CN107944363A - 人脸图像处理方法、***及服务器 - Google Patents
人脸图像处理方法、***及服务器 Download PDFInfo
- Publication number
- CN107944363A CN107944363A CN201711131120.5A CN201711131120A CN107944363A CN 107944363 A CN107944363 A CN 107944363A CN 201711131120 A CN201711131120 A CN 201711131120A CN 107944363 A CN107944363 A CN 107944363A
- Authority
- CN
- China
- Prior art keywords
- classification
- data
- convolutional neural
- classified
- neural 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.)
- Granted
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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
-
- 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
- G06V40/179—Human faces, e.g. facial parts, sketches or expressions metadata assisted face recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种人脸图像处理方法、装置及服务器,包括下述步骤:获取待分类的人脸图像;将所述人脸图像输入到构建有损失函数的卷积神经网络模型中,所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大所述待分类数据的分类界面;获取所述卷积神经网络模型输出的分类数据,并根据所述分类数据对所述人脸图像进行内容理解。在对人脸图像进行分类之前,将卷积神经网络模型提取的人脸图像的待分类数据特征进行系数松弛化处理,采用系数松弛化处理能够在更加严苛的条件下训练卷积神经网络模型,使分类边界明显增大,因此使卷积神经网络模型对内容理解精准度大大提高。
Description
技术领域
本发明实施例涉及图像处理领域,尤其是一种人脸图像处理方法、***及服务器。
背景技术
人脸识别,是指利用计算机对人脸图像进行处理、分析和理解,以识别各种不同人脸图像的目标和对像的技术。人脸识别可以应用在安防、金融等很多领域,人脸识别的过程一般分为三个阶段:人脸检测、人脸对齐、人脸特征提取与比对,而人脸特征提取是人脸识别的关键技术。
随着深度学习技术的发展,卷积神经网络已经成为提取人脸特征的有力工具,对于模型固定的卷积神经网络而言,最核心的技术是如何设计损失函数,使其能有效地监督卷积神经网络的训练,从而使卷积神经网络具有提取人脸特征的能力。现有技术中主要使用Softmax的交叉熵损失函数。其中,Softmax的交叉熵损失函数训练网络提取特征的能力,利用网络的最后一层作为人脸的表达,将人脸数据映射到余弦空间上,通过比对不同人脸的余弦空间距离来判断人脸的相似性,同一个人余弦空间距离更相近,不同的人余弦空间距离更远。
但是本发明创造的发明人在研究中发现,Softmax的交叉熵损失函数的特征提取方法,是一种非端到端的方法,简单易于实现,但没有对现有模型进行最大程度的优化,即保证不同类别之间的分类边界最大化,分类边界不够明显,导致内容理解准确率无法提高。
发明内容
本发明实施例提供一种能够增大分类数据分类界面的人脸图像处理方法、***及服务器。
为解决上述技术问题,本发明创造的实施例采用的一个技术方案是:提供一种人脸图像处理方法,包括下述步骤:
获取待分类的人脸图像;
将所述人脸图像输入到构建有损失函数的卷积神经网络模型中,所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大所述待分类数据的分类界面;
获取所述卷积神经网络模型输出的分类数据,并根据所述分类数据对所述人脸图像进行内容理解。
具体地,所述系数松弛化处理具体包括下述步骤:
对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理,以增大所述待分类数据的分类界面。
具体地,所述卷积神经网络模型的正向传播的特征描述为:
L=log(pi)
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
具体地,所述卷积神经网络模型的反向传播的特征描述为:
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
具体地,所述卷积神经网络模型通过下述步骤训练形成:
获取标记有分类判断信息的训练样本数据;
将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类信息;
通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致;
当所述模型分类信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果与所述分类判断信息一致时结束。
具体地,所述通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致的步骤,具体包括下述步骤:
对所述卷积神经网络模型全连接层输出的待分类数据进行系数参数化处理,使所述待分类数据进行同步缩小;
将所述经过系数参数化处理的待分类数据与预设第一分类取值区间内的边界值进行比较,确定所述经过系数参数化处理的待分类数据在所述第一分类取值区间内的区间位置;
根据所述区间位置对应的分类结果,确定所述训练样本数据内不同样本的模型分类信息;
判断所述分类参照信息与所述分类判断信息是否一致。
具体地,所述获取待分类的人脸图像的步骤,之后还包括下述步骤:
将所述人脸图像输入到所述卷积神经网络模型中,所述卷积神经网络模型对所述人脸图像的图像特征进行提取形成所述待分类数据;
将所述待分类数据进行系数松弛化处理,当所述经系数松弛化处理的待分类数据大于预设的分类阈值时,对所述待分类数据进行分类。
具体地,所述人脸图像进行内容理解包括:对人脸图像进行性别识别、年龄判断、颜值打分或人脸相似度比对。
为解决上述技术问题,本发明实施例还提供一种人脸图像处理***,所述人脸图像处理***包括:
获取模块,用于获取待分类的人脸图像;
处理模块,用于将所述人脸图像输入到构建有损失函数的卷积神经网络模型中,所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大所述待分类数据的分类界面;
分类模块,用于获取所述卷积神经网络模型输出的分类数据,并根据所述分类数据对所述人脸图像进行内容理解。
具体地,所述人脸图像处理***还包括:
第一处理子模块,用于对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理,以增大所述待分类数据的分类界面。
具体地,所述卷积神经网络模型的正向传播的特征描述为:
L=log(pi)
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
具体地,所述卷积神经网络模型的反向传播的特征描述为:
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
具体地,所述人脸图像处理***还包括:
第一获取子模块,用于获取标记有分类判断信息的训练样本数据;
第一分类子模块,用于将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类信息;
第一比对子模块,用于通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致;
第二处理子模块,用于当所述模型分类信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果与所述分类判断信息一致时结束。
具体地,所述人脸图像处理***还包括:
第一计算子模块,用于对所述卷积神经网络模型全连接层输出的待分类数据进行系数参数化处理,使所述待分类数据进行同步缩小;
第二比对子模块,用于将所述经过系数参数化处理的待分类数据与预设第一分类取值区间内的边界值进行比较,确定所述经过系数参数化处理的待分类数据在所述第一分类取值区间内的区间位置;
第二分类子模块,用于根据所述区间位置对应的分类结果,确定所述训练样本数据内不同样本的模型分类信息;
第一判断子模块,用于判断所述分类参照信息与所述分类判断信息是否一致。
具体地,所述人脸图像处理***还包括:
第三分类子模块,用于将所述人脸图像输入到所述卷积神经网络模型中,所述卷积神经网络模型对所述人脸图像的图像特征进行提取形成所述待分类数据;
第三处理子模块,用于将所述待分类数据进行系数松弛化处理,当所述经系数松弛化处理的待分类数据大于预设的分类阈值时,对所述待分类数据进行分类。
具体地,所述对人脸图像进行内容理解包括:对人脸图像进行性别识别、年龄判断、颜值打分或人脸相似度比对。
为解决上述技术问题,本发明实施例还提供一种服务器,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行上述所述的人脸图像处理方法。
本发明实施例的有益效果是:在对人脸图像进行分类之前,将卷积神经网络模型提取的人脸图像的待分类数据特征进行系数松弛化处理,即对待分类数据进行同比例缩放,增大分类数据的分类界面,其实现原理在于,经过缩放后的数据能够满足损失函数的期望需求,则未经过缩放的分类数据肯定也能够满足损失函数的期望需求。采用系数松弛化处理能够在更加严苛的条件下训练卷积神经网络模型,使分类边界明显增大,因此使卷积神经网络模型对内容理解精准度大大提高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例人脸图像处理方法基本流程示意图;
图2为本发明实施例卷积神经网络模型训练方法基本流程示意图;
图3为本发明实施例卷积神经网络模型训练时对参数进行系数松弛化处理的方法流程图;
图4为本发明实施例卷积神经网络模型一种具体应用实施方法;
图5为本发明实施例人脸图像处理***基本结构框图;
图6为本发明实施例服务器基本结构框图。
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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
需要指出的是卷积神经网络的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
卷积神经网络主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于卷积神经网络的特征检测层通过训练数据进行学习,所以在使用卷积神经网络时,避免了显示的特征抽取,而隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经元权值相同,所以网络可以并行学习,这也是卷积网络相对于神经元彼此相连网络的一大优势。
本实施例中卷积神经网络模型采用GoogleNet的Inception_v2模型。但不局限于此,根据具体应用场景的不同,卷积神经网络模型还能够采用Inception_v3或Inception_v4模型。
请参阅图1,图1为本实施例人脸图像处理方法基本流程示意图。
如图1所示,一种人脸图像处理方法,包括下述步骤:
S1100、获取待分类的人脸图像;
获取人脸图像的方法包括实时采集和提取存储图像视频资料两种方法。实时采集主要用于智能终端(手机、平板电脑和监控设备)的实时应用(如:判断用户年龄、性别、颜值和相似度等)。提取存储图像视频资料主要用于对存储的图像和视频资料进行进一步的处理,也能够用于智能终端对历史照片进行应用。
S1200、将所述人脸图像输入到构建有损失函数的卷积神经网络模型中,所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大所述待分类数据的分类界面;
卷积神经网络模型在进行人脸图像处理时,已经被训练至收敛,及通过特定的训练方式,已经能够使卷积神经网络模型能够按预期对人脸图像进行处理。
本实施方式中,卷积神经网络模型对输入的人脸图像进行特征提取,获取能够表征人脸图像最具表现性的特征,并在卷积神经网络模型的全连接层形成待分类数据。
本实施例中,采用Softmax的交叉熵损失函数对待分类数据进行预处理,预处理的方式为对待分类数据进行系数松弛化处理,即对卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理,以增大待分类数据的分类界面。具体的操作方法为,在待处理数据之前乘以一个大于0小于1的松弛系数,松弛系数通过多次试验验证获得,能够采用的一种方案为:设定卷积神经网络模型的分类精准度,通过选定不同的松弛系数,对卷积神经网络模型进行训练,记录不同卷积神经网络模型分类达到该精准度的时间,取训练时间最短卷积神经网络模型所采用的系数,作为松弛系数。
当一个数据在进行缩放后,与分类边界值进行比较,仍能大于或位于该分类边界值以内,则未经过缩放的原始数据一定大于或位于该分类边界值以内。将待分类数据进行系数松弛化处理,但分类边界值未发生变化,则相对于分类边界值而言经过系数松弛化处理的待分类数据进行了缩小,变相的增大了待分类数据的分类界面。同时对待分类数据的处理,以更加收敛的训练条件训练卷积神经网络模型,使卷积神经网络模型的分类更加的精确。
S1300、获取所述卷积神经网络模型输出的分类数据,并根据所述分类数据对所述人脸图像进行内容理解。
待分类数据经过损失函数的筛选后,待分类数据(经过系数松弛化处理)在卷积神经网络模型的分类层对数据进行分类。
分类层根据预设的分类标准,对待分类数据进行分类,并将分类数据进行输出。分类层输出的分类数据为一个或多个数值,通过将上述分类数据与分类阈值进行比对,实现人脸图像的内容理解。例如,人脸图像的内容理解为人脸相似度匹配时,预设相似度阈值,将分类数据输出的数值与相似度阈值进行比对,比对结果大于该阈值时,则人脸图像与参照比对图像为同源,否则人脸图像与参照比对图像不同。
内容理解包括(不限于)进行性别识别、年龄判断、颜值打分或人脸相似度比对。分类数据表示人脸图像中主要可识别特征,将该特征与预设的分类标准进行比对,就能够对人脸图像的性别、年龄和颜值做出判断。而根据两个人脸图像分类数据的cos(余弦空间)距离的比较,就能够计算出两个人脸图像之间的相似度。
上述实施方式在对人脸图像进行分类之前,将卷积神经网络模型提取的人脸图像的待分类数据特征进行系数松弛化处理,即对待分类数据进行同比例缩放,增大分类数据的分类界面,其实现原理在于,经过缩放后的数据能够满足损失函数的期望需求,则未经过缩放的分类数据肯定也能够满足损失函数的期望需求。采用系数松弛化处理能够在更加严苛的条件下训练卷积神经网络模型,使分类边界明显增大,因此使卷积神经网络模型对内容理解精准度大大提高。
具体的,本实施例中卷积神经网络模型采用的损失函数为Softmax的交叉熵损失函数,对该损失函数进行系数参数化处理后,该损失函数正向传播公式如下:
卷积神经网络模型的正向传播的特征描述为:
L=log(pi)
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
卷积神经网络模型在训练过程中,通过对其输出的分类数据与预期期望之间的比较触发对卷积神经网络模型权值进行微调,即卷积神经网络模型反向传播,通过求取偏导数的方式对卷积神经网络模型的权值进行微调,具体操作公式如下:
卷积神经网络模型的反向传播的特征描述为:
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
在一些优选实施方案中,k的取值为0.5。k的取值根据实验数据进行确定,实现结果表明当k=0.5时,卷积神经网络模型分离准确率最高,且训练模型所需要的时间最短。
举例对系数松弛化进行说明,以f(x)*wi表示待分类数据,f(x)*wj表示分类阈值,当且仅当f(x)*wi>f(x)*wj时,待分类数据才能够通过损失函数的筛选。
因为:
f(x)*wi>f(x)*wj
若使:
f(x)*wi>f(x)*wj
那么不妨使
kf(x)*wi>f(x)*wj(0<k<1.0)
其中,f(x)表示深度学习网络对图像提取的特征,该特征将被送入到Softmax损失函数分类器中,该特征代表的图像属于第i类,所以应该有f(x)*wi>f(x)*wj,若我们的损失函数能满足k*f(x)*wi>f(x)*wj(0<k<1.0),那么必有f(x)*wi>f(x)*wj,即完成分类任务,该方法即是对Softmax进行系数松弛。
因为系数(0<k<1.0),即对Softmax的结果进行了松弛,使不同类别之间的分类界面变大,这样增加了模型对不易分类样本的分类准确性,即提升了模型的鲁棒性。
具体地,本实施例中卷积神经网络模型的训练方法如下:
请参阅图2,图2为本实施例卷积神经网络模型训练方法基本流程示意图。
如图2所示,卷积神经网络模型通过下述步骤训练形成:
S2100、获取标记有分类判断信息的训练样本数据;
训练样本数据是整个训练集的构成单位,训练集是由若干个训练样本训练数据组成的。
训练样本数据是由人脸数据以及对人脸数据对进行标记的分类判断信息组成的。
分类判断信息是指人们根据输入卷积神经网络模型的训练方向,通过普适性的判断标准和事实状态对训练样本数据做出的人为的判断,也就是人们对卷积神经网络模型输出数值的期望目标。如,在一个训练样本数据中,人工识别出该人脸图像数据与预存储的目标人脸图像为同一个人,则标定该人脸图像分类判断信息为与预存储的目标人脸图像相同。
S2200、将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类信息;
将训练样本集依次输入到卷积神经网络模型中,并获得卷积神经网络模型倒数第一个全连接层输出的模型分类信息。
模型分类信息是卷积神经网络模型根据输入的人脸图像而输出的激励数据,在卷积神经网络模型未被训练至收敛之前,分类参照信息为离散性较大的数值,当卷积神经网络模型未被训练至收敛之后,分类参照信息为相对稳定的数据。
S2300、通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致;
止损函数是用于检测卷积神经网络模型中模型分类信息,与期望的分类判断信息是否具有一致性的检测函数。当卷积神经网络模型的输出结果与分类判断信息的期望结果不一致时,需要对卷积神经网络模型中的权重进行校正,以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。
S2400、当所述模型分类信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果与所述分类判断信息一致时结束。
当卷积神经网络模型的输出结果与分类判断信息的期望结果不一致时,需要对卷积神经网络模型中的权重进行校正,以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。
具体地,在训练过程中,需要止损函数对待分类数据进行系数松弛化处理。
请参阅图3,图3为本实施例卷积神经网络模型训练时对参数进行系数松弛化处理的方法流程图。
如图3所示,步骤S2300包括下述步骤:
S2310、对所述卷积神经网络模型全连接层输出的待分类数据进行系数参数化处理,使所述待分类数据进行同步缩小;
将训练样本数据依次输入到卷积神经网络模型中,并获取卷积神经网络模型全连接层输出的待分类数据,并同步缩放该待分类数据,即在待分类数据之前乘以一个大于零小于1的系数。
S2320、将所述经过系数参数化处理的待分类数据与预设第一分类取值区间内的边界值进行比较,确定所述经过系数参数化处理的待分类数据在所述第一分类取值区间内的区间位置;
将经过系数松弛化处理的待分类数据与预设的第一分类数取值区间进行比对。
其中,第一分类取值区间根据预期分类结果设定,分类结果为相似度比对时,第一分类取值区间为单一的分类阈值,分类结果为种族划分时,第一分类取值区间为3个不同的取值区间。分类结果为性别划分时,第一分类取值区间为2个不同的取值区间。分类结果为颜值划分时,第一分类取值区间为多个连续的取值区间。
将经过系数松弛化处理的待分类数据与预设的第一分类数取值区间进行比对,获取系数松弛化处理的待分类数据在第一分类数取值区间内的具***置。
S2330、根据所述区间位置对应的分类结果,确定所述训练样本数据内不同样本的模型分类信息;
根据系数松弛化处理的待分类数据在第一分类数取值区间内的具***置获取对应的分类结果。举例说明,分类结果为相似度比对时,系数松弛化处理的待分类数据大于分类阈值时,则对应的分类结果为该训练样本数据与参照图像相似,否则二者结果为不相似。
模型分类信息即模型的分类结果。
S2340、判断所述分类参照信息与所述分类判断信息是否一致。
将获得的模型分类信息与人工预期的分类判断信息进行比对,比对二者是否一致,举例说明,模型分类信息判断练样本数据与参照图像相似,而人工预设的期望是练样本数据与参照图像不相似,则认定该分类结果不符合预设期望。
在一些具体实施方式中,本发明实施例的卷积神经网络模型被用于人脸相似度比对。
具体请参阅图4,图4为本实施例卷积神经网络模型一种具体应用实施方法。
如图4所示,步骤S1100之后还包括下述步骤:
S1110、将所述人脸图像输入到所述卷积神经网络模型中,所述卷积神经网络模型对所述人脸图像的图像特征进行提取形成所述待分类数据;
本步骤中人脸图像用于与参照图像进行相似度比对,确认待分类人脸图像与参照图像是否为同源,即两张照片中是否为同一人。
将待分类人脸图像输入到卷积神经网络模型中,获取人脸图像的待分类数据。
S1120、将所述待分类数据进行系数松弛化处理,当所述经系数松弛化处理的待分类数据大于预设的分类阈值时,对所述待分类数据进行分类。
将待分类数据进行系数松弛化处理,并将处理后的分类数据与预设的分类阈值进行比较,分类阈值是为识别待分类人脸图像与参照图像是否相同,根据实验数据得出的,用于比对判断的具体阈值。举例说明,设定待分类数据进行系数松弛化处理后的取值区间为0到1之间,设分类阈值为0.5,则当待分类数据进行系数松弛化处理后的取值大于0.5时,待测人脸图像与参照图像为同源;当待分类数据进行系数松弛化处理后的取值小于0.5时,则待测人脸图像与参照图像不相同或不同源。
通过对待分类数据进行系数松弛化处理,能够使待分类数据的分类界面增大,减小了数据在分类阈值附近时的极限判断造成的偶然误差,提高了分类准确率。
为解决上述技术问题,本发明实施例还提供一种人脸图像处理***。具体请参阅图5,图5为本实施例人脸图像处理***基本结构框图。
如图5所示,人脸图像处理***包括:获取模块、处理模块和分类模块。其中,获取模块用于获取待分类的人脸图像;处理模块用于将人脸图像输入到构建有损失函数的卷积神经网络模型中,损失函数对卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大待分类数据的分类界面;分类模块用于获取卷积神经网络模型输出的分类数据,并根据分类数据对人脸图像进行内容理解。
在一些实施方式中,人脸图像处理***还包括:第一处理子模块,用于对卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理,以增大待分类数据的分类界面。
在一些实施方式中,卷积神经网络模型的正向传播的特征描述为:
L=log(pi)
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
在一些实施方式中,卷积神经网络模型的反向传播的特征描述为:
定义函数:
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
在一些实施方式中,人脸图像处理***还包括:第一获取子模块、第一分类子模块、第一比对子模块和第二处理子模块。其中,第一获取子模块用于获取标记有分类判断信息的训练样本数据;第一分类子模块用于将训练样本数据输入卷积神经网络模型获取训练样本数据的模型分类信息;第一比对子模块用于通过止损函数比对训练样本数据内不同样本的模型分类信息与分类判断信息是否一致;第二处理子模块用于当模型分类信息与分类判断信息不一致时,反复循环迭代的更新卷积神经网络模型中的权重,至比对结果与分类判断信息一致时结束。
在一些实施方式中,人脸图像处理***还包括:第一计算子模块、第二比对子模块、第二分类子模块和第一判断子模块。其中,第一计算子模块用于对卷积神经网络模型全连接层输出的待分类数据进行系数参数化处理,使待分类数据进行同步缩小;第二比对子模块用于将经过系数参数化处理的待分类数据与预设第一分类取值区间内的边界值进行比较,确定经过系数参数化处理的待分类数据在第一分类取值区间内的区间位置;第二分类子模块用于根据区间位置对应的分类结果,确定训练样本数据内不同样本的模型分类信息;第一判断子模块用于判断分类参照信息与分类判断信息是否一致。
在一些实施方式中,人脸图像处理***还包括:第三分类子模块和第三处理子模块。其中,第三分类子模块用于将人脸图像输入到卷积神经网络模型中,卷积神经网络模型对人脸图像的图像特征进行提取形成待分类数据;第三处理子模块用于将待分类数据进行系数松弛化处理,当经系数松弛化处理的待分类数据大于预设的分类阈值时,对待分类数据进行分类。
在一些实施方式中,人脸图像进行内容理解包括:对人脸图像进行性别识别、年龄判断、颜值打分或人脸相似度比对。
本实施例还提供一种服务器。具体请参阅图6,图6为本实施例服务器基本结构示意图。
如图6所示,服务器包括:一个或多个处理器3110和存储器3120;一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:
获取待分类的人脸图像;
将所述人脸图像输入到构建有损失函数的卷积神经网络模型中,所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大所述待分类数据的分类界面;
获取所述卷积神经网络模型输出的分类数据,并根据所述分类数据对所述人脸图像进行内容理解。
服务器在对人脸图像进行分类之前,将卷积神经网络模型提取的人脸图像的待分类数据特征进行系数松弛化处理,即对待分类数据进行同比例缩放,增大分类数据的分类界面,其实现原理在于,经过缩放后的数据能够满足损失函数的期望需求,则未经过缩放的分类数据肯定也能够满足损失函数的期望需求。采用系数松弛化处理能够在更加严苛的条件下训练卷积神经网络模型,使分类边界明显增大,因此使卷积神经网络模型对内容理解精准度大大提高。
需要指出的是本实施列中,服务器的存储器内存储用于实现本实施例中人脸图像处理方法中的所有程序,处理器能够调用该存储器内的程序,执行上述人脸图像处理方法所列举的所有功能。由于服务器实现的功能在本实施例中的人脸图像处理方法进行了详述,在此不再进行赘述。
需要说明的是,本发明的说明书及其附图中给出了本发明的较佳的实施例,但是,本发明可以通过许多不同的形式来实现,并不限于本说明书所描述的实施例,这些实施例不作为对本发明内容的额外限制,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。并且,上述各技术特征继续相互组合,形成未在上面列举的各种实施例,均视为本发明说明书记载的范围;进一步地,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种人脸图像处理方法,其特征在于,包括下述步骤:
获取待分类的人脸图像;
将所述人脸图像输入到构建有损失函数的卷积神经网络模型中,所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大所述待分类数据的分类界面;
获取所述卷积神经网络模型输出的分类数据,并根据所述分类数据对所述人脸图像进行内容理解。
2.根据权利要求1所述的人脸图像处理方法,其特征在于,所述系数松弛化处理具体包括下述步骤:
对所述卷积神经网络模型全连接层输出的待分类数据进行同比例缩小处理,以增大所述待分类数据的分类界面。
3.根据权利要求1所述的人脸图像处理方法,其特征在于,所述卷积神经网络模型的正向传播的特征描述为:
L=log(pi)
定义函数:
<mrow>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
</mrow>
</msup>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
</mrow>
</msup>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mi>k</mi>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
4.根据权利要求1所述的人脸图像处理方法,其特征在于,所述卷积神经网络模型的反向传播的特征描述为:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>k</mi>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>t</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>*</mo>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
</mrow>
定义函数:
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>k</mi>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>*</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,其中,i表示输入图像本身所属的类别,j表示与i不同类别的分类类别,t表示与i不同类别的分类类别,k表示系数松弛化参数,f(x)表示卷积神经网络模型提取的人脸特征,wi表示第i类别的权值,wj表示第j类别的权值,wt表示第t类别的权值,N表示为分类的类别数。
5.根据权利要求1所述的人脸图像处理方法,其特征在于,所述卷积神经网络模型通过下述步骤训练形成:
获取标记有分类判断信息的训练样本数据;
将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类信息;
通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致;
当所述模型分类信息与所述分类判断信息不一致时,反复循环迭代的更新所述卷积神经网络模型中的权重,至所述比对结果与所述分类判断信息一致时结束。
6.根据权利要求5所述的人脸图像处理方法,其特征在于,所述通过止损函数比对所述训练样本数据内不同样本的模型分类信息与所述分类判断信息是否一致的步骤,具体包括下述步骤:
对所述卷积神经网络模型全连接层输出的待分类数据进行系数参数化处理,使所述待分类数据进行同步缩小;
将所述经过系数参数化处理的待分类数据与预设第一分类取值区间内的边界值进行比较,确定所述经过系数参数化处理的待分类数据在所述第一分类取值区间内的区间位置;
根据所述区间位置对应的分类结果,确定所述训练样本数据内不同样本的模型分类信息;
判断所述分类参照信息与所述分类判断信息是否一致。
7.根据权利要求1所述的图像处理方法,其特征在于,所述获取待分类的人脸图像的步骤,之后还包括下述步骤:
将所述人脸图像输入到所述卷积神经网络模型中,所述卷积神经网络模型对所述人脸图像的图像特征进行提取形成所述待分类数据;
将所述待分类数据进行系数松弛化处理,当所述经系数松弛化处理的待分类数据大于预设的分类阈值时,对所述待分类数据进行分类。
8.根据权利要求1~7任意一项所述的人脸图像处理方法,其特征在于,所述人脸图像进行内容理解包括:对人脸图像进行性别识别、年龄判断、颜值打分或人脸相似度比对。
9.一种人脸图像处理***,其特征在于,所述人脸图像处理***包括:
获取模块,用于获取待分类的人脸图像;
处理模块,用于将所述人脸图像输入到构建有损失函数的卷积神经网络模型中,所述损失函数对所述卷积神经网络模型输出的待分类数据进行系数松弛化处理,以增大所述待分类数据的分类界面;
分类模块,用于获取所述卷积神经网络模型输出的分类数据,并根据所述分类数据对所述人脸图像进行内容理解。
10.一种服务器,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于执行权利要求1-8任意一项所述的人脸图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711131120.5A CN107944363B (zh) | 2017-11-15 | 2017-11-15 | 人脸图像处理方法、***及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711131120.5A CN107944363B (zh) | 2017-11-15 | 2017-11-15 | 人脸图像处理方法、***及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944363A true CN107944363A (zh) | 2018-04-20 |
CN107944363B CN107944363B (zh) | 2019-04-26 |
Family
ID=61931294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711131120.5A Active CN107944363B (zh) | 2017-11-15 | 2017-11-15 | 人脸图像处理方法、***及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107944363B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299690A (zh) * | 2018-09-21 | 2019-02-01 | 浙江中正智能科技有限公司 | 一种可提高视频实时人脸识别精度的方法 |
CN110009059A (zh) * | 2019-04-16 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN110490242A (zh) * | 2019-08-12 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像分类网络的训练方法、眼底图像分类方法及相关设备 |
CN116702014A (zh) * | 2023-08-03 | 2023-09-05 | 中电科新型智慧城市研究院有限公司 | 人口识别方法、装置、终端设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN104408470A (zh) * | 2014-12-01 | 2015-03-11 | 中科创达软件股份有限公司 | 基于平均脸预学习的性别检测方法 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
US20160307072A1 (en) * | 2015-04-17 | 2016-10-20 | Nec Laboratories America, Inc. | Fine-grained Image Classification by Exploring Bipartite-Graph Labels |
CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
CN106649886A (zh) * | 2017-01-13 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种利用三元组标签的深度监督散列进行图像检索方法 |
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
-
2017
- 2017-11-15 CN CN201711131120.5A patent/CN107944363B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
CN104408470A (zh) * | 2014-12-01 | 2015-03-11 | 中科创达软件股份有限公司 | 基于平均脸预学习的性别检测方法 |
US20160307072A1 (en) * | 2015-04-17 | 2016-10-20 | Nec Laboratories America, Inc. | Fine-grained Image Classification by Exploring Bipartite-Graph Labels |
US20170169315A1 (en) * | 2015-12-15 | 2017-06-15 | Sighthound, Inc. | Deeply learned convolutional neural networks (cnns) for object localization and classification |
CN106096538A (zh) * | 2016-06-08 | 2016-11-09 | 中国科学院自动化研究所 | 基于定序神经网络模型的人脸识别方法及装置 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106384080A (zh) * | 2016-08-31 | 2017-02-08 | 广州精点计算机科技有限公司 | 一种基于卷积神经网络的表观年龄估计方法及装置 |
CN106649886A (zh) * | 2017-01-13 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种利用三元组标签的深度监督散列进行图像检索方法 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299690A (zh) * | 2018-09-21 | 2019-02-01 | 浙江中正智能科技有限公司 | 一种可提高视频实时人脸识别精度的方法 |
CN110009059A (zh) * | 2019-04-16 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN110009059B (zh) * | 2019-04-16 | 2022-03-29 | 北京字节跳动网络技术有限公司 | 用于生成模型的方法和装置 |
CN110490242A (zh) * | 2019-08-12 | 2019-11-22 | 腾讯医疗健康(深圳)有限公司 | 图像分类网络的训练方法、眼底图像分类方法及相关设备 |
CN110490242B (zh) * | 2019-08-12 | 2024-03-29 | 腾讯医疗健康(深圳)有限公司 | 图像分类网络的训练方法、眼底图像分类方法及相关设备 |
CN116702014A (zh) * | 2023-08-03 | 2023-09-05 | 中电科新型智慧城市研究院有限公司 | 人口识别方法、装置、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107944363B (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108108807B (zh) | 学习型图像处理方法、***及服务器 | |
Hoang Ngan Le et al. | Robust hand detection and classification in vehicles and in the wild | |
CN107818314A (zh) | 脸部图像处理方法、装置及服务器 | |
CN109002766B (zh) | 一种表情识别方法及装置 | |
CN107886062B (zh) | 图像处理方法、***及服务器 | |
CN107679513B (zh) | 图像处理方法、装置及服务器 | |
Barnouti | Improve face recognition rate using different image pre-processing techniques | |
CN105550657B (zh) | 基于关键点的改进sift人脸特征提取方法 | |
WO2019033525A1 (zh) | Au特征识别方法、装置及存储介质 | |
CN107633204A (zh) | 人脸遮挡检测方法、装置及存储介质 | |
Gao et al. | The labeled multiple canonical correlation analysis for information fusion | |
CN107944363A (zh) | 人脸图像处理方法、***及服务器 | |
CN113761259A (zh) | 一种图像处理方法、装置以及计算机设备 | |
Divya et al. | Facial expression recognition by calculating euclidian distance for eigen faces using PCA | |
CN110135505A (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
CN111401343B (zh) | 识别图像中人的属性的方法、识别模型的训练方法和装置 | |
CN110717407A (zh) | 基于唇语密码的人脸识别方法、装置及存储介质 | |
KR101334858B1 (ko) | 나비종 자동분류 시스템 및 방법, 이를 이용한 나비종 자동분류 기능이 구비된 휴대 단말기 | |
Rasel et al. | An efficient framework for hand gesture recognition based on histogram of oriented gradients and support vector machine | |
Srininvas et al. | A framework to recognize the sign language system for deaf and dumb using mining techniques | |
Omaia et al. | 2D-DCT distance based face recognition using a reduced number of coefficients | |
CN113033587A (zh) | 图像识别结果评估方法、装置、电子设备及存储介质 | |
CN109685146A (zh) | 一种基于双卷积和主题模型的场景识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |