CN109829427B - 一种基于纯度检测和空间注意力网络的人脸聚类方法 - Google Patents
一种基于纯度检测和空间注意力网络的人脸聚类方法 Download PDFInfo
- Publication number
- CN109829427B CN109829427B CN201910097235.XA CN201910097235A CN109829427B CN 109829427 B CN109829427 B CN 109829427B CN 201910097235 A CN201910097235 A CN 201910097235A CN 109829427 B CN109829427 B CN 109829427B
- Authority
- CN
- China
- Prior art keywords
- cluster
- face
- distance
- clustering
- face image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于纯度检测和空间注意力网络的人脸聚类方法。首先获取人脸识别数据集,训练空间注意力网络,对待聚类的所有人脸图像提取深度特征;接着构造距离矩阵,计算初始聚类结果;然后对每个聚类簇进行纯度检测,过滤掉不属于该类别的人脸图像,并删除不符合条件的聚类簇;最后对过滤后的聚类簇通过空间注意力网络提取集合特征,计算聚类簇之间的距离并不断融合得到最终结果。本发明能够改善人脸聚类的效果。
Description
技术领域
本发明涉及模式识别与计算机视觉领域,特别是一种基于纯度检测和空间注意力网络的人脸聚类方法。
背景技术
随着互联网与大数据的发展,网络上的图片与视频信息呈***式增长,人脸图像作为最常见的类别,含有大量丰富的数据。人脸识别作为计算机视觉领域的热门研究方向,有大量的学者进行研究。当前基于深度学习的人脸识别方法,都需要有大量有标注的数据进行模型的训练,然而对海量数据的标注需要花费大量的财力物力,如何从大量无标注的人脸数据进行聚类分析得到有价值的信息并辅助数据集的构建也是当前一个研究热点问题。
人脸聚类的目标是希望通过聚类方法将大量无标注的人脸图像数据按人物的身份进行归类,并能自动挖掘图片集中含有的人物数量,其在人脸数据分析中占用重要的地位,但在无约束条件下,由于光照、姿态、年龄、遮挡等因素,同一个人类内变化较大,导致聚类结果准确率较低。
发明内容
本发明的目的在于提供一种基于纯度检测和空间注意力网络的人脸聚类方法,改善人脸聚类的效果。
为实现上述目的,本发明的技术方案是:一种基于纯度检测和空间注意力网络的人脸聚类方法,按照如下步骤实现:
步骤S1、获取人脸识别数据集,训练空间注意力网络,对待聚类的所有人脸图像提取深度特征;
步骤S2、构造距离矩阵,计算初始聚类结果;
步骤S3、对每个聚类簇进行纯度检测,过滤掉不属于相应聚类簇类别的人脸图像,并删除不符合条件的聚类簇;
步骤S4、对过滤后的聚类簇通过空间注意力网络提取集合特征,计算聚类簇之间的距离并不断融合得到最终结果。
在本发明一实施例中,所述步骤S1,具体包括以下步骤:
步骤S11、采用人脸识别数据集,进行人脸对齐完成数据预处理;
步骤S12、训练空间注意力网络,采用孪生神经网络结构,即采用两个共享权重的子网络构成,每个子网络由主干网络、空间注意力模块和深度特征抽取模块构成;其中,
主干网络为浅层的全卷积神经网络,用于对输入的人脸图像提取中层特征,令X={xi},i=1,2,...B表示输入的人脸图像集合,其中,xi表示第i个输入图像,令G(·)表示主干网络的映射函数,则O=G(X),其中,O={oi}表示中层特征,oi=G(xi)表示xi的中层特征,由输出的中层特征产生两个分支,一个分支为空间注意力模块,另一个分支为深度特征抽取模块;
深度特征抽取模块由多个卷积层与最大池化层堆叠而成,完成对输入的每一张人脸图像进行特征提取,令H(·)表示深度特征抽取模块的映射函数,则对输入xi有fi=H(G(xi)),其中,fi表示第i个输入图像的深度特征;
空间注意力模块为一个小型的卷积神经网络,用于对人脸图像的不同区域赋予不同的关注度,其含有三个卷积层和一个全局平均池化层,最后一个卷积层的卷积核大小为1×1,且只含有一个输出通道,对于第二个卷积层输出的特征图,其各个部分对应于原人脸图像不同空间区域的局部感受野,不同通道特征图的同一位置对应原人脸图像同一区域的不同特征,利用1×1卷积核的特性,对不同通道特征图的同一位置进行加权融合,得到关于原人脸图像不同区域的重要程度,最后使用全局平局池化层以及sigmoid函数得到输入人脸图像归一化后的分数si,代表该人脸图像识别的难易程度,其中,si表示输入的第i个人脸图像xi对应的分数;
步骤S13、对空间注意力模块的输出si和深度特征抽取模块的输出fi进行加权融合,根据集合中每张人脸图像识别的难易程度,降低模糊、遮挡等难以识别的图像的注意力,增强清晰、无遮挡等容易识别的图像的关注度,其计算方式如下:
其中,u代表整个输入图像集合的一个深度特征;
步骤S14、在训练阶段,输入为两个人脸图像集合,令X1表示输入的第一个人脸图像集合,X2表示输入的第二个人脸图像集合,Y={0,1}表示对应的标签,若两个人脸集合为同一身份则Y=1,否则Y=0,采用对比损失作为监督信号进行训练,其表示如下:
Loss=YD2(u1,u2)+(1-Y)max(m-D(u1,u2),0)2
其中,Loss为对比损失,D(u1,u2)=||u1-u2||2表示两个集合特征之间的欧式距离,u1与u2分别表示空间注意力网络输出的两个集合特征,m表示不同身份的集合特征之间的间距,为超参数
在本发明一实施例中,在所述步骤S2中,通过如下步骤计算初始聚类结果:
步骤S21、令N表示待聚类的人脸图像数量,构造N×N的距离矩阵Q=[qjk],其中,j=1,2,...,N表示第j行,k=1,2,...,N表示第k列,qjk表示第j个人脸特征和第k个人脸特征之间的欧式距离;
步骤S22、构造同样大小的N×N的二值矩阵R=[rjk],其中,rjk表示第j个人脸和k个人脸是否为同一个人,若qjk<Tdistance则rjk=1,表示第j个人脸和k个人脸是同一个人,否则rjk=0表示不是同一个人,其中,Tdistance为距离阈值由参数估计策略得来;
步骤S23、通过矩阵R得到初始的聚类结果C,其中,C={ck}表示初始的聚类簇构成的集合,k=1,2,...,K为聚类簇的编号,K为初始聚类簇的数量,ck表示第k个聚类簇。
在本发明一实施例中,在所述步骤S3中,按照以下步骤实现:
步骤S31、对每一个聚类簇ck,计算其中所有样本对之间的平均距离lk,其计算方式如下:
其中,|ck|表示聚类簇ck中的元素个数,a和b分别为聚类簇ck中的两个样本;
步骤S32、令L=(l1,l2,...,lK)表示由每一个聚类簇ck的平均成对距离lk构成的向量,计算每一个聚类簇ck的纯度pk,其计算方式如下:
其中,Median(·)表示取向量的中位数,MAD(·)表示取向量的绝对中位差,MAD(L)=Median(L′),向量L′由向量L中的每一个元素与向量L的中位数Median(L)之间偏移量的绝对值lk′构成,其表示方式如下:
lk′=|li-Median(L)|,lk∈L,lk′∈L′;
步骤S33、若pk<Tpurity,则表示聚类簇ck含有异常数据,需要进行过滤,将聚类簇编号k加入集合Z,其中,Tpurity表示纯度阈值,用于对每个聚类簇进行纯度检测,为超参数,Z为需要过滤的聚类簇编号的集合;
步骤S34、对每一个需要过滤的聚类簇cz,计算该聚类簇内每一对样本之间的距离矩阵Ez,对矩阵Ez按行进行求和,得到向量vz,其中,z∈Z为需要过滤的聚类簇编号,vz是由聚类簇cz中每一个元素对总体距离的贡献程度构成的向量;
步骤S37、对过滤后的所有聚类簇,将聚类簇中元素个数不足Tnum的聚类簇删除,其中,Tnum为聚类簇中要求所含最少元素的个数,为设定的超参数。
在本发明一实施例中,所述步骤S4,具体包括以下步骤:
步骤S41、对过滤后的每一个初始聚类簇ck,输入至空间注意力网络,为每一个聚类簇生成唯一的集合特征;
步骤S42、计算距离矩阵W,其元素为各个聚类簇集合特征之间的欧氏距离;
步骤S43、寻找距离矩阵W中的最小值元素wmin,若wmin<Tdistance则将其对应的两个聚类簇进行合并,转步骤S44,否则聚类结束,输出聚类结果;
步骤S44、将合并后的聚类簇输入空间注意力网络,得到新的集合特征,重新计算距离矩阵W,转步骤S43。
相较于现有技术,本发明具有以下有益效果:
附图说明
