CN110084216A - 人脸识别模型训练和人脸识别方法、***、设备及介质 - Google Patents

人脸识别模型训练和人脸识别方法、***、设备及介质 Download PDF

Info

Publication number
CN110084216A
CN110084216A CN201910369810.7A CN201910369810A CN110084216A CN 110084216 A CN110084216 A CN 110084216A CN 201910369810 A CN201910369810 A CN 201910369810A CN 110084216 A CN110084216 A CN 110084216A
Authority
CN
China
Prior art keywords
layer
training
loss function
human face
recognition model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910369810.7A
Other languages
English (en)
Other versions
CN110084216B (zh
Inventor
张震国
晋兆龙
吴剑平
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.)
Suzhou Keda Technology Co Ltd
Original Assignee
Suzhou Keda 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 Suzhou Keda Technology Co Ltd filed Critical Suzhou Keda Technology Co Ltd
Priority to CN201910369810.7A priority Critical patent/CN110084216B/zh
Publication of CN110084216A publication Critical patent/CN110084216A/zh
Application granted granted Critical
Publication of CN110084216B publication Critical patent/CN110084216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种人脸识别模型训练和人脸识别方法、***、设备及介质，所述训练方法包括：构建人脸识别模型，所述模型包括特征提取层、全连接层和损失函数层，所述全连接层包括第一特征输出层、第二特征输出层和至少一个属性输出层，所述损失函数层包括特征提取损失函数层和至少一个属性损失函数层；采用训练集训练所述模型。本发明通过构建一个神经网络模型同时用于人脸特征提取和人脸属性分析，在该神经网络模型中输入图像后，可以同时输出用于识别的特征以及图像的属性，降低图像识别中的计算量，提高了图像识别效率；在模型训练过程中，同时训练特征提取和属性分析，多个损失函数相互影响，有利于训练得到更好的模型参数。

