063776B (zh) * 2018-08-07 2021-08-10 北京旷视科技有限公司 图像再识别网络训练方法、装置和图像再识别方法及装置
CN109063776A (zh) * 2018-08-07 2018-12-21 北京旷视科技有限公司 图像再识别网络训练方法、装置和图像再识别方法及装置
CN109522857A (zh) * 2018-11-26 2019-03-26 山东大学 一种基于生成式对抗网络模型的人数估计方法
CN109522857B (zh) * 2018-11-26 2021-04-23 山东大学 一种基于生成式对抗网络模型的人数估计方法
CN111436929A (zh) * 2019-01-17 2020-07-24 复旦大学 一种神经生理信号的生成和识别方法
CN111436929B (zh) * 2019-01-17 2021-06-01 复旦大学 一种神经生理信号的生成和识别方法
CN109871898A (zh) * 2019-02-27 2019-06-11 南京中设航空科技发展有限公司 一种利用生成对抗网络生成堆积物训练样本的方法
CN111724310B (zh) * 2019-03-21 2023-08-15 马上消费金融股份有限公司 图像修复模型的训练方法、图像修复方法及装置
CN111724310A (zh) * 2019-03-21 2020-09-29 马上消费金融股份有限公司 图像修复模型的训练方法、图像修复方法及装置
CN110097086A (zh) * 2019-04-03 2019-08-06 平安科技（深圳）有限公司 图像生成模型训练方法、图像生成方法、装置、设备及存储介质
CN110378979A (zh) * 2019-07-04 2019-10-25 公安部第三研究所 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法
CN110378979B (zh) * 2019-07-04 2022-12-23 公安部第三研究所 基于生成对抗网络实现自定义高分辨率人脸图片自动生成的方法
CN110516544A (zh) * 2019-07-19 2019-11-29 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质
CN110516544B (zh) * 2019-07-19 2024-04-09 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质
CN112330526B (zh) * 2019-08-05 2024-02-09 深圳Tcl新技术有限公司 一种人脸转换模型的训练方法、存储介质及终端设备
CN112330526A (zh) * 2019-08-05 2021-02-05 深圳Tcl新技术有限公司 一种人脸转换模型的训练方法、存储介质及终端设备
CN110598595B (zh) * 2019-08-29 2022-03-18 合肥工业大学 一种基于人脸关键点和姿态的多属性人脸生成算法
CN110598595A (zh) * 2019-08-29 2019-12-20 合肥工业大学 一种基于人脸关键点和姿态的多属性人脸生成算法
US11475608B2 (en) 2019-09-26 2022-10-18 Apple Inc. Face image generation with pose and expression control
CN111370020A (zh) * 2020-02-04 2020-07-03 清华珠三角研究院 一种将语音转换成唇形的方法、***、装置和存储介质
CN111370020B (zh) * 2020-02-04 2023-02-14 清华珠三角研究院 一种将语音转换成唇形的方法、***、装置和存储介质
CN111652827A (zh) * 2020-04-24 2020-09-11 山东大学 一种基于生成对抗网络的正面人脸合成方法及***
CN111652827B (zh) * 2020-04-24 2023-04-18 山东大学 一种基于生成对抗网络的正面人脸合成方法及***
CN111832404A (zh) * 2020-06-04 2020-10-27 中国科学院空天信息创新研究院 一种基于特征生成网络的小样本遥感地物分类方法及***
CN112308113A (zh) * 2020-09-23 2021-02-02 济南浪潮高新科技投资发展有限公司 一种基于半监督的目标识别方法、设备及介质
CN113378660A (zh) * 2021-05-25 2021-09-10 广州紫为云科技有限公司 一种低数据成本的人脸识别的方法及装置
CN113378660B (zh) * 2021-05-25 2023-11-07 广州紫为云科技有限公司 一种低数据成本的人脸识别的方法及装置
WO2023010701A1 (en) * 2021-08-02 2023-02-09 Zhejiang Dahua Technology Co., Ltd. Image generation method, apparatus, and electronic device
CN113344792A (zh) * 2021-08-02 2021-09-03 浙江大华技术股份有限公司 一种图像生成方法、装置及电子设备

Also Published As

Publication number Publication date
CN107423701B (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN107423701A (zh) 基于生成式对抗网络的人脸非监督特征学习方法及装置
CN108717568B (zh) 一种基于三维卷积神经网络的图像特征提取与训练方法
CN108537743B (zh) 一种基于生成对抗网络的面部图像增强方法
CN110348319B (zh) 一种基于人脸深度信息和边缘图像融合的人脸防伪方法
CN104166841B (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN109446925A (zh) 一种基于卷积神经网络的电力设备检测算法
CN107506722A (zh) 一种基于深度稀疏卷积神经网络人脸情感识别方法
CN107463920A (zh) 一种消除局部遮挡物影响的人脸识别方法
CN106709568A (zh) 基于深层卷积网络的rgb‑d图像的物体检测和语义分割方法
CN107944442A (zh) 基于改进卷积神经网络的对象检测装置及方法
CN106372581A (zh) 构建及训练人脸识别特征提取网络的方法
CN106778506A (zh) 一种融合深度图像和多通道特征的表情识别方法
CN106778496A (zh) 活体检测方法及装置
CN110516616A (zh) 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法
CN107122375A (zh) 基于图像特征的图像主体的识别方法
CN106529499A (zh) 基于傅里叶描述子和步态能量图融合特征的步态识别方法
CN106529578A (zh) 一种基于深度学习的车辆品牌型号精细识别方法与***
CN109190643A (zh) 基于卷积神经网络中药识别方法及电子设备
CN110097029B (zh) 基于Highway网络多视角步态识别的身份认证方法
CN109902715A (zh) 一种基于上下文聚合网络的红外弱小目标检测方法
CN104298974A (zh) 一种基于深度视频序列的人体行为识别方法
CN106855944A (zh) 行人标志物识别方法及装置
CN111259814B (zh) 一种活体检测方法及***
CN107341440A (zh) 基于多任务度量多核学习的室内rgb‑d场景图像识别方法
CN107424161A (zh) 一种由粗至精的室内场景图像布局估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100097 Beijing Haidian District Kunming Hunan Road 51 C block two floor 207.

Applicant after: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD.

Address before: 100193 4, 403, block A, 14 building, 10 East North Road, Haidian District, Beijing.

Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD.

CB02 Change of applicant information
CB02 Change of applicant information

Address after: 410205 14 Changsha Zhongdian Software Park Phase I, 39 Jianshan Road, Changsha High-tech Development Zone, Yuelu District, Changsha City, Hunan Province

Applicant after: Wisdom Eye Technology Co.,Ltd.

Address before: 100097 2nd Floor 207, Block C, 51 Hunan Road, Kunming, Haidian District, Beijing

Applicant before: BEIJING ATHENA EYES SCIENCE & TECHNOLOGY CO.,LTD.

GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Unsupervised face feature learning method and device based on generative countermeasure network

Effective date of registration: 20221205

Granted publication date: 20200901

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231220

Granted publication date: 20200901

Pledgee: Agricultural Bank of China Limited Hunan Xiangjiang New Area Branch

Pledgor: Wisdom Eye Technology Co.,Ltd.

Registration number: Y2022430000107

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000

Patentee after: Wisdom Eye Technology Co.,Ltd.

Address before: 410205 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, Changsha high tech Development Zone, Yuelu District, Changsha City, Hunan Province

Patentee before: Wisdom Eye Technology Co.,Ltd.