CN109190442B - 一种基于深度级联卷积神经网络的快速人脸检测方法 - Google Patents

一种基于深度级联卷积神经网络的快速人脸检测方法 Download PDF

Info

Publication number
CN109190442B
CN109190442B CN201810668102.9A CN201810668102A CN109190442B CN 109190442 B CN109190442 B CN 109190442B CN 201810668102 A CN201810668102 A CN 201810668102A CN 109190442 B CN109190442 B CN 109190442B
Authority
CN
China
Prior art keywords
network
neural network
image
layer
stage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810668102.9A
Other languages
English (en)
Other versions
CN109190442A (zh
Inventor
杨波
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.)
Zhejiang Xinmai Microelectronics Co ltd
Original Assignee
Hangzhou Xiongmai Integrated Circuit 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 Hangzhou Xiongmai Integrated Circuit Technology Co Ltd filed Critical Hangzhou Xiongmai Integrated Circuit Technology Co Ltd
Priority to CN201810668102.9A priority Critical patent/CN109190442B/zh
Publication of CN109190442A publication Critical patent/CN109190442A/zh
Application granted granted Critical
Publication of CN109190442B publication Critical patent/CN109190442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

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

Abstract

本发明公开的是一种基于深度级联卷积神经网络的快速人脸检测方法，包括创建人脸数据集、组建深度级联卷积神经网络、测试网络模型，使用正负样本组成训练集和验证集，以训练所述深度级联卷积神经网络进行深度学习，在所述深度学习过程中加入性别分类辅助任务，同时采取微调训练；同时对训练方法和网络结构进行优化；本发明基于深度级联卷积神经网络，通过对卷积层的优化改进增加网络深度，并且改进级联网络的级联方式，从而大大降低了网络的计算量，提高了检测速度，同时引入辅助任务训练和微调训练阶段的在线难负样本挖掘方法，提高了网络的分类准确率，降低了误检率，能保证该方法在实际应用中的检测速度和准确率。