图1为本发明一种基于纯度检测和空间注意力网络的人脸聚类方法的流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供一种基于纯度检测和空间注意力网络的人脸聚类方法。针对聚类簇中的元素,可能含有异常点或噪声,导致之后的聚类过程中容易累积错误信息等问题,本发明提出了一种基于纯度检测的方法,将聚类簇中的异常点进行过滤,提升了聚类算法整体的效果。针对传统聚类过程中,难以有效地对聚类簇之间进行比较等问题,本发明提出了空间注意力网络,通过对人脸图像不同区域的重要程度进行预测,得到每张人脸图像的识别难易程度,降低难以识别图像的注意力,增强容易识别图像的关注度,更好地表达整个聚类簇的特征,提升聚类结果。
具体步骤如下:
步骤S1:获取人脸识别数据集,训练自适应注意力网络,对待聚类的所有人脸图像提取深度特征;
步骤S2:构造距离矩阵,计算初始聚类结果;
步骤S3:对每个聚类簇进行纯度检测,过滤掉不属于该类别的人脸图像,并删除不符合条件的聚类簇;
步骤S4:对过滤后的聚类簇通过空间注意力网络提取集合特征,计算聚类簇之间的距离并不断融合得到最终结果。
进一步的,在本实施例中,在步骤S1中,具体包括以下步骤:
步骤S11:采用公开的人脸识别数据集,进行人脸对齐完成数据预处理;
步骤S12:所述自适应注意力网络采用孪生神经网络结构,采用两个共享权重的子网络构成,每个子网络由主干网络、注意力模块和深度特征抽取模块构成;
步骤S13:主干网络为浅层的全卷积神经网络,用于对输入的人脸图像提取中层特征,令X={xi},i=1,2,...B表示输入的人脸图像集合,其中xi表示第i个输入图像,令G(·)表示主干网络的映射函数,则O=G(X),其中O={oi}表示中层特征,oi=G(xi)表示xi的中层特征,由输出的中层特征产生两个分支,一个分支为空间注意力模块,另一个分支为深度特征抽取模块;
步骤S14:深度特征抽取模块由多个卷积层与最大池化层堆叠而成,完成对输入的每一张人脸图像进行特征提取,令H(·)表示深度特征抽取模块的映射函数,则对输入xi有fi=H(G(xi)),其中fi表示第i个输入图像的深度特征;
步骤S15:空间注意力模块为一个小型的卷积神经网络,用于对人脸图像的不同区域赋予不同的关注度,其含有三个卷积层和一个全局平均池化层,最后一个卷积层的卷积核大小为1×1,且只含有一个输出通道,对于第二个卷积层输出的特征图,其各个部分对应于原人脸图像不同空间区域的局部感受野,不同通道特征图的同一位置对应原人脸图像同一区域的不同特征,利用1×1卷积核的特性,对不同通道特征图的同一位置进行加权融合,得到关于原人脸图像不同区域的重要程度,最后使用全局平局池化层以及sigmoid函数得到输入人脸图像归一化后的分数si,代表该人脸图像识别的难易程度,其中si表示输入的第i个人脸图像xi对应的分数;
步骤S16:对空间注意力模块的输出si和深度特征抽取模块的输出fi进行加权融合,根据集合中每张人脸图像识别的难易程度,降低模糊、遮挡等难以识别的图像的注意力,增强清晰、无遮挡等容易识别的图像的关注度,其计算方式如下:
其中u代表整个输入图像集合的一个深度特征;
步骤S17:在训练阶段,输入为两个人脸图像集合,令X1表示输入的第一个人脸图像集合,X2表示输入的第二个人脸图像集合,Y={0,1}表示对应的标签,若两个人脸集合为同一身份则Y=1,否则Y=0,采用对比损失作为监督信号进行训练,其表示如下:
Loss=YD2(u1,u2)+(1-Y)max(m-D(u1,u2),0)2
其中Loss为对比损失,D(u1,u2)=||u1-u2||2表示两个集合特征之间的欧式距离,u1与u2分别表示空间注意力网络输出的两个集合特征,m表示不同身份的集合特征之间的间距,为超参数。
进一步的,在本实施例中,在步骤S2中,通过如下步骤计算初始聚类结果:
步骤S21:令N表示待聚类的人脸图像数量,构造N×N的距离矩阵Q=[qjk],其中j=1,2,...,N表示第j行,k=1,2,...,N表示第k列,qjk表示表示第j个人脸特征和第k个人脸特征之间的欧式距离;
步骤S22:构造同样大小的N×N的二值矩阵R=[rjk],其中rjk表示第j个人脸和k个人脸是否为同一个人,若qjk<Tdistance则rjk=1,表示第j个人脸和k个人脸是同一个人,否则rjk=0表示不是同一个人,其中Tdistance为距离阈值由参数估计策略得来;
步骤S23:通过矩阵R得到初始的聚类结果C,其中C={ck}表示初始的聚类簇构成的集合,k=1,2,...,K为聚类簇的编号,K为初始聚类簇的数量,ck表示第k个聚类簇。
进一步的,在本实施例中,在步骤S3中,本发明按照以下步骤实施:
步骤S31:对每一个聚类簇ck,计算其中所有样本对之间的平均距离lk,其计算方式如下:
其中|ck|表示聚类簇ck中的元素个数,a和b分别为聚类簇ck中的两个样本;
步骤S32:令L=(l1,l2,...,lK)表示由每一个聚类簇ck的平均成对距离lk构成的向量,计算每一个聚类簇ck的纯度pk,其计算方式如下:
其中Median(·)表示取向量的中位数,MAD(·)表示取向量的绝对中位差,MAD(L)=Median(L′),向量L′由向量L中的每一个元素与向量L的中位数Median(L)之间偏移量的绝对值lk′构成,其表示方式如下:
lk′=|li-Median(L)|,lk∈L,lk′∈L′;
步骤S33:若pk<Tpurity,则表示聚类簇ck含有异常数据,需要进行过滤,将聚类簇编号k加入集合Z,其中Tpurity表示纯度阈值,用于对每个聚类簇进行纯度检测,为超参数,Z为需要过滤的聚类簇编号的集合;
步骤S34:对每一个需要过滤的聚类簇cz,计算该聚类簇内每一对样本之间的距离矩阵Ez,对矩阵Ez按行进行求和,得到向量vz,其中z∈Z为需要过滤的聚类簇编号,vz是由聚类簇cz中每一个元素对总体距离的贡献程度构成的向量;
步骤S37:对过滤后的所有聚类簇,将聚类簇中元素个数不足Tnum的聚类簇删除,其中Tnum为聚类簇中要求所含最少元素的个数,为设定的超参数。
在本发明一实施例中,在所述步骤S4中,具体包括以下步骤:
步骤S41:对过滤后的每一个初始聚类簇ck,输入至空间注意力网络,为每一个聚类簇生成唯一的集合特征;
步骤S42:计算距离矩阵W,其元素为各个聚类簇集合特征之间的欧氏距离;
步骤S43:寻找距离矩阵W中的最小值元素wmin,若wmin<Tdistance则将其对应的两个聚类簇进行合并,转步骤S44,否则聚类结束,输出聚类结果;
步骤S44:将合并后的聚类簇输入空间注意力网络,得到新的集合特征,重新计算距离矩阵W,转步骤S43。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (1)
1.一种基于纯度检测和空间注意力网络的人脸聚类方法,其特征在于,按照如下步骤实现:
步骤S1、获取人脸识别数据集,训练空间注意力网络,对待聚类的所有人脸图像提取深度特征;
步骤S2、构造距离矩阵,计算初始聚类结果;
步骤S3、对每个聚类簇进行纯度检测,过滤掉不属于相应聚类簇类别的人脸图像,并删除不符合条件的聚类簇;
步骤S4、对过滤后的聚类簇通过空间注意力网络提取集合特征,计算聚类簇之间的距离并不断融合得到最终结果;
所述步骤S1,具体包括以下步骤:
步骤S11、采用人脸识别数据集,进行人脸对齐完成数据预处理;
步骤S12、训练空间注意力网络,采用孪生神经网络结构,即采用两个共享权重的子网络构成,每个子网络由主干网络、空间注意力模块和深度特征抽取模块构成;其中,
主干网络为浅层的全卷积神经网络,用于对输入的人脸图像提取中层特征,令X={xi},i=1,2,...B表示输入的人脸图像集合,其中,xi表示第i个输入图像,令G(·)表示主干网络的映射函数,则O=G(X),其中,O={oi}表示中层特征,oi=G(xi)表示xi的中层特征,由输出的中层特征产生两个分支,一个分支为空间注意力模块,另一个分支为深度特征抽取模块;
深度特征抽取模块由多个卷积层与最大池化层堆叠而成,完成对输入的每一张人脸图像进行特征提取,令H(·)表示深度特征抽取模块的映射函数,则对输入xi有fi=H(G(xi)),其中,fi表示第i个输入图像的深度特征;
空间注意力模块为一个小型的卷积神经网络,用于对人脸图像的不同区域赋予不同的关注度,其含有三个卷积层和一个全局平均池化层,最后一个卷积层的卷积核大小为1×1,且只含有一个输出通道,对于第二个卷积层输出的特征图,其各个部分对应于原人脸图像不同空间区域的局部感受野,不同通道特征图的同一位置对应原人脸图像同一区域的不同特征,利用1×1卷积核的特性,对不同通道特征图的同一位置进行加权融合,得到关于原人脸图像不同区域的重要程度,最后使用全局平局池化层以及sigmoid函数得到输入人脸图像归一化后的分数si,代表该人脸图像识别的难易程度,其中,si表示输入的第i个人脸图像xi对应的分数;
步骤S13、对空间注意力模块的输出si和深度特征抽取模块的输出fi进行加权融合,根据集合中每张人脸图像识别的难易程度,降低模糊、遮挡的难以识别的图像的注意力,增强清晰、无遮挡的容易识别的图像的关注度,其计算方式如下:
其中,u代表整个输入图像集合的一个深度特征;
步骤S14、在训练阶段,输入为两个人脸图像集合,令X1表示输入的第一个人脸图像集合,X2表示输入的第二个人脸图像集合,Y={0,1}表示对应的标签,若两个人脸集合为同一身份则Y=1,否则Y=0,采用对比损失作为监督信号进行训练,其表示如下:
Loss=YD2(u1,u2)+(1-Y)max(m-D(u1,u2),0)2
其中,Loss为对比损失,D(u1,u2)=||u1-u2||2表示两个集合特征之间的欧式距离,u1与u2分别表示空间注意力网络输出的两个集合特征,m表示不同身份的集合特征之间的间距,为超参数;
在所述步骤S2中,通过如下步骤计算初始聚类结果:
步骤S21、令N表示待聚类的人脸图像数量,构造N×N的距离矩阵Q=[qjk],其中,j=1,2,...,N表示第j行,k=1,2,...,N表示第k列,qjk表示第j个人脸特征和第k个人脸特征之间的欧式距离;
步骤S22、构造同样大小的N×N的二值矩阵R=[rjk],其中,rjk表示第j个人脸和k个人脸是否为同一个人,若qjk<Tdistance则rjk=1,表示第j个人脸和k个人脸是同一个人,否则rjk=0表示不是同一个人,其中,Tdistance为距离阈值由参数估计策略得来;
步骤S23、通过矩阵R得到初始的聚类结果C,其中,C={ck}表示初始的聚类簇构成的集合,k=1,2,...,K为聚类簇的编号,K为初始聚类簇的数量,ck表示第k个聚类簇;
在所述步骤S3中,按照以下步骤实现:
步骤S31、对每一个聚类簇ck,计算其中所有样本对之间的平均距离lk,其计算方式如下:
其中,|ck|表示聚类簇ck中的元素个数,a和b分别为聚类簇ck中的两个样本;
步骤S32、令L=(l1,l2,...,lK)表示由每一个聚类簇ck的平均成对距离lk构成的向量,计算每一个聚类簇ck的纯度pk,其计算方式如下:
其中,Median(·)表示取向量的中位数,MAD(·)表示取向量的绝对中位差,MAD(L)=Median(L′),向量L′由向量L中的每一个元素与向量L的中位数Median(L)之间偏移量的绝对值lk′构成,其表示方式如下:
l′k=|li-Median(L)|,lk∈L,l′k∈L′;
步骤S33、若pk<Tpurity,则表示聚类簇ck含有异常数据,需要进行过滤,将聚类簇编号k加入集合Z,其中,Tpurity表示纯度阈值,用于对每个聚类簇进行纯度检测,为超参数,Z为需要过滤的聚类簇编号的集合;
步骤S34、对每一个需要过滤的聚类簇cz,计算该聚类簇内每一对样本之间的距离矩阵Ez,对矩阵Ez按行进行求和,得到向量vz,其中,z∈Z为需要过滤的聚类簇编号,vz是由聚类簇cz中每一个元素对总体距离的贡献程度构成的向量;
步骤S37、对过滤后的所有聚类簇,将聚类簇中元素个数不足Tnum的聚类簇删除,其中,Tnum为聚类簇中要求所含最少元素的个数,为设定的超参数;
所述步骤S4,具体包括以下步骤:
步骤S41、对过滤后的每一个初始聚类簇ck,输入至空间注意力网络,为每一个聚类簇生成唯一的集合特征;
步骤S42、计算距离矩阵W,其元素为各个聚类簇集合特征之间的欧氏距离;
步骤S43、寻找距离矩阵W中的最小值元素wmin,若wmin<Tdistance则将其对应的两个聚类簇进行合并,转步骤S44,否则聚类结束,输出聚类结果;
步骤S44、将合并后的聚类簇输入空间注意力网络,得到新的集合特征,重新计算距离矩阵W,转步骤S43。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097235.XA CN109829427B (zh) | 2019-01-31 | 2019-01-31 | 一种基于纯度检测和空间注意力网络的人脸聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910097235.XA CN109829427B (zh) | 2019-01-31 | 2019-01-31 | 一种基于纯度检测和空间注意力网络的人脸聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829427A CN109829427A (zh) | 2019-05-31 |
CN109829427B true CN109829427B (zh) | 2022-05-17 |
Family
ID=66861972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910097235.XA Active CN109829427B (zh) | 2019-01-31 | 2019-01-31 | 一种基于纯度检测和空间注意力网络的人脸聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829427B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363106A (zh) * | 2019-06-25 | 2019-10-22 | 中国船舶重工集团公司第七一九研究所 | 一种人脸检测与匹配*** |
CN110569731B (zh) * | 2019-08-07 | 2023-04-14 | 北京旷视科技有限公司 | 一种人脸识别方法、装置及电子设备 |
CN110580510B (zh) * | 2019-09-12 | 2023-07-25 | 深圳力维智联技术有限公司 | 一种聚类结果评价方法和*** |
CN110909690B (zh) * | 2019-11-26 | 2023-03-31 | 电子科技大学 | 一种基于区域生成的遮挡人脸图像检测方法 |
CN111340084B (zh) * | 2020-02-20 | 2024-05-17 | 北京市商汤科技开发有限公司 | 数据处理方法及装置、处理器、电子设备、存储介质 |
CN113536862A (zh) * | 2020-04-21 | 2021-10-22 | 北京爱笔科技有限公司 | 一种聚类方法、装置、设备及存储介质 |
CN111783598B (zh) * | 2020-06-24 | 2023-08-08 | 北京百度网讯科技有限公司 | 一种人脸识别模型训练方法、装置、设备及介质 |
CN112507995B (zh) * | 2021-02-05 | 2021-06-01 | 成都东方天呈智能科技有限公司 | 一种跨模型人脸特征向量的转换***及方法 |
CN112766229B (zh) * | 2021-02-08 | 2022-09-27 | 南京林业大学 | 基于注意力机制的人脸点云图像智能识别***及方法 |
CN113095156B (zh) * | 2021-03-23 | 2022-08-16 | 西安深信科创信息技术有限公司 | 一种基于逆灰度方式的双流网络签名鉴定方法及装置 |
CN114998634B (zh) * | 2022-08-03 | 2022-11-15 | 广州此声网络科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN115439676A (zh) * | 2022-11-04 | 2022-12-06 | 浙江莲荷科技有限公司 | 图像聚类方法、装置以及电子设备 |
CN116106307B (zh) * | 2023-03-31 | 2023-06-30 | 深圳上善智能有限公司 | 一种基于图像识别的智能兑金机的检测结果评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152703B1 (en) * | 2013-02-28 | 2015-10-06 | Symantec Corporation | Systems and methods for clustering data samples |
CN105740842A (zh) * | 2016-03-01 | 2016-07-06 | 浙江工业大学 | 基于快速密度聚类算法的无监督人脸识别方法 |
CN107103281A (zh) * | 2017-03-10 | 2017-08-29 | 中山大学 | 基于聚集损失深度度量学习的人脸识别方法 |
CN107515895A (zh) * | 2017-07-14 | 2017-12-26 | 中国科学院计算技术研究所 | 一种基于目标检测的视觉目标检索方法与*** |
-
2019
- 2019-01-31 CN CN201910097235.XA patent/CN109829427B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152703B1 (en) * | 2013-02-28 | 2015-10-06 | Symantec Corporation | Systems and methods for clustering data samples |
CN105740842A (zh) * | 2016-03-01 | 2016-07-06 | 浙江工业大学 | 基于快速密度聚类算法的无监督人脸识别方法 |
CN107103281A (zh) * | 2017-03-10 | 2017-08-29 | 中山大学 | 基于聚集损失深度度量学习的人脸识别方法 |
CN107515895A (zh) * | 2017-07-14 | 2017-12-26 | 中国科学院计算技术研究所 | 一种基于目标检测的视觉目标检索方法与*** |
Non-Patent Citations (1)
Title |
---|
混合属性数据流的聚类算法研究及其应用;何辉豪;《万方数据知识服务平台学位论文库》;20170414;第1-99页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109829427A (zh) | 2019-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829427B (zh) | 一种基于纯度检测和空间注意力网络的人脸聚类方法 | |
Ning et al. | JWSAA: joint weak saliency and attention aware for person re-identification | |
Wang et al. | MESNet: A convolutional neural network for spotting multi-scale micro-expression intervals in long videos | |
CN108596039B (zh) | 一种基于3d卷积神经网络的双模态情感识别方法及*** | |
CN107832672B (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
CN108875787A (zh) | 一种图像识别方法及装置、计算机设备和存储介质 | |
CN108268859A (zh) | 一种基于深度学习的人脸表情识别方法 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN112395442B (zh) | 移动互联网上的低俗图片自动识别与内容过滤方法 | |
CN111310668B (zh) | 一种基于骨架信息的步态识别方法 | |
CN111241963B (zh) | 基于交互建模的第一人称视角视频交互行为识别方法 | |
CN113763417B (zh) | 一种基于孪生网络和残差结构的目标跟踪方法 | |
CN114782977B (zh) | 一种基于拓扑信息和亲和度信息引导行人重识别方法 | |
CN116798070A (zh) | 一种基于光谱感知和注意力机制的跨模态行人重识别方法 | |
CN112633154A (zh) | 一种异源人脸特征向量之间的转换方法及*** | |
CN116704611A (zh) | 一种基于运动特征混合和细粒度多阶段特征提取的跨视角步态识别方法 | |
CN114937298A (zh) | 一种基于特征解耦的微表情识别方法 | |
CN112800979B (zh) | 一种基于表征流嵌入网络的动态表情识别方法及*** | |
Castro et al. | AttenGait: Gait recognition with attention and rich modalities | |
CN114429646A (zh) | 基于深度自注意力变换网络的步态识别方法 | |
CN113591797A (zh) | 一种深度视频行为识别方法 | |
CN111709316A (zh) | 一种结合时空判别滤波器组的行为识别方法 | |
CN110097032A (zh) | 一种基于深度学习的行人重识别方法 | |
Qiu et al. | A Gait Recognition Network With Attention-GaitNet | |
Zhang et al. | Multi-layer attention for person re-identification |
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 |