Description

人脸识别模型训练和人脸识别方法、***、设备及介质
技术领域
本发明涉及图像识别技术领域，尤其涉及一种人脸识别模型训练和人脸识别方法、***、设备及介质。
背景技术
当前，人脸识别技术已经得到了广泛的应用。一般来说人脸识别技术包含人脸检测技术、人脸关键点定位技术、人脸特征提取技术和人脸属性分析技术。对于人脸特征提取和人脸属性分析，通常的做法是分别设计不同的卷积神经网络，采用不同的损失函数进行训练，这样割裂开来的做法，不仅增加了处理的时间，也不利于两种技术进行融合。
发明内容
针对现有技术中的问题，本发明的目的在于提供一种人脸识别模型训练和人脸识别方法、***、设备及介质，仅需要构建一个神经网络模型，即可以同时用于人脸特征提取和人脸属性分析。
本发明实施例提供一种人脸识别模型训练方法，包括如下步骤：
S110：构建人脸识别模型，所述人脸识别模型包括：
特征提取层，用于提取输入图像的特征；
全连接层，包括第一特征输出层、第二特征输出层和至少一个属性输出层，所述第一特征输出层和第二特征输出层用于输出人脸特征，所述属性输出层用于输出对应的人脸属性的分类结果，所述特征提取层的输出经过所述第一特征输出层之后分别与所述第二特征输出层和所述属性输出层的输入相连接；
损失函数层，包括特征提取损失函数层和至少一个属性损失函数层，所述第二特征输出层的输出与所述特征提取损失函数层的输入相连接，所述属性输出层的输出与所对应的属性损失函数层的输入相连接；
S120：采用包括多个训练图像的训练集训练所述人脸识别模型。
可选地，所述人脸识别模型为卷积神经网络模型，所述特征提取层包括输入层、卷积层和池化层。
可选地，所述特征提取损失函数层和属性损失函数层分别为softmax函数与交叉熵损失函数结合的损失函数层。
可选地，步骤S120包括如下步骤：
S121：获取多个训练图像，采用多个属性的类别分别对所述训练图像进行标注，将标注后的训练图像加入训练集；
S122：采用所述训练集训练所述人脸识别模型。
可选地，步骤S121中，获取多个训练图像，包括如下步骤：
基于关键点对齐技术，进行训练图像对齐操作；
将所述训练图像归一化成目标尺寸的图像。
可选地，步骤S122中，采用所述训练集训练所述人脸识别模型，包括如下步骤：
确定所述特征提取损失函数层和各个所述属性损失函数层的权重；
结合交叉熵损失函数和softmax函数，分别计算所述特征提取损失函数层和各个所述属性损失函数层的损失值；
利用梯度下降法训练所述人脸识别模型，将所述特征提取损失函数层和各个所述属性损失函数层的梯度加权求和作为梯度下降法反向传播的梯度。
可选地，所述交叉熵损失函数L满足如下公式：
其中，j为损失函数层输入数据的顺序编号，yj表示训练图像的标注，zj为损失函数层的第j位输入数据，L为计算得到的函数值；
pj表示损失函数层输出的训练图像属于一类别的概率，通过如下sofmax函数公式计算得到：
其中，m为zj的最大值。
本发明实施例还提供一种人脸识别方法，包括如下步骤：
S210：将待识别的人脸图像输入所述的人脸识别模型的特征提取层；
S220：获取所述第一特征输出层和各个所述属性输出层的输出，所述第一特征输出层的输出为所述人脸图像的人脸特征，各个所述属性输出层的输出为所述人脸图像对应于各个所述人脸属性的分类结果。
本发明实施例还提供一种人脸识别模型训练***，应用于所述的人脸识别模型训练方法，所述***包括：
模型构建模块，用于构建人脸识别模型；
图像采集模块，用于获取多个训练图像，并将所述多个训练图像加入训练集；
模型训练模块，用于采用所述训练集训练所述人脸识别模型。
本发明实施例还提供一种人脸识别模型训练设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述的人脸识别模型训练方法的步骤。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的人脸识别模型训练方法的步骤。
本发明所提供的人脸识别模型训练和人脸识别方法、***、设备及介质具有下列优点：
本发明通过构建一个神经网络模型同时用于人脸特征提取和人脸属性分析，在该神经网络模型中输入图像后，可以同时输出用于识别的特征以及图像的属性，降低图像识别中的计算量，提高了图像识别效率；在模型训练过程中，同时训练特征提取和属性分析，多个损失函数相互影响，有利于训练得到更好的模型参数。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的人脸识别模型训练方法的流程图；
图2是本发明一实施例的人脸识别模型的结构示意图；
图3是本发明一具体实例的人脸识别模型的示意图；
图4是本发明一具体实例的人脸识别模型中残差单元的示意图；
图5是本发明一实施例的人脸识别模型识别方法的流程图；
图6是本发明一实施例的人脸识别模型训练***的结构示意图；
图7是本发明一实施例的人脸识别模型训练设备的结构示意图；
图8是本发明一实施例的计算机存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
如图1所示，本发明实施例提供一种人脸识别模型训练方法，包括如下步骤：
S110：构建人脸识别模型，如图2所示，所述人脸识别模型包括：
特征提取层，用于提取输入图像的特征；
全连接层，全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来，全连接层包括第一特征输出层、第二特征输出层和至少一个属性输出层，所述第一特征输出层和第二特征输出层用于输出人脸特征，所述属性输出层用于输出对应的人脸属性的分类结果，所述特征提取层的输出经过所述第一特征输出层之后分别与所述第二特征输出层和所述属性输出层的输入相连接；
损失函数层，包括特征提取损失函数层和至少一个属性损失函数层，所述第二特征输出层的输出与所述特征提取损失函数层的输入相连接，所述属性输出层的输出与所对应的属性损失函数层的输入相连接。损失函数层的损失函数用于度量构建模型得到的预测值与真实值之间的差距，即度量模型一次预测的好坏。
S120：采用包括多个训练图像的训练集训练所述人脸识别模型。
本发明通过建立一个人脸识别模型，通过共用特征提取层，即可以同时实现特征提取和属性分析的功能。具体地，第一特征输出层将特征提取层提取的特征进行综合，输出图像的特征表示，例如采用一个512维的向量表示提取的图像特征。而多个属性输出层根据第一特征输出层输出的图像特征对图像的属性进行分类，输出分类结果。在训练时，特征提取和属性分析的损失函数同时训练，第二特征输出层将第一特征输出层输出的图像特征输入到特征提取损失函数层，各个属性输出层将图像特征输出到对应的属性损失函数层。由于训练时会有多个损失函数，且每个损失函数有对应的权重，这样多个损失函数相互影响，有利于训练出更好的模型参数。
在该实施例中，所述模型为卷积神经网络模型，所述特征提取层包括输入层、卷积层和池化层。其中，卷积神经网络的输入层可以处理多维数据。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸，是卷积神经网络的超参数。其中卷积核大小可以指定为小于输入图像尺寸的任意值，卷积核越大，可提取的图像特征越复杂。在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。
如图3所示，为本发明一具体实例中的人脸识别模型的示意图。在该实施例中，卷积神经网络包括输入层(Input)、卷积层(Conv)、非线性变换层(Relu)、池化层(Pooling)、残差单元(Resblock)、全连接层(fc)和损失函数层(softmax_loss)。非线性变换层(Relu，Rectified linear unit)是线性整流单元，可以减缓梯度消失现象。因为其在输入为负值时强制转化为0，因此属于非线性的激活函数，可以广泛应用于神经网络中。深度学习对于网络深度遇到的主要问题是梯度消失和梯度***，传统对应的解决方案则是数据的初始化和正则化，但是这样虽然解决了梯度的问题，深度加深了，却带来了另外的问题，就是网络性能的退化问题，深度加深了，错误率却上升了。而采用残差单元用来设计解决退化问题，其同时也解决了梯度问题，更使得网络的性能也提升了。残差单元表现出的良好图像分类性能，同样也可以进一步推广到人脸识别领域上来。使用单元网络，可以大幅提升模型的人脸识别性能。
其中Conv_1a、Conv_1b、Conv_2、Conv_3和Conv_4分别表示第1a个、第1b个、第3个和第4个卷积层，Relu_1a、Relu_1b、Relu_2、Relu_3和Relu_4分别表示第1a个、第1b个、第3个和第4个非线性变换层，Pooling_1b、Pooling_2、Pooling_3和Pooling_4分别表示第1b个、第2个、第3个和第4个池化层。fc5表示第一特征输出层，fc6_rec表示第二特征输出层，fc_male、fc_age_group、fc_glass、fc_mask、fc_mustache属性输出层，softmax_loss_rec表示特征提取损失函数层，softmax_loss_male、softmax_loss_age_group、softmax_loss_glass、softmax_loss_mask、softmax_loss_mustache分别为属性损失函数层。
在该实例中，以人脸人脸识别模型为例进行说明。人脸的属性包括性别age、年龄段age_group、是否戴眼镜glass、是否戴口罩mask、是否有胡子mustache等。
其他部分对应于图3，具体说明如下表1所示：
表1
层 描述
Resblock1 x 3 连续3个残差单元相连
Resblock2 x 4 连续4个残差单元相连
Resblock3 x 6 连续6个残差单元相连
Resblock4 x 3 连续3个残差单元相连
softmax_loss_rec 人脸特征提取的损失函数，权重为2
softmax_loss_male 人脸性别分析的损失函数，权重为1
softmax_loss_age_group 人脸年龄段分析的损失函数，权重为1
softmax_loss_glass 人脸是否戴眼镜的损失函数，权重为1
softmax_loss_mask 人脸是否戴口罩的损失函数，权重为1
softmax_loss_mustache 人脸是否有胡子的损失函数，权重为1
该实施例中的残差单元如图4所示，其中Conv_x_1和Conv_x_2为残差单元的两个卷积层，Relu_x_1和Relu_x_2为残差单元的两个非线性变换层。
在该实施例中，所述特征提取损失函数层和属性损失函数层分别为softmax函数与交叉熵损失函数结合的损失函数层。Softmax是将神经网络得到的多个值，进行归一化处理，使得到的值在[0,1]之间，让结果变得可解释。即可以将结果看作是概率，某个类别概率越大，将样本归为该类别的可能性也就越高。将softmax的输出，输入到交叉熵损失函数中即构成softmax损失函数层。
在该实施例中，所述步骤S120，包括如下步骤：
S121：获取多个训练图像，采用多个属性的类别分别对所述训练图像进行标注，将标注的图像加入训练集；
S122：采用所述训练集训练所述人脸识别模型。
上述各个步骤的序号仅为区分各个步骤，而不表示顺序，例如步骤S110和步骤S121可以更换执行顺序，先获取训练图像，再构建模型，也可以同时执行步骤S110和步骤S121，均属于本发明的保护范围之内。
本发明的人脸识别模型训练方法将特征提取和属性分析所用模型合二为一，可以降低在训练和图像识别时的计算量，在训练模型时，同时训练特征提取和属性分析，会有多个损失函数，且每个损失函数有对应的权重，这样多个损失函数相互影响，有利于训练出更好的模型参数。
在该实施例中，所述步骤S121中，获取多个训练图像，包括如下步骤：
基于关键点对齐技术，进行训练图像对齐操作；
将所述训练图像归一化成目标尺寸的图像。
例如，在将该实施例应用于人脸特征提取和属性分析时。在步骤S110中，构建如图3所示的人脸人脸识别模型，并在步骤S120中获取训练用的人脸图像后，执行如下操作：
(1)对人脸图像进行标注，标注内容包括类别、性别、年龄段、是否戴眼镜、是否戴口罩、是否有胡子。
选取自有数据集进行标注，类别字段从0开始编号，往上累加，同一个人的照片，类别编号相同。性别以0表示男性，1表示女性。年龄段以0表示未成年，1表示青年，2表示老年。以0表示未戴眼镜，1表示戴眼镜。以0表示未戴口罩，1表示戴口罩。最终生成一个列表文件，包含文件名，类别字段，性别字段，年龄段字段，眼镜字段，口罩字段。
(2)利用人脸检测和关键点定位技术对人脸数据进行关键点定位，利用关键点对人脸图像进行对齐处理，并归一化到同一尺寸；
关键点定位技术可以采用现有技术中的定位方法。人脸关键点检测方法大致分为三种：基于主动形状模型(ASM)的检测方法，基于级联形状回归(CPR)的检测方法和基于深度学习的方法。例如，选取两个眼睛的中心，鼻尖和两个嘴角共5个关键点来进行人脸对齐操作，并归一化成宽度为96像素，高度为112像素的RGB图像。
在步骤S122中，训练阶段，将对齐的人脸图像的每个像素值减去127.5得到的差再除以127.5，这样就将数据归一化到了[-1,1]之间。然后将归一化后的数据作为训练集输入S110中构建的人脸人脸识别模型中进行训练。
在步骤S122中，采用交叉熵损失函数，包括如下步骤：
确定所述特征提取损失函数层和各个所述属性损失函数层的权重，在该实施例中，可以按照如上表1中列举的方式设定各个损失函数层的权重，具体权重值可以根据需要进行调整；
结合交叉熵损失函数和softmax函数，分别计算所述特征提取损失函数层和各个所述属性损失函数层的损失值；
其中，所述交叉熵损失函数L满足如下公式：
其中，j为损失函数层输入数据的顺序编号，yj表示训练图像的标注，zj为损失函数层的第j位输入数据，L为计算得到的损失值；
pj表示损失函数层输出的训练图像属于一类别的概率，通过如下sofmax函数公式计算得到：
其中，m为zj的最大值。
利用梯度下降法训练所述人脸识别模型，即采用梯度下降法反向传播方法反向传播所述损失值，其中将所述特征提取损失函数层和各个所述属性损失函数层的梯度加权求和作为梯度下降法反向传播的梯度。
梯度下降法是神经网络的核心方法，用于更新神经元之间的权重，以及每一层的偏置；反向传播算法则是一种快速计算梯度的算法，从而能够使得梯度下降法得到有效的应用。对于机器学习中其中一个主要的步骤是构造损失函数，当构建好损失函数后需要对损失函数进行优化，使得损失值最小。梯度下降法是对损失函数进行优化的一个方法，具体是找到最陡的方向，逐一小步，然后再找到当前位置最陡的下山方向，再迈一小步。
反向传播算法的学***方和作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，作为修改权值的依据，模型的训练在权值修改过程中完成。误差达到所期望值时，模型训练结束。
该实施例采用caffe框架进行训练。Caffe，全称Convolutional Architecturefor Fast Feature Embedding，是一种常用的深度学习框架，主要应用在视频、图像处理方面的应用上。caffe中实现将softmax和交叉熵损失函数合并在一起，实现为softmax损失函数层。该实施例中共用到了六个softmax损失函数层，每个层有对应的权重，权重的意义在于表示该层的损失函数所产生的梯队对于总体梯度的贡献，最终反传的梯度是各层损失函数所产生的梯度的加权和，通过调节权重可以影响最终的网络的分类结果。
在得到训练完成的人脸识别模型之后，可以将需要分析的图像输入到该模型中，同时进行特征提取和属性分析。
如图5所示，在本发明一实施例中，还提供一种人脸识别方法，包括如下步骤：
S210：将待识别的人脸图像输入所述的人脸识别模型的特征提取层，该人脸识别模型为如采用如图1所示的人脸识别模型训练方法训练好的人脸识别模型，人脸识别模型的架构如图2所示；
S220：获取所述第一特征输出层和各个所述属性输出层的输出，所述第一特征输出层的输出为所述人脸图像的人脸特征，各个所述属性输出层的输出为所述人脸图像对应于各个所述人脸属性的分类结果。
具体地，在将该人脸识别方法应用于上述的具体实例时，在上述人脸图像人脸识别模型训练完成后，使用该模型进行人脸图像识别，该人脸识别模型的架构如图3所示。所述步骤S210包括如下步骤：
利用关键点对齐并归一化到步骤S110中构建的如图3所示的人脸识别模型要求的输入大小；
然后将人脸图像数据归一化到[-1,1]之间，输入到步骤S120中训练好的人脸识别模型中，进行人脸特征提取和人脸属性分析。
所述步骤S220包括如下步骤：
获取第一特征输出层即fc5层输出的人脸的512维的特征表示向量；
获取属性输出层输出的人脸属性的分类结果，具体地，fc6_male输出性别的分类结果，维度为2，第一维表示是男性的概率，第二维表示是女性的概率，取概率大的那一维作为性别的输出。fc6_age_group作为年龄段的输出，fc6_glass作为是否戴眼镜的输出，fc6_mask作为是否戴口罩的输出，fc6_mustache作为是否有胡子的输出。由此，通过一个人脸识别模型，同时获得了人脸特征提取和人脸属性分析的目的，节省了计算量。
如图6所示，本发明实施例还提供一种人脸识别模型训练***，应用于所述的人脸识别模型训练方法，所述***包括：
模型构建模块M100，用于构建人脸识别模型；
图像采集模块M200，用于获取多个训练图像，并将多个训练图像加入训练集；
模型训练模块M300，用于采用所述训练集训练所述人脸识别模型。
本发明的人脸识别模型训练***将特征提取和属性分析所用模型合二为一，可以降低在训练和图像识别时的计算量，在训练模型时，同时训练特征提取和属性分析，会有多个损失函数，且每个损失函数有对应的权重，这样多个损失函数相互影响，有利于训练出更好的模型参数。其中，各个模块的功能可以采用上述特征提取和属性分析方法的实施方式实现，例如模型构建模块M100可以采用步骤S110的实施方式实现，图像采集模块M200可以采用上述步骤S121的实施方式实现，模型训练模块M300可以采用上述步骤S122的实施方式实现。此处不予赘述。
本发明实施例还提供一种人脸识别模型训练设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的人脸识别模型训练方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为***、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“***”。
下面参照图7来描述根据本发明的这种实施方式的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同***组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作***、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、***总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的人脸识别模型训练方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图8所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，与现有技术相比，本发明所提供的人脸识别模型训练方法、***、设备及介质具有下列优点：
本发明所提供的人脸识别模型训练和人脸识别方法、***、设备及介质具有下列优点：
本发明通过构建一个神经网络模型同时用于人脸特征提取和人脸属性分析，在该神经网络模型中输入图像后，可以同时输出用于识别的特征以及图像的属性，降低图像识别中的计算量，提高了图像识别效率；在模型训练过程中，同时训练特征提取和属性分析，多个损失函数相互影响，有利于训练得到更好的模型参数。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (11)

1.一种人脸识别模型训练方法，其特征在于，包括如下步骤：
S110：构建人脸识别模型，所述人脸识别模型包括：
特征提取层，用于提取输入图像的人脸特征；
全连接层，包括第一特征输出层、第二特征输出层和至少一个属性输出层，所述第一特征输出层和第二特征输出层用于输出人脸特征，所述属性输出层用于输出对应的人脸属性的分类结果，所述特征提取层的输出经过所述第一特征输出层之后分别与所述第二特征输出层和所述属性输出层的输入相连接；
损失函数层，包括特征提取损失函数层和至少一个属性损失函数层，所述第二特征输出层的输出与所述特征提取损失函数层的输入相连接，所述属性输出层的输出与所对应的属性损失函数层的输入相连接；
S120：采用包括多个训练图像的训练集训练所述人脸识别模型。
2.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述人脸识别模型为卷积神经网络模型，所述特征提取层包括输入层、卷积层和池化层。
3.根据权利要求1所述的人脸识别模型训练方法，其特征在于，所述特征提取损失函数层和属性损失函数层分别为softmax函数与交叉熵损失函数结合的损失函数层。
4.根据权利要求1所述的人脸识别模型训练方法，其特征在于，步骤S120包括如下步骤：
S121：获取多个训练图像，采用多个属性的类别分别对所述训练图像进行标注，将标注后的训练图像加入训练集；
S122：采用所述训练集训练所述人脸识别模型。
5.根据权利要求4所述的人脸识别模型训练方法，其特征在于，步骤S121中，获取多个训练图像，包括如下步骤：
基于关键点对齐技术，进行训练图像对齐操作；
将所述训练图像归一化成目标尺寸的图像。
6.根据权利要求4所述的人脸识别模型训练方法，其特征在于，步骤S122中，采用所述训练集训练所述人脸识别模型，包括如下步骤：
确定所述特征提取损失函数层和各个所述属性损失函数层的权重；
结合交叉熵损失函数和softmax函数，分别计算所述特征提取损失函数层和各个所述属性损失函数层的损失值；
利用梯度下降法训练所述人脸识别模型，将所述特征提取损失函数层和各个所述属性损失函数层的梯度加权求和作为梯度下降法反向传播的梯度。
7.根据权利要求6所述的人脸识别模型训练方法，其特征在于，所述交叉熵损失函数L满足如下公式：
其中，j为损失函数层输入数据的顺序编号，yj表示训练图像的标注，zj为损失函数层的第j位输入数据，L为计算得到的函数值；
pj表示损失函数层输出的训练图像属于一类别的概率，通过如下sofmax函数公式计算得到：
其中，m为zj的最大值。
8.一种人脸识别方法，其特征在于，包括如下步骤：
S210：将待识别的人脸图像输入权利要求1至7中任一项所述的人脸识别模型的特征提取层；
S220：获取所述第一特征输出层和各个所述属性输出层的输出，所述第一特征输出层的输出为所述人脸图像的人脸特征，各个所述属性输出层的输出为所述人脸图像对应于各个所述人脸属性的分类结果。
9.一种人脸识别模型训练***，其特征在于，应用于权利要求1至7中任一项所述的人脸识别模型训练方法，所述***包括：
模型构建模块，用于构建人脸识别模型；
图像采集模块，用于获取多个训练图像，并将所述多个训练图像加入训练集；
模型训练模块，用于采用所述训练集训练所述人脸识别模型。
10.一种人脸识别模型训练设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任一项所述的人脸识别模型训练方法的步骤。
11.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至7中任一项所述的人脸识别模型训练方法的步骤。
CN201910369810.7A 2019-05-06 2019-05-06 人脸识别模型训练和人脸识别方法、***、设备及介质 Active CN110084216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910369810.7A CN110084216B (zh) 2019-05-06 2019-05-06 人脸识别模型训练和人脸识别方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910369810.7A CN110084216B (zh) 2019-05-06 2019-05-06 人脸识别模型训练和人脸识别方法、***、设备及介质

Publications (2)

Publication Number Publication Date
CN110084216A true CN110084216A (zh) 2019-08-02
CN110084216B CN110084216B (zh) 2021-11-09

Family

ID=67418707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910369810.7A Active CN110084216B (zh) 2019-05-06 2019-05-06 人脸识别模型训练和人脸识别方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN110084216B (zh)

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458134A (zh) * 2019-08-17 2019-11-15 裴露露 一种人脸识别方法及装置
CN110674397A (zh) * 2019-08-30 2020-01-10 北京百度网讯科技有限公司 年龄点预测模型的训练方法及装置、设备与可读介质
CN110879993A (zh) * 2019-11-29 2020-03-13 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN111062479A (zh) * 2019-12-19 2020-04-24 北京迈格威科技有限公司 基于神经网络的模型快速升级方法及装置
CN111311532A (zh) * 2020-03-26 2020-06-19 深圳市商汤科技有限公司 图像处理方法及装置、电子设备、存储介质
CN111339931A (zh) * 2020-02-25 2020-06-26 四川翼飞视科技有限公司 一种联合性别属性训练的人脸识别网络模型构建方法
CN111353411A (zh) * 2020-02-25 2020-06-30 四川翼飞视科技有限公司 一种基于联合损失函数的遮挡人脸的识别方法
CN111415333A (zh) * 2020-03-05 2020-07-14 北京深睿博联科技有限责任公司 乳腺x射线影像反对称生成分析模型训练方法和装置
CN111539942A (zh) * 2020-04-28 2020-08-14 中国科学院自动化研究所 基于多尺度深度特征融合的人脸深度篡改图像的检测方法
CN111639705A (zh) * 2020-05-29 2020-09-08 江苏云从曦和人工智能有限公司 一种批量图片标注方法、***、机器可读介质及设备
CN111783601A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111818310A (zh) * 2020-08-12 2020-10-23 创意信息技术股份有限公司 公共安全管理平台
CN111881722A (zh) * 2020-06-10 2020-11-03 广东芯盾微电子科技有限公司 一种跨年龄人脸识别方法、***、装置及存储介质
CN112016450A (zh) * 2020-08-27 2020-12-01 京东方科技集团股份有限公司 机器学习模型的训练方法、装置和电子设备
CN112052789A (zh) * 2020-09-03 2020-12-08 腾讯科技（深圳）有限公司 人脸识别方法、装置、电子设备及存储介质
CN112069895A (zh) * 2020-08-03 2020-12-11 广州杰赛科技股份有限公司 一种小目标的人脸识别方法及装置
CN112101172A (zh) * 2020-09-08 2020-12-18 平安科技（深圳）有限公司 基于权重嫁接的模型融合的人脸识别方法及相关设备
WO2021035980A1 (zh) * 2019-08-23 2021-03-04 平安科技（深圳）有限公司 人脸识别模型的训练方法、装置、设备及可读存储介质
CN112825117A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 基于头部特征的行为属性判断方法、装置、介质及设备
CN112825119A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 人脸属性判断方法、装置、计算机可读存储介质及设备
CN112957013A (zh) * 2021-02-05 2021-06-15 江西国科美信医疗科技有限公司 一种动态生命体征信号采集***、监测装置及设备
CN113096202A (zh) * 2021-03-30 2021-07-09 深圳市商汤科技有限公司 图像压缩方法及装置、电子设备及计算机可读存储介质
CN113239876A (zh) * 2021-06-01 2021-08-10 平安科技（深圳）有限公司 大角度人脸识别模型训练方法
CN113780046A (zh) * 2020-12-21 2021-12-10 北京沃东天骏信息技术有限公司 用于训练人脸图像识别模型的方法和装置
CN113808010A (zh) * 2021-09-24 2021-12-17 深圳万兴软件有限公司 无属性偏差的卡通人像生成方法、装置、设备及介质
CN113850243A (zh) * 2021-11-29 2021-12-28 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN113887538A (zh) * 2021-11-30 2022-01-04 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631398A (zh) * 2014-11-24 2016-06-01 三星电子株式会社 识别对象的方法和设备以及训练识别器的方法和设备
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN106778682A (zh) * 2017-01-11 2017-05-31 厦门中控生物识别信息技术有限公司 一种卷积神经网络模型的训练方法及其设备
CN107563279A (zh) * 2017-07-22 2018-01-09 复旦大学 针对人体属性分类的自适应权重调整的模型训练方法
CN107766850A (zh) * 2017-11-30 2018-03-06 电子科技大学 基于结合人脸属性信息的人脸识别方法
CN107886074A (zh) * 2017-11-13 2018-04-06 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测***
CN107993190A (zh) * 2017-11-14 2018-05-04 中国科学院自动化研究所 图像水印去除装置
US20180181813A1 (en) * 2016-12-22 2018-06-28 TCL Research America Inc. Face detection, identification, and tracking system for robotic devices
CN108230291A (zh) * 2017-03-30 2018-06-29 北京市商汤科技开发有限公司 物体识别***训练方法、物体识别方法、装置和电子设备
US20180204094A1 (en) * 2015-11-26 2018-07-19 Tencent Technology (Shenzhen) Company Limited Image recognition method and apparatus
US20180285629A1 (en) * 2017-03-28 2018-10-04 Samsung Electronics Co., Ltd. Face verification method and apparatus
CN108765261A (zh) * 2018-04-13 2018-11-06 北京市商汤科技开发有限公司 图像变换方法和装置、电子设备、计算机存储介质、程序
CN109101915A (zh) * 2018-08-01 2018-12-28 中国计量大学 基于深度学习的人脸与行人及属性识别网络结构设计方法
CN109271884A (zh) * 2018-08-29 2019-01-25 厦门理工学院 人脸属性识别方法、装置、终端设备和存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631398A (zh) * 2014-11-24 2016-06-01 三星电子株式会社 识别对象的方法和设备以及训练识别器的方法和设备
US20180204094A1 (en) * 2015-11-26 2018-07-19 Tencent Technology (Shenzhen) Company Limited Image recognition method and apparatus
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
US20180181813A1 (en) * 2016-12-22 2018-06-28 TCL Research America Inc. Face detection, identification, and tracking system for robotic devices
CN106778682A (zh) * 2017-01-11 2017-05-31 厦门中控生物识别信息技术有限公司 一种卷积神经网络模型的训练方法及其设备
US20180285629A1 (en) * 2017-03-28 2018-10-04 Samsung Electronics Co., Ltd. Face verification method and apparatus
CN108230291A (zh) * 2017-03-30 2018-06-29 北京市商汤科技开发有限公司 物体识别***训练方法、物体识别方法、装置和电子设备
CN107563279A (zh) * 2017-07-22 2018-01-09 复旦大学 针对人体属性分类的自适应权重调整的模型训练方法
CN107886074A (zh) * 2017-11-13 2018-04-06 苏州科达科技股份有限公司 一种人脸检测方法以及人脸检测***
CN107993190A (zh) * 2017-11-14 2018-05-04 中国科学院自动化研究所 图像水印去除装置
CN107766850A (zh) * 2017-11-30 2018-03-06 电子科技大学 基于结合人脸属性信息的人脸识别方法
CN108765261A (zh) * 2018-04-13 2018-11-06 北京市商汤科技开发有限公司 图像变换方法和装置、电子设备、计算机存储介质、程序
CN109101915A (zh) * 2018-08-01 2018-12-28 中国计量大学 基于深度学习的人脸与行人及属性识别网络结构设计方法
CN109271884A (zh) * 2018-08-29 2019-01-25 厦门理工学院 人脸属性识别方法、装置、终端设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邵蔚元 等: "多任务学习及卷积神经网络在人脸识别中的应用", 《计算机工程与应用》 *

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458134B (zh) * 2019-08-17 2020-06-16 南京昀趣互动游戏有限公司 一种人脸识别方法及装置
CN110458134A (zh) * 2019-08-17 2019-11-15 裴露露 一种人脸识别方法及装置
WO2021035980A1 (zh) * 2019-08-23 2021-03-04 平安科技（深圳）有限公司 人脸识别模型的训练方法、装置、设备及可读存储介质
CN110674397A (zh) * 2019-08-30 2020-01-10 北京百度网讯科技有限公司 年龄点预测模型的训练方法及装置、设备与可读介质
CN112825117A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 基于头部特征的行为属性判断方法、装置、介质及设备
CN112825119A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 人脸属性判断方法、装置、计算机可读存储介质及设备
CN110879993A (zh) * 2019-11-29 2020-03-13 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN110879993B (zh) * 2019-11-29 2023-03-14 北京市商汤科技开发有限公司 神经网络训练方法、人脸识别任务的执行方法及装置
CN111062479A (zh) * 2019-12-19 2020-04-24 北京迈格威科技有限公司 基于神经网络的模型快速升级方法及装置
CN111062479B (zh) * 2019-12-19 2024-01-23 北京迈格威科技有限公司 基于神经网络的模型快速升级方法及装置
CN111353411A (zh) * 2020-02-25 2020-06-30 四川翼飞视科技有限公司 一种基于联合损失函数的遮挡人脸的识别方法
CN111339931A (zh) * 2020-02-25 2020-06-26 四川翼飞视科技有限公司 一种联合性别属性训练的人脸识别网络模型构建方法
CN111339931B (zh) * 2020-02-25 2023-04-28 四川翼飞视科技有限公司 一种联合性别属性训练的人脸识别网络模型构建方法
CN111415333A (zh) * 2020-03-05 2020-07-14 北京深睿博联科技有限责任公司 乳腺x射线影像反对称生成分析模型训练方法和装置
CN111415333B (zh) * 2020-03-05 2023-12-01 北京深睿博联科技有限责任公司 乳腺x射线影像反对称生成分析模型训练方法和装置
CN111311532A (zh) * 2020-03-26 2020-06-19 深圳市商汤科技有限公司 图像处理方法及装置、电子设备、存储介质
CN111539942B (zh) * 2020-04-28 2021-08-31 中国科学院自动化研究所 基于多尺度深度特征融合的人脸深度篡改图像的检测方法
CN111539942A (zh) * 2020-04-28 2020-08-14 中国科学院自动化研究所 基于多尺度深度特征融合的人脸深度篡改图像的检测方法
CN111639705A (zh) * 2020-05-29 2020-09-08 江苏云从曦和人工智能有限公司 一种批量图片标注方法、***、机器可读介质及设备
CN111639705B (zh) * 2020-05-29 2021-06-29 江苏云从曦和人工智能有限公司 一种批量图片标注方法、***、机器可读介质及设备
CN111881722A (zh) * 2020-06-10 2020-11-03 广东芯盾微电子科技有限公司 一种跨年龄人脸识别方法、***、装置及存储介质
CN111783601A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN111783601B (zh) * 2020-06-24 2024-04-26 北京百度网讯科技有限公司 人脸识别模型的训练方法、装置、电子设备及存储介质
CN112069895A (zh) * 2020-08-03 2020-12-11 广州杰赛科技股份有限公司 一种小目标的人脸识别方法及装置
CN111818310A (zh) * 2020-08-12 2020-10-23 创意信息技术股份有限公司 公共安全管理平台
WO2022042043A1 (zh) * 2020-08-27 2022-03-03 京东方科技集团股份有限公司 机器学习模型的训练方法、装置和电子设备
CN112016450B (zh) * 2020-08-27 2023-09-05 京东方科技集团股份有限公司 机器学习模型的训练方法、装置和电子设备
CN112016450A (zh) * 2020-08-27 2020-12-01 京东方科技集团股份有限公司 机器学习模型的训练方法、装置和电子设备
CN112052789A (zh) * 2020-09-03 2020-12-08 腾讯科技（深圳）有限公司 人脸识别方法、装置、电子设备及存储介质
CN112052789B (zh) * 2020-09-03 2024-05-14 腾讯科技（深圳）有限公司 人脸识别方法、装置、电子设备及存储介质
CN112101172A (zh) * 2020-09-08 2020-12-18 平安科技（深圳）有限公司 基于权重嫁接的模型融合的人脸识别方法及相关设备
CN112101172B (zh) * 2020-09-08 2023-09-08 平安科技（深圳）有限公司 基于权重嫁接的模型融合的人脸识别方法及相关设备
CN113780046A (zh) * 2020-12-21 2021-12-10 北京沃东天骏信息技术有限公司 用于训练人脸图像识别模型的方法和装置
CN112957013B (zh) * 2021-02-05 2022-11-11 江西国科美信医疗科技有限公司 一种动态生命体征信号采集***、监测装置及设备
CN112957013A (zh) * 2021-02-05 2021-06-15 江西国科美信医疗科技有限公司 一种动态生命体征信号采集***、监测装置及设备
CN113096202B (zh) * 2021-03-30 2023-01-31 深圳市商汤科技有限公司 图像压缩方法及装置、电子设备及计算机可读存储介质
CN113096202A (zh) * 2021-03-30 2021-07-09 深圳市商汤科技有限公司 图像压缩方法及装置、电子设备及计算机可读存储介质
CN113239876A (zh) * 2021-06-01 2021-08-10 平安科技（深圳）有限公司 大角度人脸识别模型训练方法
CN113239876B (zh) * 2021-06-01 2023-06-02 平安科技（深圳）有限公司 大角度人脸识别模型训练方法
CN113808010A (zh) * 2021-09-24 2021-12-17 深圳万兴软件有限公司 无属性偏差的卡通人像生成方法、装置、设备及介质
CN113808010B (zh) * 2021-09-24 2023-08-11 深圳万兴软件有限公司 无属性偏差的卡通人像生成方法、装置、设备及介质
CN113850243A (zh) * 2021-11-29 2021-12-28 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN113887538B (zh) * 2021-11-30 2022-03-25 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质
CN113887538A (zh) * 2021-11-30 2022-01-04 北京的卢深视科技有限公司 模型训练、人脸识别方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN110084216B (zh) 2021-11-09

Similar Documents

Publication Publication Date Title
CN110084216A (zh) 人脸识别模型训练和人脸识别方法、***、设备及介质
EP3940638B1 (en) Image region positioning method, model training method, and related apparatus
WO2020199932A1 (zh) 模型训练方法、人脸识别方法、装置、设备及存储介质
Zhang et al. Fruit classification by biogeography‐based optimization and feedforward neural network
US11487995B2 (en) Method and apparatus for determining image quality
CN111291190B (zh) 一种编码器的训练方法、信息检测的方法以及相关装置
CN107609536A (zh) 信息生成方法和装置
CN107945204A (zh) 一种基于生成对抗网络的像素级人像抠图方法
CN107590807A (zh) 用于检测图像质量的方法和装置
CN108460356A (zh) 一种基于监控***的人脸图像自动处理***
CN111274916A (zh) 人脸识别方法和人脸识别装置
CN107578034A (zh) 信息生成方法和装置
CN114359974B (zh) 一种人体姿态的检测方法、设备及存储介质
CN113361495A (zh) 人脸图像相似度的计算方法、装置、设备及存储介质
CN104281835B (zh) 基于局部敏感的核稀疏表示的人脸识别方法
CN110781970B (zh) 分类器的生成方法、装置、设备及存储介质
US20230334286A1 (en) Machine-learning method and system to optimize health-care resources using doctor-interpretable entity profiles
CN110390308B (zh) 一种基于时空对抗生成网络的视频行为识别方法
CN115761409A (zh) 一种基于深度学习的火情检测方法、装置、设备和介质
CN110633624A (zh) 一种基于多特征融合的机器视觉人体异常行为识别方法
CN105550641A (zh) 基于多尺度线性差分纹理特征的年龄估计方法和***
CN111274946B (zh) 一种人脸识别方法和***及设备
Hossain et al. Multiobjective evolution of deep learning parameters for robot manipulator object recognition and grasping
Zhang et al. Fire detection using vision transformer on power plant
CN116311518A (zh) 一种基于人体交互意图信息的层级人物交互检测方法

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