Description

一种基于深度级联卷积神经网络的快速人脸检测方法
技术领域
本发明涉及人脸检测领域，特别地，涉及一种基于深度级联卷积神经网络的快速人脸检测方法。
背景技术
人脸检测(Face detection)在人脸图像分析中起着重要作用，是计算机视觉中的一个基本问题。各种基于人脸的实际应用，尤其是在无控制的环境中，人脸角度、尺度、背景和曝光变化很大，都依赖于准确快速的人脸检测。
随着卷积神经网络(convolutional neural networks,CNNs)在诸如图像分类和物体检测等计算机视觉任务中取得了显著的进步，在图像领域，基于CNNs的深度学习方法比传统方法在解决各种视觉问题上有显著的提高。
深度学习方法与传统方法的最大不同在于它所使用的特征是从海量数据中学习得到，而传统方法一般使用的是手工特征，因此在复杂多变的场景中传统方法很难满足实际的应用需求。
在传统人脸检测方法中，效果显著的有deformable part models(DPM)方法，但是该方法在训练阶段事先需要进行大量的手工特征提取，在测试阶段也需要较大的计算代价，而且在复杂不可控的环境中检测效果较差。在使用深度学习方法的人脸检测算法中大多借鉴Faster R-CNN系列框架来进行人脸检测，还有些更深的残差网络(ResNet)应用到人脸检测中，这些方法虽然都取得了显著的效果，但是计算量大，模型文件太大，一般很难在实际产品中使用，特别是难以集成到硬件前端比如低端CPU上，网络结构太复杂也不利于硬件加速优化。
发明内容
本发明针对以上缺点，提供一种基于深度级联卷积神经网络的快速人脸检测方法，以解决现有方法集成到硬件成本高、检测速度慢的问题，具有检测准确率高，鲁棒性能良好，网络结构简单等优点。
为了实现上述目的，本发明是通过以下技术方案实现的：
一种基于深度级联卷积神经网络的快速人脸检测方法，包括创建人脸数据集、组建深度级联卷积神经网络、测试网络模型，所述人脸数据集对人脸图像进行标注，使用多级金字塔缩放方法对人脸图像进行窗口滑动，将窗口与人脸矩形框的图像交并比IOU大于等于0.7的窗口图像设置为正样本，图像交并比IOU小于0.3的窗口图像设置为负样本，使用正负样本组成训练集和验证集，以训练所述深度级联卷积神经网络进行深度学习，在所述深度学习过程中加入性别分类辅助任务，同时采取微调训练；所述深度级联卷积神经网络包括至少三级级联卷积网络，第一级网络特征层和第二级网络特征层进行级联，第三级网络为单独网络并不和第二级网络级联，所述每一级网络都为全卷积网络包括多个卷积层和池化层，所述卷积层包括两个1x1的卷积层和一个3x3的卷积层。
优选的，所述深度级联卷积神经网络为三级全卷积网络，其中：
第一级卷积神经网络采用12x12x3大小的图像作为输入，由48x48x3的图像进行两次2x2的均值池化得到，其最后一个特征层的大小为1x1x20，其后使用不同的1x1的卷积层作为不同任务的输出层；
第二级卷积神经网络采用24x24x3大小的图像作为输入，由48x48x3的图像进行一次2x2的均值池化得到，其最后一个特征层的大小为1x1x144，再将该特征层和第一级网络特征层进行级联，形成1x1x164大小的级联层作为联合特征层，其后使用不同的1x1的卷积层作为不同任务的输出层；
第三级卷积神经网络采用48x48x3大小的图像作为输入，其最后一个特征层的大小为1x1x512，其后使用不同的1x1的卷积层作为不同任务的输出层。
优选的，每一级网络的最后一个卷积层为特征层，其后并使用1x1的卷积层代替全连接层作为输出层。
优选的，所述微调训练采用在线难负样本挖掘方法，在每个批次处理训练梯度更新时，对各个样本的损失值进行递减排序，只对前设定阈值比例的样本进行梯度更新，忽略损失值低的简单负样本。
优选的，在深度学***滑损失函数SmoothL1Loss，总的损失函数为各个任务的损失函数通过不同的权重加权求和，其中性别属性分类任务属于辅助任务，其损失函数在各级网络总损失函数中的权重并不相同。
优选的，人脸分类为二分类，性别属性分类为三分类。
优选的，所述人脸数据集对人脸图像进行标注包括人脸矩形框坐标、性别属性。
有益效果：本发明基于深度级联卷积神经网络，通过对卷积层的优化改进增加网络深度，并且改进级联网络的级联方式，从而大大降低了网络的计算量，提高了检测速度，同时引入辅助任务训练和微调训练阶段的在线难负样本挖掘方法，提高了网络的分类准确率，降低了误检率，能保证该方法在实际应用中的检测速度和准确率。
附图说明
图1是基于深度级联卷积神经网络的人脸检测示意流程图。
图2是本发明深度级联卷积网络的网络结构示意图。
图3是本发明对卷积层的优化改进示意图。
具体实施方式
以下结合说明书附图，对本发明作进一步说明，但本发明并不局限于以下实施例。
本发明根据图1-图3所述的一种基于深度级联卷积神经网络的快速人脸检测方法，包括创建人脸数据集、组建深度级联卷积神经网络、测试网络模型。用Wider Face数据集和CelebA数据集以及收集的人脸数据集作为人脸数据集，其中80％为训练数据，20％为测试数据。使用多级金字塔缩放方法和48x48的滑动窗口对训练数据中的人脸图像进行滑动，将滑动窗口与人脸矩形框的IOU(滑动窗口与人脸矩形框的重叠面积占二者总面积的比例)大于等于0.7的窗口图像设置为正样本，IOU小于0.3的窗口图像设置为负样本，其中包含部分人脸图像IOU大于0且小于0.3和背景图像IOU小于等于0。将正负样本分为训练集和验证集，其中训练集用于训练模型，验证集则用于训练过程中验证模型的泛化能力。
对上述的训练集和验证集进行标签标注，人脸分类任务为二分类任务，人脸性别属性分类为三分类，人脸区域位置回归的值为[tx，ty，tw，th]，其中tx，ty为滑动窗口中心点x或y轴坐标值与人脸矩形框中心点x或y轴坐标值比值的log对数，tw，th为滑动窗口宽或高与人脸矩形框宽或高比值的log对数。
如图2所示的三级级联卷积神经网络的结构，三级级联卷积神经网络中的每一级网络都是全卷积网络，包括若干个卷积层和池化层，每一级网络最后一个卷积层为特征层，其后使用1x1卷积层代替全连接层作为输出层，这样不仅可以有利于后续算法的加速优化，而且保留了分类概率输出层到输入层的位置映射能力，这样大大简化了人脸检测过程。
三级级联卷积网络的第一级网络特征层和第二级网络特征层进行级联，第三级网络为单独网络并不和第二级网络级联，第一级网络和第二级网络主要是为了提高人脸检测分类的准确率和降低误检率，第三级网络主要是为了提高人脸检测框的定位精度。为了进一步优化人脸检测速度，第三级网络为单独网络不与第二级网络进行级联，这样在保证检测效果的前提下使得第三级网络的计算量相对于级联方式大大降低。
作为进一步优化，第一级卷积神经网络采用12x12x3大小的图像作为输入，由48x48x3的图像进行两次2x2的均值池化得到，其最后一个特征层的大小为1x1x20，其后使用不同的1x1的卷积层作为不同任务的输出层；
第二级卷积神经网络采用24x24x3大小的图像作为输入，由48x48x3的图像进行一次2x2的均值池化得到，其最后一个特征层的大小为1x1x144，再将该特征层和第一级网络特征层进行级联，形成1x1x164大小的级联层作为联合特征层，其后使用不同的1x1的卷积层作为不同任务的输出层；
第三级卷积神经网络采用48x48x3大小的图像作为输入，其最后一个特征层的大小为1x1x512，其后使用不同的1x1的卷积层作为不同任务的输出层。
具体地，训练集数据图像大小为48x48x3，将其作为第三级网络的输入，为了进一步提高检测速度，方便算法移植到硬件平台上进行加速优化，将第三级网络输入进行一次2x2的均值池化得到大小24x24x3的图像作为第二级网络的输入，再将第二级网络输入进行一次2x2的均值池化得到大小12x12x3的图像作为第一级网络的输入。这是因为在实际应用中图像的池化操作速度比Resize操作快，而且容易进行算法的加速优化。
在训练过程中，为了提高第一、二级网络的分类准确率，引入性别属性分类辅助任务，通过多任务学习挖掘两个任务之间的相关性，提高网络的泛化能力，防止训练出现过拟合，辅助任务损失值在各级网络总损失值中的权重并不相同；每一级网络的训练分为常规训练和微调训练，常规训练中每一个批处理训练后学习速率都会进行衰减，在微调训练中多个批处理训练的学习速率都是固定的，完成多个批次训练后才衰减一次，微调训练阶段引入在线难负样本挖掘方法，在每个批处理训练梯度更新时，对各个样本的损失值进行递减排序，只对前设定阈值比例的样本进行梯度更新，忽略损失值低的简单样本，使网络重点关注难负样本的分类识别，使用该方法能有效的降低网络的误检率。采用这种训练方式，能进一步提高分类准确率和检测效果。
为了进一步降低网络计算量，优化检测速度，本发明对卷积方式进行优化改进，在保证性能不下降的前提下，使用两个1x1的卷积层和一个3x3的卷积层代替一个3x3的卷积层，具体方法如图3所示，这样增加了网络的深度也降低了网络的计算量。
本发明的多级级联网络采用多任务学习联合训练的方式，人脸分类和性别属性分类都采用交叉熵损失函数，其公式如下：
Figure BDA0001708295440000061
其中，p(i)表示第i个样本是人脸的概率，y(i)表示表示第i个样本是人脸的真实概率，其值为0或1，m表示样本数量。
对于人脸区域位置回归任务采用平滑损失函数(SmoothL1Loss)，其公式如下：
Figure BDA0001708295440000062
Figure BDA0001708295440000063
其中，tu表示预测的回归值，υ表示真实的回归值。
采用多任务联合训练的方式，其中性别属性分类任务属于辅助任务，总的损失函数为：
L＝αclsLcls+βgclsLgcls+γlocLloc (4)
其中，αcls，βgcls，γloc为各个任务损失值的权重，在每一级网络训练中，各个任务的权重值也不相同，每一级网络的侧重点体现在各个任务损失值在总的损失值中的权重，在第一、二级网络中主要任务是提高网络分类精度，降低误检，第三级网络主要是提高人脸回归框的定位精度。
利用训练好的多级级联卷积神经网络对测试数据进行人脸检测测试，对于一张任意大小需要检测的图像，首先对其进行多级金字塔缩放，将每一级金字塔图像作为第一级网络的输入，通过将第一级网络的人脸分类输出概率层映射到输入层结合回归层位置信息得到人脸区域候选框，再将得到的人脸区域候选框Resize为24x24大小的图像输入到第二级网络中，再次进行分类判断降低误检和区域位置定位校准，然后再次将第二级网络得到的人脸区域候选框Resize为48x48大小的图像输入到第三级网络中，进行更精确的人脸区域位置定位校准和降低误检，最后得到最终的人脸检测候选框。
为了进一步降低人脸区域候选框的个数，对人脸分类输出概率图进行尺度不变的2x2最大值池化操作，只保留2x2窗口内概率最大值，将窗口内其他概率值设置为0，采用这种方式不仅可以降低重叠人脸区域候选框的个数，而且相比非极大值抑制方法(Non-Maximum suppression,NMS)方法速度上也有较大的提升。
为了进一步降低误检率，引入性别属性辅助任务，将人脸分类输出概率与性别属性分类概率结合，可以进一步降低误检，因为性别属性分类任务也可以判断当前人脸候选框是人脸(有性别)还是背景(无性别)，可以有效解决模型过拟合带来的误检问题。
最后，需要注意的是，本发明不限于以上实施例，还可以有很多变形。本领域的普通技术人员能从本发明公开的内容中直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (5)

1.一种基于深度级联卷积神经网络的快速人脸检测方法，包括创建人脸数据集、组建深度级联卷积神经网络、测试网络模型，其特征在于：所述人脸数据集对人脸图像进行标注，使用多级金字塔缩放方法对人脸图像进行窗口滑动，将窗口与人脸矩形框的图像交并比IOU大于等于0 .7的窗口图像设置为正样本，图像交并比IOU小于0 .3的窗口图像设置为负样本，使用正负样本组成训练集和验证集，以训练所述深度级联卷积神经网络进行深度学习，在所述深度学习过程中加入性别分类辅助任务，同时采取微调训练；所述深度级联卷积神经网络包括至少三级级联卷积网络，第一级网络特征层和第二级网络特征层进行级联，第三级网络为单独网络并不和第二级网络级联，所述每一级网络都为全卷积网络包括多个卷积层和池化层，所述卷积层包括两个1x1的卷积层和一个3x3的卷积层；
每一级网络的最后一个卷积层为特征层，其后并使用1x1的卷积层代替全连接层作为输出层；
在深度学***滑损失函数SmoothL1Loss，总的损失函数为各个任务的损失函数通过不同的权重加权求和，其中性别属性分类任务属于辅助任务，被引入第一级网络和第二级网络，其损失函数在各级网络总损失函数中的权重并不相同。
2.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述深度级联卷积神经网络为三级全卷积网络，其中：
第一级卷积神经网络采用12x12x3大小的图像作为输入，由48x48x3的图像进行两次2x2的均值池化得到，其最后一个特征层的大小为1x1x20，其后使用不同的1x1的卷积层作为不同任务的输出层；第二级卷积神经网络采用24x24x3大小的图像作为输入，由48x48x3的图像进行一次2x2的均值池化得到，其最后一个特征层的大小为1x1x144，再将该特征层和第一级网络特征层进行级联，形成1x1x164大小的级联层作为联合特征层，其后使用不同的1x1的卷积层作为不同任务的输出层；第三级卷积神经网络采用48x48x3大小的图像作为输入，其最后一个特征层的大小为1x1x512，其后使用不同的1x1的卷积层作为不同任务的输出层。
3.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述微调训练采用在线难负样本挖掘方法，在每个批次处理训练梯度更新时，对各个样本的损失值进行递减排序，只对前设定阈值比例的样本进行梯度更新，忽略损失值低的简单负样本。
4.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：人脸分类为三分类，性别属性分类为二分类。
5.根据权利要求1所述的一种基于深度级联卷积神经网络的快速人脸检测方法，其特征在于：所述人脸数据集对人脸图像进行标注包括人脸矩形框坐标、性别属性。
CN201810668102.9A 2018-06-26 2018-06-26 一种基于深度级联卷积神经网络的快速人脸检测方法 Active CN109190442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810668102.9A CN109190442B (zh) 2018-06-26 2018-06-26 一种基于深度级联卷积神经网络的快速人脸检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810668102.9A CN109190442B (zh) 2018-06-26 2018-06-26 一种基于深度级联卷积神经网络的快速人脸检测方法

Publications (2)

Publication Number Publication Date
CN109190442A CN109190442A (zh) 2019-01-11
CN109190442B true CN109190442B (zh) 2021-07-06

Family

ID=64948531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810668102.9A Active CN109190442B (zh) 2018-06-26 2018-06-26 一种基于深度级联卷积神经网络的快速人脸检测方法

Country Status (1)

Country Link
CN (1) CN109190442B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919245B (zh) * 2019-03-18 2021-08-31 北京市商汤科技开发有限公司 深度学习模型训练方法及装置、训练设备及存储介质
CN110135456A (zh) * 2019-04-08 2019-08-16 图麟信息科技（上海）有限公司 一种目标检测模型的训练方法及装置
CN111860077A (zh) * 2019-04-30 2020-10-30 北京眼神智能科技有限公司 人脸检测方法、装置、计算机可读存储介质及设备
CN110147755B (zh) * 2019-05-16 2023-03-24 珠海华园信息技术有限公司 基于上下文级联cnn的人头检测方法
CN110236530A (zh) * 2019-06-20 2019-09-17 武汉中旗生物医疗电子有限公司 一种心电信号qrs波群定位方法、装置及计算机存储介质
CN110516535A (zh) * 2019-07-12 2019-11-29 杭州电子科技大学 一种基于深度学习的老鼠活跃度检测方法和***、及卫生评估方法
CN113673272B (zh) * 2020-05-13 2023-04-28 北京君正集成电路股份有限公司 一种基于宠物检测的双层标注二级级联计算损失值的方法
CN113673271B (zh) * 2020-05-13 2023-04-28 北京君正集成电路股份有限公司 一种基于宠物检测的双层标注计算二级损失的方法
CN112085126B (zh) * 2020-09-30 2023-12-12 浙江大学 一种侧重于分类任务的单样本目标检测方法
CN112381014A (zh) * 2020-11-19 2021-02-19 城云科技（中国）有限公司 一种基于城市道路的违停车辆检测及管理方法及***
CN112668465A (zh) * 2020-12-25 2021-04-16 秒影工场(北京)科技有限公司 一种基于多级cnn的影片人脸提取的方法
CN112560876B (zh) * 2021-02-23 2021-05-11 中国科学院自动化研究所 解耦度量的单阶段小样本目标检测方法
CN113343770B (zh) * 2021-05-12 2022-04-29 武汉大学 一种基于特征筛选的人脸防伪方法
CN115100249B (zh) * 2022-06-24 2023-08-04 王世莉 一种基于目标跟踪算法的智慧工厂监控***
CN114979088B (zh) * 2022-07-05 2024-04-30 颜青 一种基于智能辅助***心理咨询方法和***
CN117648015A (zh) * 2024-01-30 2024-03-05 西北大学 基于多级神经网络的光伏水泵最大功率点预测***及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824054A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联深度神经网络的人脸属性识别方法
CN106886755A (zh) * 2017-01-19 2017-06-23 北京航空航天大学 一种基于交通标志识别的交叉口车辆违章检测***
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107392182A (zh) * 2017-08-17 2017-11-24 宁波甬慧智能科技有限公司 一种基于深度学习的人脸采集识别方法及装置
CN108171752A (zh) * 2017-12-28 2018-06-15 成都阿普奇科技股份有限公司 一种基于深度学习的海面船只视频检测与跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103824054A (zh) * 2014-02-17 2014-05-28 北京旷视科技有限公司 一种基于级联深度神经网络的人脸属性识别方法
CN106886755A (zh) * 2017-01-19 2017-06-23 北京航空航天大学 一种基于交通标志识别的交叉口车辆违章检测***
CN107239736A (zh) * 2017-04-28 2017-10-10 北京智慧眼科技股份有限公司 基于多任务级联卷积神经网络的人脸检测方法及检测装置
CN107392182A (zh) * 2017-08-17 2017-11-24 宁波甬慧智能科技有限公司 一种基于深度学习的人脸采集识别方法及装置
CN108171752A (zh) * 2017-12-28 2018-06-15 成都阿普奇科技股份有限公司 一种基于深度学习的海面船只视频检测与跟踪方法

Also Published As

Publication number Publication date
CN109190442A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN109190442B (zh) 一种基于深度级联卷积神经网络的快速人脸检测方法
CN111126472B (zh) 一种基于ssd改进的目标检测方法
CN110796186A (zh) 基于改进的YOLOv3网络的干湿垃圾识别分类方法
CN108564129B (zh) 一种基于生成对抗网络的轨迹数据分类方法
WO2019179403A1 (zh) 基于序列宽深学习的欺诈交易检测方法
CN109101938B (zh) 一种基于卷积神经网络的多标签年龄估计方法
CN107392919B (zh) 基于自适应遗传算法的灰度阈值获取方法、图像分割方法
CN110288017B (zh) 基于动态结构优化的高精度级联目标检测方法与装置
CN106372624B (zh) 人脸识别方法及***
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN110543906B (zh) 基于Mask R-CNN模型的肤质自动识别方法
KR102593835B1 (ko) 휴리스틱 가우스 클라우드 변환에 기반하는 얼굴인식 기술
CN114565048A (zh) 基于自适应特征融合金字塔网络的三阶段害虫图像识别方法
CN112949704A (zh) 一种基于图像分析的烟叶成熟度状态识别方法及装置
CN111539444A (zh) 一种修正式模式识别及统计建模的高斯混合模型方法
CN112364974B (zh) 一种基于激活函数改进的YOLOv3算法
CN109685823B (zh) 一种基于深度森林的目标跟踪方法
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN113505120B (zh) 一种大规模人脸数据集的双阶段噪声清洗方法
CN109508670B (zh) 一种基于红外摄像头的静态手势识别方法
CN108428234B (zh) 基于图像分割结果评价的交互式分割性能优化方法
CN111783688B (zh) 一种基于卷积神经网络的遥感图像场景分类方法
CN111126173A (zh) 一种高精度人脸检测方法
CN115376195A (zh) 训练多尺度网络模型的方法及人脸关键点检测方法
CN111832475B (zh) 一种基于语义特征的人脸误检筛除方法

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
CB02 Change of applicant information

Address after: 311400 4th floor, building 9, Yinhu innovation center, No. 9, Fuxian Road, Yinhu street, Fuyang District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou xiongmai integrated circuit technology Co.,Ltd.

Address before: 311422 four floor, 9 floor, Silver Lake innovation centre, 9 Fu Fu Road, Fuyang Lake District, Hangzhou, Zhejiang.

Applicant before: HANGZHOU XIONGMAI INTEGRATED CIRCUIT TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Fast Face Detection Method Based on Deep Cascaded Convolutional Neural Network

Effective date of registration: 20230308

Granted publication date: 20210706

Pledgee: Fuyang sub branch of Bank of Hangzhou Co.,Ltd.

Pledgor: Hangzhou xiongmai integrated circuit technology Co.,Ltd.

Registration number: Y2023330000470

PE01 Entry into force of the registration of the contract for pledge of patent right
CP03 Change of name, title or address

Address after: 311422 4th floor, building 9, Yinhu innovation center, 9 Fuxian Road, Yinhu street, Fuyang District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Xinmai Microelectronics Co.,Ltd.

Address before: 311400 4th floor, building 9, Yinhu innovation center, No.9 Fuxian Road, Yinhu street, Fuyang District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou xiongmai integrated circuit technology Co.,Ltd.

CP03 Change of name, title or address