CN108921017A - 人脸检测方法及*** - Google Patents
人脸检测方法及*** Download PDFInfo
- Publication number
- CN108921017A CN108921017A CN201810506447.4A CN201810506447A CN108921017A CN 108921017 A CN108921017 A CN 108921017A CN 201810506447 A CN201810506447 A CN 201810506447A CN 108921017 A CN108921017 A CN 108921017A
- Authority
- CN
- China
- Prior art keywords
- category feature
- characteristic
- feature
- characteristic pattern
- layer
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种人脸检测方法及***。人脸检测方法包括：通过至少两层网络结构对输入的至少一个样本图片进行处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图；提取第一类特征图的特征信息及第二类特征图的特征信息；根据第一类特征图的特征信息及第二类特征图的特征信息在样本图片中对应的位置坐标获取人脸框的检测位置坐标；根据末位卷积层对应的特征图与目标图像的匹配度更新每一卷积层的权重值；根据每一卷积层的权重值生成人脸检测模型。由于第一类特征提取层更靠前其特征平面的尺寸相对较大，可用于检测小人脸，通过对第一类特征图的特征信息的提取可提高了小人脸检测能力的目的。
Description
技术领域
本申请涉及图像检测技术领域，尤其涉及一种人脸检测方法及***。
背景技术
人脸检测是在图像中定位人脸区域的过程。在实际应用中人脸检测主要应用在人脸识别***中，根据检测到的人脸区域进一步地进行人脸识别。SSD(single shotmultibox detector)作为一种快速的目标检测框架被广泛应用于人脸检测中，基于其特征提取层的尺寸特性SSD网络在检测大物体方面具有较高的准确率。
SSD是一种单步检测卷积神经网络框架，其主要分为两部分：一部分是位于前端的基础网络层(如VGG)；另一部分是在基础网络层的基础上添加的特征提取层。SSD网络在检测图片时，根据卷积层的特征平面提取特征向量，从而根据特征向量检测人脸。由于SSD网络结构层数较多，网络相对较深，特征平面的尺寸逐渐变小的，相应的与特征平面对应的默认框尺寸逐渐变大，因此SSD网络在检测大物体方面具有较高的准确率，而小物体在经过多层卷积操作以后特征提取层能够获取的特征信息相对较少，因此在检测小人脸方面性能较差。
发明内容
有鉴于此，本申请实施例提供了一种人脸检测方法及***，以解决SSD网络检测小人脸性能差的问题。
本申请实施例采用下述技术方案：
本申请实施例提供了一种人脸检测方法，包括：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
本申请实施例还提供了人脸检测方法，包括：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
本申请实施例还提供了一种人脸检测***，包括：
处理单元，用以通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
第一提取单元，用以提取所述第一类特征图的特征信息；
第二提取单元，用以提取所述第二类特征图的特征信息；
检测单元，用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
更新单元，用以根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
生成单元，用以根据每一所述卷积层的权重值生成人脸检测模型。
本申请实施例还提供了一种人脸检测***，包括：
处理单元，用以基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
第一提取单元，用以提取所述第一类特征图的特征信息；
第二提取单元，用以提取所述第二类特征图的特征信息；
检测单元，用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
本申请实施例还提供了一种电子***，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行以下步骤：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
本申请实施例还提供了一种计算机可读存储介质，包括与电子***结合使用的程序，程序可被处理器执行以完成以下步骤：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
本申请实施例还提供了一种电子***，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行以下步骤：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
本申请实施例还提供了一种计算机可读存储介质，包括与电子***结合使用的程序，程序可被处理器执行以完成以下步骤：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过至少两层网络结构对输入的至少一个样本图片进行处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；提取所述第一类特征图的特征信息及所述第二类特征图的特征信息；根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；根据每一所述卷积层的权重值生成人脸检测模型。由于第一类特征提取层更靠前其特征平面的尺寸相对较大，可用于检测小人脸，通过对第一类特征图的特征信息的提取可提高检测小人脸的特征深度，进而实现了提高了小人脸检测能力的目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为现有的SSD网络结构图；
图2为本发明所述的人脸检测方法的流程示意图；
图3为应用本发明所述人脸检测方法的一种实施了的SSD网络结构原理图；
图4为本发明所述的人脸检测方法中一种卷积层合并的原理示意图；
图5为本发明所述的人脸检测方法的流程示意图；
图6为本发明所述的人脸检测方法的一种实施例的方法流程示意图；
图7为本发明所述的人脸检测***的结构示意图；
图8为本发明所述的人脸检测***的结构示意图。
具体实施方式
如图1所示，展示了一种现有的SSD网络结构，其主要由两部分组成，一部分是将VGG-16的前5层卷积网络作为的基础网络层(虚线框内的VGG-16)，另一部分是SSD网络新添加的特征提取层(Extra Feature Layers即：在基础网络层的基础上添加的卷积层)，用来提取高层次的特征信息。其中卷积层Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2为主要的特征提取层，这些卷积层的输出分别与两个3×3大小的卷积核相卷来获取特征值，其中一个卷积层输出分类用的概率值，每个default box(特征平面上的盒子)生成2个概率值；另一个卷积层输出回归用的相对位置坐标，每个default box生成4个相对坐标值(x，y，w，h)。另外，这6个卷积层还经过prior box(前箱)层生成default box的原始坐标。上面所述的6个卷积层中每一层的default box的数量是给定的。最后将前面三个计算结果分别合并然后传递给loss(损失)层计算loss值然后进行后馈，调整学***面的尺寸逐层变小，相应的与特征平面对应的检测区域变大，因此SSD网络在检测大物体方面具有较高的准确率，而对像素在50×50以下(如：小人脸方面)的目标对象而言经过多层卷积之后有效信息越来越少因此的检测性能较差。
针对上述问题，为了实现本申请的目的，本申请实施例提出一种基于SSD网络能够对小人脸(像素在50×50以下的图片区域)进行检测的人脸检测方法及***，通过提取所述第一类特征提取层(即：基础网络层中的卷积层)的第一类特征图的特征信息，对特征信息进行预测类别处理，确定所述样本图片中的人脸特征向量，从而实现了提高了小人脸检测能力的目的。通过对第一类特征图的特征平面进经归一化和卷积处理提高提取小目标图像的特征深度，从而充分利用第一类特征提取层的特征平面相对尺寸较大适合检测小人脸的优势，进而达到提高检测小人脸的准确度的目的。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图2为本申请实施例提供的人脸检测方法的流程示意图。所述方法可以如下所示。本申请实施例的主题可以是人脸检测***，也可以是人脸识别***中的检测部件。
步骤S101：通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前。
在本申请实施例中，至少两层网络结构对样本图片进行处理时，得到位于基础网络层的第一类特征图和位于特征提取层的第二类特征图，其中，第一类特征提取层可以是位于基础网络层的卷积层。在对样本图片进行处理时得到的第一类特征图除了基础网络层的卷积层之外还可包括在基础网络层的基础上添加的卷积层(即：特征提取层)。卷积层的特征平面尺寸随着层数的增加逐层递减。随着卷积层的增多获取的图片特征信息对应的检测面积也越来大。
进一步地，在对样本图片处理前，可将样本图片调整为预设尺寸，例如：300×300像素，再进行处理，以使样本图片的尺寸符合SSD网络结构的要求。
步骤S102：提取所述第一类特征图的特征信息。
在本申请实施例中，提取所述第一类特征提取层的特征信息，包括：
将所述第一类特征图的进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征信息。
具体地，以第一类特征提取层为Conv3_3层进行说明：对于Conv3_3层添加单独的特征提取层。由于Conv3_3层相对靠前，特征平面尺寸相对较大，包含的是一些相对低级，简单的特征，原始SSD网络是没有对这个层单独进行特征提取的。由于，基础网络层特征更容易检测小人脸，所以依据本申请提出的人脸检测方法可单独在Conv3_3层加入特征提取层以提高检测小人脸的能力。该层的特征提取结构如图3所示。将Conv3_3层分别经Norm(归一化)层、3×3卷积层处理，然后经过SSD网络的提取prior box和分类概率以及相对位置的层以获取特征向量，最后输入到loss层计算loss值。
通过对第一类特征图进经归一化和卷积处理提高提取图像的特征深度，从而充分利用第一类特征提取层的特征平面相对尺寸较大适合检测小人脸的优势，进而达到提高检测小人脸的准确度的目的。
进一步地，还可将原始的分类Softmax Loss改为Focal Loss，实验证明，FocalLoss可以提高对困难样本的学习能力，从而提高网络的性能。
需要说明的是，第一类特征提取层可以是基础网络层中的任意一层，不限于Conv3_3层。
在本申请实施例中，提取所述第一类特征提取层的特征信息的同时，还可提取在所述第一类特征提取层之后的每一个卷积层的特征向量。
具体地，对于基础网络层的卷积层的特征向量的提取可参考第一类特征提取层的特征信息提取方式提取特征向量，对于特征提取层的特征向量的提取可采用将卷积层的输出分别与两个3×3大小的卷积核相卷来获取特征值的方式获取特征向量。
步骤S103：提取所述第二类特征图的特征信息。
在本申请实施例中，提取所述第二类特征图的特征信息，包括：
将至少两个第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
在本实施例中，第二类特征提取层可以是位于基础网络层的卷积层Conv4_3，其对应的第二类特征图也可采用将卷积层的输出分别与两个3×3大小的卷积核相卷来获取特征值的方式获取特征信息。
进一步地，将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
以将两个第二类特征提取层对应的第二类特征图合并为例进一步说明：将第二类特征提取层的输出分别与两个3×3大小的卷积核相卷来获取特征值的方式获取特征信息；还可采用合并提取相应的特征信息的方式获取特征信息，例如：一第二类特征图的下采样(Pooling)层与另一第二类特征图进行合并提取特征向量，或一第二类特征图的反卷积(devolution)层与另一第二类特征图进行合并提取特征信息。需要说明的是，第二类特征图也可与第一类特征图合并以获取特征提取层的特征信息。采用合并提取相应的特征信息的方式能够提升整体图像检测的准确率及召回率。
其中，下采样是指对于一个样值序列间隔几个样值取样一次，这样得到新序列就是原序列的下采样。反卷积顾名思义是卷积操作的逆向操作。卷积操作是输入图片，输出图片的特征，理论依据是统计不变性中的平移不变性，起到降维的作用；反卷积是输入图片的特征，输出图片，起到还原的作用。
在实际应用中，当多余两个第二类特征提取层对应的第二类特征图时，仍可采用上述两两合并的方式提取特征向量。
在本申请实施例中，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
在将至少三个第二类特征图合并时，可将三个第二类特征图合并提取相应的特征信息。以有七个第二类特征提取层为例详细说明：一第二类特征图的下采样层与一第二类特征图的反第二类特征图及另一第二类特征图进行合并提取特征向量。如图3-图4所示，Conv3_3为第一类特征提取层，Conv4_3层、Conv7层、Conv8_2层、Conv9_2层、Conv10_2、Conv11_2为第二类特征提取层；从Conv4_3层开始，分别对Conv4_3层、Conv7层、Conv8_2层、Conv9_2层、Conv10_2层进行下采样，而从反方向从Conv11_2开始依次进行反卷积；首先将中间层和上一层的下采样得到的层以及下一层进行反卷积得到的层进行合并，类似于三明治结构，这样就能得到4个特征提取层。这4个特征提取层不仅具有低层相对简单的特征同时还具有高层相对复杂的特征，特征的表达能力要比之前的网络结构要好的多。其中Conv4_3层和末位Conv11_2层分别进行特征向量提取。除了第一类特征提取层一共有6个特征提取层。
需要说明的是在实际应用中，需提取第一类特征提取层本身的特征信息，末位第二类特征图本身的特征信息，以及三个第二类特征图合并的特征信息，从而获取三个第二类特征图的三个特征信息。当多余三个第二类特征图时，仍可采用上述三个第二类特征图合并的方式提取特征向量。三个第二类特征图合并时可以是相邻的三个第二类特征图，也可以是随机的三个第二类特征图。
在实际应用中，通过对第一类特征提取层的特征平面进经归一化和卷积处理提高提取图像的特征深度，从而充分利用第一类特征提取层的特征平面相对尺寸较大适合检测小人脸的优势，进而达到提高检测小人脸的准确度的目的。
在本申请实施例中，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
需要说明的是在实际应用中，需提取第一类特征提取层本身的特征向量，末位第二类特征图本身的特征向量，以及三个第二类特征图合并的特征向量，从而获取三个第二类特征图的三个特征向量。当多余三个第二类特征图时，仍可采用上述三个第二类特征图合并的方式提取特征向量。三个第二类特征图合并时可以是相邻的三个第二类特征图，也可以是随机的三个第二类特征图。
在本申请实施例中，所述任意三个第二类特征图为两两相邻的第二类特征图。
参考图4的结构。三个第二类特征图合并是分别将三层与3×3的卷积核进行卷积，再依次经过BN(全称Batch Normalization，批量标准化)层、Eltw Product层合并结果，再经过PReLU层输出最终的合并特征层(即：合并层)。然后经过SSD的提取prior box和分类概率值，最后输入到loss层计算loss值。
步骤S104：根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标。
在本申请实施例中，根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
需要说明的是，本申请实施例中对于每一个特征提取层，设置每一个特征点的Anchor数目为6个，而原始SSD网络的Anchor默认部分是4个，这个数目直接影响SSD网络的检测性能。通过对Anchor数目的修改可提高SSD网络的召回率和准确率。召回率(RecallRate,也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索***的查全率。
其中，Anchor是SSD网络中一种结构，存在于提取特征的网络层中，其数目的多少直接影响检测的效果。
在本申请实施例中，根据特征信息进行预测类别处理以获取人脸分类值，将人脸分类值与目标值进行比较，若符合目标阈值范围，则表示该特征向量可作为人脸特征信息；若不符合目标阈值范围，则表示该特征信息对应的图像不是人脸。
步骤S105：根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层。
步骤S106：根据每一所述卷积层的权重值生成人脸检测模型。
在本实施例中，将所述至少两层网络结构中末位卷积层输出的特征图与目标图像进行匹配以获取相应的匹配度(即：回归梯度)，根据相应的匹配度调整每一卷积层的权重值及偏置量，以使调整后的卷积层有利于检测小人脸，提高检测小人脸的准确率，根据最终确定的每一卷积层的权重值及偏置量生成人脸检测模型。
基于同一发明构思，图5是本发明还提出了一种人脸检测方法，包括：
步骤S201：基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
步骤S202：提取所述第一类特征图的特征信息；
进一步地，提取所述第一类特征图的特征信息，包括：
将所述第一类特征图进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征信息。
步骤S203：提取所述第二类特征图的特征信息；
进一步地，提取所述第二类特征图的特征信息，包括：
将至少两个第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
步骤S204：根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
在本申请实施例中，根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据采用Soft-NMS模块将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
在实际应用中，由于原始的NMS模块在人脸有重叠情况下会丢失人脸，检测结果欠佳。因此本申请利用Soft-NMS模块替换原始的NMS模块，可以减少在重叠人脸情况下的检测性能，从而提高检测人脸的准确度。
通过提取所述第一类特征提取层(即：基础网络层中的卷积层)的特征信息，对所述特征信息进行处理，确定所述样本图片中的人脸特征信息，从而实现了提高了小人脸检测能力的目的。通过对第一类特征图的特征平面进经归一化和卷积处理提高提取小目标图像的特征深度，从而充分利用第一类特征提取层的特征平面相对尺寸较大适合检测小人脸的优势，进而达到提高检测小人脸的准确度的目的。
在本申请的一个或者多个实施例中，将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
在本申请的一个或者多个实施例中，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
在本申请的一个或者多个实施例中，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
在本申请的一个或者多个实施例中，所述任意三个第二类特征图为两两相邻的第二类特征图。
作为一种较为优选的实施例，如图6所示，人脸检测方法可包括两个阶段训练阶段和检测阶段。
训练阶段包括下述步骤：
步骤1：将样本图片调整为预设尺寸；
步骤2：通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
步骤3：提取第一类特征图的特征信息及提取所述第二类特征图的特征信息；
步骤4：根据所述第一类特征图的特征信息和第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
步骤5：根据至少两层网络结构的末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值；
步骤6：根据每一所述卷积层的权重值生成人脸检测模型。
检测阶段包括下述步骤：
步骤7：利用训练得到的人脸检测模型初始化至少两层网络结构；
步骤8：将待检测图片调整为预设尺寸；
步骤9：通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图；
步骤10：提取第一类特征图的特征信息及提取所述第二类特征图的特征信息；
步骤11：根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
基于同一发明构思，图7为本发明提供的一种人脸检测***，包括：
处理单元11，用以基于人脸检测模型通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
第一提取单元12，用以提取所述第一类特征图的特征信息；
第二提取单元13，用以提取所述第二类特征图的特征信息；
检测单元14，用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
更新单元15，用以根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
生成单元16，用以根据每一所述卷积层的权重值生成人脸检测模型。
在本申请的一个或者多个实施例中，所述第一提取单元12用以提取所述第一类特征图的特征信息，包括：
将所述第一类特征提取层的特征平面进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征平面的特征信息。
在本申请的一个或者多个实施例中，所述第二提取单元13用以提取所述第二类特征图的特征信息，包括：
将至少第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
在本申请的一个或者多个实施例中，所述第二提取单元13将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
在本申请的一个或者多个实施例中所述第二提取单元13将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
在本申请的一个或者多个实施例中，所述第二提取单元13将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
在本申请的一个或者多个实施例中，所述任意三个第二类特征图为两两相邻的第二类特征图。
在本申请的一个或者多个实施例中，所述检测单元14用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
需要说明的是，本申请实施例中通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；提取所述第一类特征图的特征信息及所述第二类特征图的特征信息；根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；根据每一所述卷积层的权重值生成人脸检测模型。由于第一类特征提取层更靠前其特征平面的尺寸相对较大，可用于检测小人脸，通过对第一类特征图的特征信息的提取可提高检测小人脸的特征深度，进而实现了提高了小人脸检测能力的目的；通过采用卷积层合并的方式提高了***检测的召回率和准确率。
基于同一发明构思，图8为本发明提供的一种人脸检测***，包括：
处理单元21，用以基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
第一提取单元22，用以提取所述第一类特征图的特征信息；
第二提取单元23，用以提取所述第二类特征图的特征信息；
检测单元24，用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
在本申请的一个或者多个实施例中，所述第一提取单元22用以提取所述第一类特征图的特征信息，包括：
将所述第一类特征图进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征信息。
在本申请的一个或者多个实施例中，所述第二提取单元23提取所述第二类特征图的特征信息，包括：
将至少两个第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
在本申请的一个或者多个实施例中，所述第二提取单元23将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
在本申请的一个或者多个实施例中，所述第二提取单元23将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
在本申请的一个或者多个实施例中，所述第二提取单元23将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
在本申请的一个或者多个实施例中，所述任意三个第二类特征图为两两相邻的第二类特征图。
在本申请的一个或者多个实施例中，所述检测单元24用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据采用Soft-NMS模块将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
需要说明的是，本申请实施例中通过第二提取单元23将卷积层合并的方式提高了***检测的检测性能；利用Soft-NMS模块将人脸特征的位置坐标都合并在一起以生成人脸框的检测位置坐标提高了***检测的召回率和准确率。
基于同一发明构思，本发明提供了一种电子***，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行以下步骤：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
基于同一发明构思，本发明提供了一种计算机可读存储介质，包括与电子***结合使用的程序，程序可被处理器执行以完成以下步骤：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
基于同一发明构思，本发明提供了一种电子***，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行以下步骤：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
基于同一发明构思，本发明提供了一种计算机可读存储介质，包括与电子***结合使用的程序，程序可被处理器执行以完成以下步骤：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (36)
1.一种人脸检测方法，其特征在于，包括：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
2.根据权利要求1所述的人脸检测方法，其特征在于，提取所述第一类特征图的特征信息，包括：
将所述第一类特征图进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征信息。
3.根据权利要求1所述的人脸检测方法，其特征在于，提取所述第二类特征图的特征信息，包括：
将至少两个第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
4.根据权利要求3所述的人脸检测方法，其特征在于，将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
5.根据权利要求4所述的人脸检测方法，其特征在于，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
6.根据权利要求4所述的人脸检测方法，其特征在于，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
7.根据权利要求5所述的人脸检测方法，其特征在于，所述任意三个第二类特征图为两两相邻的第二类特征图。
8.根据权利要求1所述的人脸检测方法，其特征在于，根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
9.一种人脸检测方法，其特征在于，包括：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
10.根据权利要求9所述的人脸检测方法，其特征在于，提取所述第一类特征图的特征信息，包括：
将所述第一类特征图进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征信息。
11.根据权利要求9所述的人脸检测方法，其特征在于，提取所述第二类特征图的特征信息，包括：
将至少两个第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
12.根据权利要求11所述的人脸检测方法，其特征在于，将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
13.根据权利要求12所述的人脸检测方法，其特征在于，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
14.根据权利要求12所述的人脸检测方法，其特征在于，将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
15.根据权利要求13所述的人脸检测方法，其特征在于，所述任意三个第二类特征图为两两相邻的第二类特征图。
16.根据权利要求9所述的人脸检测方法，其特征在于，根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据采用Soft-NMS模块将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
17.一种人脸检测***，其特征在于，包括：
处理单元，用以通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
第一提取单元，用以提取所述第一类特征图的特征信息；
第二提取单元，用以提取所述第二类特征图的特征信息；
检测单元，用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
更新单元，用以根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
生成单元，用以根据每一所述卷积层的权重值生成人脸检测模型。
18.根据权利要求17所述的人脸检测***，其特征在于，所述第一提取单元用以提取所述第一类特征图的特征信息，包括：
将所述第一类特征提取层的特征平面进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征平面的特征信息。
19.根据权利要求17所述的人脸检测***，其特征在于，所述第二提取单元用以提取所述第二类特征图的特征信息，包括：
将至少第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
20.根据权利要求19所述的人脸检测***，其特征在于，所述第二提取单元将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
21.根据权利要求20所述的人脸检测***，其特征在于，所述第二提取单元将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
22.根据权利要求20所述的人脸检测***，其特征在于，所述第二提取单元将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
23.根据权利要求21所述的人脸检测***，其特征在于，所述任意三个第二类特征图为两两相邻的第二类特征图。
24.根据权利要求17所述的人脸检测***，其特征在于，所述检测单元用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
25.一种人脸检测***，其特征在于，包括：
处理单元，用以基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
第一提取单元，用以提取所述第一类特征图的特征信息；
第二提取单元，用以提取所述第二类特征图的特征信息；
检测单元，用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
26.根据权利要求25所述的人脸检测***，其特征在于，所述第一提取单元用以提取所述第一类特征图的特征信息，包括：
将所述第一类特征图进行压缩；
对经压缩后的第一类特征图进行卷积处理，以获取所述第一类特征图的特征信息。
27.根据权利要求25所述的人脸检测***，其特征在于，所述第二提取单元提取所述第二类特征图的特征信息，包括：
将至少两个第二类特征提取层对应的第二类特征图合并；
从合并后的第二类特征图中提取相应的特征信息。
28.根据权利要求27所述的人脸检测***，其特征在于，所述第二提取单元将至少两个第二类特征提取层对应的第二类特征图合并，包括：
对任意两个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理，将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并；或者
对任意两个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理，将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并。
29.根据权利要求28所述的人脸检测***，其特征在于，所述第二提取单元将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经反卷积处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸小于所述任意两个第二类特征图的特征平面尺寸；
其中在下采样处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较大的一个第二类特征图进行下采样处理。
30.根据权利要求28所述的人脸检测***，其特征在于，所述第二提取单元将至少三个第二类特征提取层对应的第二类特征图合并，包括：
在将反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并之后，还将合并的第二类特征图与经下采样处理的另一个第二类特征图进行再合并，所述另一个第二类特征图的特征平面尺寸大于所述任意两个第二类特征图的特征平面尺寸；
其中在反卷积处理得到的第二类特征图与所述任意两个第二类特征图中的另一个第二类特征图进行合并中，对任意三个第二类特征图中特征平面尺寸相对较小的一个第二类特征图进行反卷积处理。
31.根据权利要求29所述的人脸检测***，其特征在于，
所述任意三个第二类特征图为两两相邻的第二类特征图。
32.根据权利要求25所述的人脸检测***，其特征在于，所述检测单元用以根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐，包括：
根据所述第一类特征图与所述样本图片的映射关系，获取所述第一类特征图的特征信息在所述样本图片中的第一位置信息；
根据所述第二类特征图与所述样本图片的映射关系，获取所述第二类特征图的特征信息在所述样本图片中的第二位置信息；
根据所述第一位置信息对应的得分数据与所述第二位置信息对应的得分数据采用Soft-NMS模块将所述第一位置信息与所述第二位置信息进行合并，以获取人脸框的检测位置坐标。
33.一种电子***，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行以下步骤：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
34.一种计算机可读存储介质，包括与电子***结合使用的程序，程序可被处理器执行以完成以下步骤：
通过至少两层网络结构对输入的至少一个样本图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述样本图片中对应的位置坐标获取人脸框的检测位置坐标；
根据末位卷积层对应的特征图与目标图像的匹配度更新每一所述卷积层的权重值，所述末位卷积层为位于所述至少两层网络结构中末端输出层的卷积层；
根据每一所述卷积层的权重值生成人脸检测模型。
35.一种电子***，包括至少一个处理器及存储器，所述存储器存储有程序，并且被配置成由至少一个所述处理器执行以下步骤：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
36.一种计算机可读存储介质，包括与电子***结合使用的程序，程序可被处理器执行以完成以下步骤：
基于人脸检测模型通过至少两层网络结构对输入的待检测图片进行卷积处理，得到与至少两层网络结构的至少两个卷积层对应的至少两个特征图，所述至少两个卷积层包括至少一个第一类特征提取层和至少一个第二类特征提取层，与所述第一类特征提取层对应的特征图为第一类特征图，与所述第二类特征提取层对应的特征图为第二类特征图，其中所述第一类特征提取层位于所述第二类特征提取层之前；
提取所述第一类特征图的特征信息；
提取所述第二类特征图的特征信息；
根据所述第一类特征图的特征信息及第二类特征图的特征信息在所述待检测图片中对应的位置坐标获取人脸框的检测位置坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810506447.4A CN108921017B (zh) | 2018-05-24 | 2018-05-24 | 人脸检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810506447.4A CN108921017B (zh) | 2018-05-24 | 2018-05-24 | 人脸检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108921017A true CN108921017A (zh) | 2018-11-30 |
| CN108921017B CN108921017B (zh) | 2021-05-18 |
Family
ID=64403533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810506447.4A Active CN108921017B (zh) | 2018-05-24 | 2018-05-24 | 人脸检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108921017B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800770A (zh) * | 2018-12-28 | 2019-05-24 | 广州海昇计算机科技有限公司 | 一种实时目标检测的方法、***及装置 |
| CN110495962A (zh) * | 2019-08-26 | 2019-11-26 | 赫比（上海）家用电器产品有限公司 | 监测牙刷位置的方法及其牙刷和设备 |
| WO2020134528A1 (zh) * | 2018-12-29 | 2020-07-02 | 深圳云天励飞技术有限公司 | 目标检测方法及相关产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778448A (zh) * | 2015-03-24 | 2015-07-15 | 孙建德 | 一种基于结构自适应卷积神经网络的人脸识别方法 |
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| CN106709532A (zh) * | 2017-01-25 | 2017-05-24 | 京东方科技集团股份有限公司 | 图像处理方法和装置 |
| CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
| US20180032857A1 (en) * | 2015-10-07 | 2018-02-01 | Intel Corporation | Method and Apparatus for Performing Different Types of Convolution Operations with the Same Processing Elements |
| CN107657204A (zh) * | 2016-07-25 | 2018-02-02 | 中国科学院声学研究所 | 深层网络模型的构建方法及人脸表情识别方法和*** |
-
2018
- 2018-05-24 CN CN201810506447.4A patent/CN108921017B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104778448A (zh) * | 2015-03-24 | 2015-07-15 | 孙建德 | 一种基于结构自适应卷积神经网络的人脸识别方法 |
| US20180032857A1 (en) * | 2015-10-07 | 2018-02-01 | Intel Corporation | Method and Apparatus for Performing Different Types of Convolution Operations with the Same Processing Elements |
| CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
| CN107657204A (zh) * | 2016-07-25 | 2018-02-02 | 中国科学院声学研究所 | 深层网络模型的构建方法及人脸表情识别方法和*** |
| CN106709532A (zh) * | 2017-01-25 | 2017-05-24 | 京东方科技集团股份有限公司 | 图像处理方法和装置 |
| CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
Non-Patent Citations (4)
| Title |
|---|
| ALEXEY DOSOVITSKIY等: ""FlowNet: Learning Optical Flow with Convolutional Networks"", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION (ICCV)》 * |
| GOLNAZ GHIASI等: ""Laplacian Pyramid Reconstruction and Refinement for Semantic Segmentation"", 《HTTPS://ARXIV.ORG/ABS/1605.02264》 * |
| JIMMY REN等: ""Accurate Single Stage Detector Using Recurrent Rolling Convolution"", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
| 侯聪聪等: ""基于二分支卷积单元的深度卷积神经网络"", 《激光与光电子学进展》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109800770A (zh) * | 2018-12-28 | 2019-05-24 | 广州海昇计算机科技有限公司 | 一种实时目标检测的方法、***及装置 |
| WO2020134528A1 (zh) * | 2018-12-29 | 2020-07-02 | 深圳云天励飞技术有限公司 | 目标检测方法及相关产品 |
| CN110495962A (zh) * | 2019-08-26 | 2019-11-26 | 赫比（上海）家用电器产品有限公司 | 监测牙刷位置的方法及其牙刷和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108921017B (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733749B (zh) | 融合注意力机制的实时行人检测方法 | |
| CN110647817B (zh) | 基于MobileNet V3的实时人脸检测方法 | |
| CN112801169B (zh) | 一种基于改进yolo算法的伪装目标检测方法、***、装置及存储介质 | |
| CN111553406A (zh) | 基于改进yolo-v3的目标检测***、方法及终端 | |
| CN111046964B (zh) | 一种基于卷积神经网络的人和车辆红外热图像识别方法 | |
| CN110619352A (zh) | 基于深度卷积神经网络的典型红外目标分类方法 | |
| CN109919085B (zh) | 基于轻量型卷积神经网络的人人交互行为识别方法 | |
| CN108921017A (zh) | 人脸检测方法及*** | |
| CN113592007B (zh) | 一种基于知识蒸馏的不良图片识别***、方法、计算机及存储介质 | |
| CN112560710B (zh) | 一种用于构建指静脉识别***的方法及指静脉识别*** | |
| CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
| CN115966010A (zh) | 一种基于注意力和多尺度特征融合的表情识别方法 | |
| CN111582091A (zh) | 基于多分支卷积神经网络的行人识别方法 | |
| CN116071676A (zh) | 一种基于注意力导向金字塔融合的红外小目标检测方法 | |
| CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| CN111815680A (zh) | 基于恒等快捷映射的深层卷积神经网络自动层位追踪方法 | |
| CN113221731B (zh) | 一种多尺度遥感图像目标检测方法及*** | |
| CN115376010A (zh) | 一种高光谱遥感影像分类方法 | |
| CN112749576B (zh) | 图像识别方法和装置、计算设备以及计算机存储介质 | |
| CN113344110A (zh) | 一种基于超分辨率重建的模糊图像分类方法 | |
| CN117173422A (zh) | 基于图融合多尺度特征学习的细粒度图像识别方法 | |
| CN111582057A (zh) | 一种基于局部感受野的人脸验证方法 | |
| Haque et al. | Multi scale object detection based on single shot multibox detector with feature fusion and inception network | |
| Li et al. | Data-specific activation function learning for hyperspectral image classification | |
| CN113723352B (zh) | 一种文本检测方法、***、存储介质及电子设备 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210416 Address after: 215123 unit 2-b702, creative industry park, No. 328, Xinghu street, Suzhou Industrial Park, Suzhou City, Jiangsu Province Applicant after: SUZHOU FEISOU TECHNOLOGY Co.,Ltd. Address before: 100876 Beijing, Haidian District, 10 West Road, Beijing, 12 Beijing, North Post Science and technology exchange center, room 1216 Applicant before: BEIJING FEISOU TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |