CN110443189B - 基于多任务多标签学习卷积神经网络的人脸属性识别方法 - Google Patents
基于多任务多标签学习卷积神经网络的人脸属性识别方法 Download PDFInfo
- Publication number
- CN110443189B CN110443189B CN201910704048.3A CN201910704048A CN110443189B CN 110443189 B CN110443189 B CN 110443189B CN 201910704048 A CN201910704048 A CN 201910704048A CN 110443189 B CN110443189 B CN 110443189B
- Authority
- CN
- China
- Prior art keywords
- face
- attributes
- attribute
- network
- convolutional neural
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000011176 pooling Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 210000004209 hair Anatomy 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 18
- 238000010200 validation analysis Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 210000004709 eyebrow Anatomy 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 241000353135 Psenopsis anomala Species 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 4
- 235000016622 Filipendula ulmaria Nutrition 0.000 claims description 3
- 241000220317 Rosa Species 0.000 claims description 3
- 235000004478 Tragopogon dubius Nutrition 0.000 claims description 3
- 235000005699 Tragopogon pratensis Nutrition 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 210000000216 zygoma Anatomy 0.000 claims description 3
- 241000124033 Salix Species 0.000 claims description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 210000001331 nose Anatomy 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 150000004667 medium chain fatty acids Chemical class 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
基于多任务多标签学***衡问题；最终根据训练好的网络模型，将主观属性和客观属性子网络的人脸属性识别结果作为最终的人脸属性识别结果。使用动态权重方案和自适应阈值调整，加快网路收敛速度的同时可缓解标签不平衡问题；采用空间金字塔池化的方法训练三个不同的子网络，达到了端到端的训练进行多任务多人脸属性识别。提高人脸属性识别的精度，尤其是难度较大的主观属性。
Description
技术领域
本发明涉及计算机视觉技术，具体是涉及一种基于多任务多标签学习卷积神经网络的人脸属性识别方法。
背景技术
在过去几年中，人脸属性识别引起了计算机视觉和模式识别的极大关注，主要应用包括，包括图像检索、人脸识别、行人重识别、微表情识别、图像生成和推荐***。人脸属性识别的任务是：给定人脸面部图像、预测多种人脸属性；如性别、吸引力和微笑。虽然人脸属性识别的任务只是图像级别的分类任务，目前还存在很多的挑战，主要是因为人脸角度、光照等变化引起的面部表情变化等。
近来，由于卷积神经网络(CNN)的出色表现方法利用卷积网络对面部属性进行分类。粗略地说，这些方法可以分为单标签学***等对待各种属性(使用相同的网络所有属性的架构)，不考虑这些属性的不同学***衡标签的问题(例如，“秃头”属性的正样本非常少)，而重新平衡多标签数据是非常困难的，往往平衡了其中一个属性就会影响到另一个属性的平衡。
中国专利申请CN201811093395.9公开一种基于多实例多标签深度迁移学习的人脸属性识别方法，包括如下步骤：准备人脸图像数据集，对每一张人脸图像，提取深度卷积神经网络迁移模型的多个神经层特征，组合成多层人脸特征；搭建提取多标签关系特征的网络模型，并以多层人脸特征为输入，多人脸属性标签为真值，训练固定网络模型参数；针对每一种人脸属性设计一个线性二元分类器，将训练好的多标签关系特征的网络模型作为特征提取器迁移至多人脸属性分类器模型，利用人脸图像数据集训练各线性二元分类器。本发明选择迁移学习的方式，将活力很强的迁移模型快速高效地的迁移至选定的数据集，并搭建训练结构简单的多标签关系特征模型，同时训练多个人脸属性的线性二元分类器。
发明内容
本发明的目的在于针对现有技术存在的上述问题，提供一种基于多任务多标签学习卷积神经网络的人脸属性识别方法。
本发明首先采用多任务学***衡问题；最终根据训练好的网络模型，将主观属性和客观属性子网络的人脸属性识别结果作为最终的人脸属性识别结果。
本发明具体包括以下步骤：
1)准备训练样本集和验证样本集；
2)对于训练样本集中每幅输入人脸图像，通过一个特征提取网络得到一个特征图；
3)将得到的特征图进行不同层级的空间金字塔池化(Spatial PyramidPooling)，从而得到不同维度的特征；
4)采用多任务学习，同时进行人脸特征点检测与人脸属性识别；
5)将人脸属性分为主观属性和客观属性两类，以不同维度的特征作为输入；
6)在深度卷积神经网络里采用一种动态损失权重和自适应阈值机制，用来计算人脸属性的损失权重和调整决策边界阈值，训练样本集中的所有图像输入深度卷积神经网络里利用反向传播算法进行端到端的训练，将验证集样本输入深度卷积神经网络根据分类结果得到损失权重和决策边界；
7)利用训练好的网络模型进行人脸属性识别，主观属性和客观属性的子网络输出识别结果。
在步骤1)中，所述准备训练样本集和验证样本集的具体方法可为：
(1)分别获取人脸关键点检测和人脸属性识别的标注；
(2)将人脸关键点检测和人脸属性识别的标注整合到一起组成训练和验证样本集；训练样本集表示为
i＝1,…,N，N为训练样本数，而样本的验证集表示为
j＝1,…,M，M为验证样本数，其中，landmark_p为人脸关键点的个数，attr_q为人脸属性的总类别数，N、M、landmark_p、attr_q为自然数；
和
分别表示训练集和验证集的一个人脸样本图像；
表示landmark_p个人脸关键点的坐标；
表示attr_q个人脸属性的标签，取值为1或者-1,1表示图像存在该人脸属性，-1表示图像不存在该人脸属性。
在步骤2)中，所述通过一个特征提取网络得到一个特征图的具体步骤可为：
(1)对所有的原始图像的归一化大小为224×224；
(2)采用Resnet50网络(K.He,X.Zhang,S.Ren,and J.Sun,“Deep residuallearning for image recognition,”in Proc.IEEE Conf.Comput.Vis.PatternRecognit.,2016,pp.770-778.)并去掉最后的全局平均池化层和全连接分类层，得到一个7×7的特征图。
在步骤3)中，所述将得到的特征图进行不同层级的空间金字塔池化(SpatialPyramid Pooling)，从而得到不同维度的特征的具体步骤可为：
(1)对特征图采用1×1的空间金字塔池化(K.He,X.Zhang,S.Ren,and J.Sun,“Spatial pyramid pooling in deep convolutional networks for visualrecognition,”IEEE Trans.Pattern Anal.Mach.Intell.,vol.37,no.9,pp.1904-1916,2015.)得到2048维的特征，与人脸特征点检测和客观属性识别的两个子网络的全连接层进行连接。
(2)对特征图采用3×3的空间金字塔池化得到28672维的特征，与主观属性识别的子网络的全连接层进行连接。
在步骤4)中，所述采用多任务学习的具体方法可为：
(1)对于人脸特征点检测任务，用于对给定的图片预测144个特征点的相对坐标值；对于每一个训练样本
计算人脸特征点检测的损失，采用MSE损失函数：
其中，n表示样本数，
和
分别表示预测的和真实的人脸特征点标签；
(2)对于人脸属性分析任务，可视为二分类问题；对于每一个训练样本
计算人脸属性分析任务的损失：
其中，
和
分別表示对于第i个样本第j个属性的预测值和真实标签。
在步骤5)中，所述主观属性包括柳叶眉、有魅力、眼袋大嘴唇、大鼻子、睡眼惺松、浓眉、丰满的、浓妆、高颧骨、细长眼睛、瓜子脸、尖鼻子、玫瑰色的脸颊、微笑的、直发、卷发、波浪发、年轻人等主观人脸属性；所述客观属性包括胡子、秃头的、刘海、黑发、金发、棕发、双下巴、眼镜、山羊胡子、白发、男性、张嘴、胡子(上嘴唇)、胡子(下巴)、白皮肤、发际线向后、连鬓胡子、戴耳环、带帽子、涂口红、带项链、戴领带等客观人脸属性；所述主观属性子网络有三层全连接层，分别有2048，1024和22个节点，所述客观属性子网络有两层全连接层，分别有1024和22个节点。
在步骤6)中，所述动态损失权重和自适应阈值机制具体可为：
根据验证集的损失趋势给每个属性在反向传播时候加权重；
其中，
是第j个属性在第t次迭代过程中权重，
是第j个属性在验证集的损失；
自适应阈值调整公式如下：
其中，τt是一个属性个数维度的阈值向量，l表示目前全部样本训练的轮次，V是验证集样本总数，
和
分别表示在验证集上错误判别为正类的样本数和错误判别为负类的样本数，γ是一个常数，设置为0.01。
本发明提出了一种基于多任务多标签学***衡问题。本发明采用空间金字塔池化的方法训练了三个不同的子网络，达到了端到端的训练进行多任务多人脸属性识别。
附图说明
图1为本发明实施例的框架图。
具体实施方式
以下实施例将结合附图和对本发明的方法作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了实施方式和具体操作过程，但本发明的保护范围不限于下述的实施例。
参见图1，本发明实施例包括以下步骤：
1.准备训练样本集和验证样本，使用开源的python库需要人脸特征点标签，人脸属性标签为数据库自带标签。
A1.分别获取人脸关键点检测和人脸属性识别的标注；
A2.将人脸关键点检测和人脸属性识别的标注整合到一起组成训练和验证样本集
i＝1,…,N，N为训练样本数，
j＝1,…,M，M为验证样本数，landmark_p为人脸关键点的个数，attr_q为人脸属性的总类别数，N、M、landmark_p、attr_q为自然数；
和
分别表示训练集和验证集的一个样本图像；
表示landmark_p个人脸关键点的坐标；
表示attr_q个人脸属性的标签。
2.对于任意一张给定图片首先调整到固定大小，具体如下：
B1.对所有的原始图像的归一化大小为224×224。
B2.采用Resnet50网络(K.He,X.Zhang,S.Ren,and J.Sun,“Deep residuallearning for image recognition,”in Proc.IEEE Conf.Comput.Vis.PatternRecognit.,2016,pp.770-778.)并去掉最后的全局平均池化层和全连接分类层，得到一个7×7的特征图。
3.对于得到的特征图进行不同的空间金字塔池化得到不同维度的特征，具体如下：
C1.对特征图采用1×1的空间金字塔池化(K.He,X.Zhang,S.Ren,and J.Sun,“Spatial pyramid pooling in deep convolutional networks for visualrecognition,”IEEE Trans.Pattern Anal.Mach.Intell.,vol.37,no.9,pp.1904-1916,2015.)得到2048维的特征，与人脸特征点检测和客观属性识别的两个子网络的全连接层进行连接。
C2.对特征图采用3×3的空间金字塔池化得到28672维的特征，与主观属性识别的子网络的全连接层进行连接。
4.多任务学习进一步进行人脸特征点检测任务：
D1.对于人脸特征点检测任务，用于对给定的图片预测144个特征点的相对坐标值。对于每一个训练样本
计算人脸特征点检测的损失，采用MSE损失函数：
n表示样本数，
和
分别表示预测的和真实的人脸特征点标签。
D2.对于人脸属性分析任务，可视为二分类问题。对于每一个训练样本
计算人脸属性分析任务的损失：
其中
和
分別表示对于第i个样本第j个属性的预测值和真实标签。
5.将属性分为主观属性和客观属性两组，然后通过不同的网络结构得到输出结果。
其中：柳叶眉，有魅力，眼袋大嘴唇，大鼻子，睡眼惺松，浓眉，丰满的，浓妆，高颧骨，细长眼睛，瓜子脸，尖鼻子，玫瑰色的脸颊，微笑的，直发，卷发，波浪发，年轻人18个主观人脸属性和胡子，秃头的，刘海，黑发，金发，棕发，双下巴，眼镜，山羊胡子，白发，男性，张嘴，胡子(上嘴唇)，胡子(下巴)，白皮肤，发际线向后，连鬓胡子，戴耳环，带帽子，涂口红，带项链，戴领带22个客观人脸属性。主观属性子网络有三层全连接层，分别有2048，1024和22个节点，客观属性子网络有两层全连接层，分别有1024和22个节点。
6.为了加快收敛和解决正负样本类别不平衡问题，训练过程中使用动态损失权重和自适应阈值机制具体如下：
根据验证集的损失趋势给每个属性在反向传播时候加权重，
其中
是第j个属性在第t次迭代过程中权重，
是第j个属性在验证集的损失。
自适应阈值调整公式如下：
其中，τt是一个属性个数维度的阈值向量，l表示目前全部样本训练的轮次，V是验证集样本总数，
和
分别表示在验证集上错误判别为正类的样本数和错误判别为负类的样本数，γ是一个常数，设置为0.01。
表1为本发明在CelebA数据集上，本发明提出的方法与其他人脸属性识别方法结果对比；表2为本发明在LFWA数据集上，本发明提出的方法与其他人脸属性识别方法结果对比。
表1
表2
在表1和2中：
PANDA对应N.Zhang等人提出的方法(N.Zhang,M.Paluri,M.Ranzato,T.Darrel,“Panda:Pose aligned networks for deep attribute modeling”,in Proceedings ofthe IEEE Conference on Computer Vision and Pattern Recognition,2014,pp.1637-1644.)；
LNets+ANet对应Z.Liu等人提出的方法(Z.Liu,P.Luo,X.Wang,X.Tang,“Deeplearning face attributes in the wild”,in Proceedings of the IEEEInternational Conference on Computer Vision,2015,pp.3730-3738.)；
MOON对应E.M.Rudd等人提出的方法(E.M.Rudd,M.Gunther,and T.E.Boult,“Moon:A mixed objective optimization network for the recognition of facialattributes,”in Proc.Eur.Conf.Comput.Vis.,2016,pp.19-35.)；
NSA对应U.Mahbub等人提出的方法(U.Mahbub,S.Sarkar,and R.Chellappa,“Segment-based methods for facial attribute detection from partial faces,”inIEEE Trans.Affective Comput.doi:10.1109/TAFFC.2018.2820048,2018.)；
MCNN-AUX对应E.M.Hand等人提出的方法(E.M.Hand and R.Chellappa,“Attributes for improved attributes:A multi-task network for attributeclassification,”in Proc.ThirtyFirst AAAI Conf.Artif.Intell.,2017.)；
MCFA对应N.Zhuang等人提出的方法(N.Zhuang,Y.Yan,S.Chen and H.Wang,“Multi-task learning of cascaded CNN for facial attribute classification,”inProc.Int.Conf.Pattern Recog.,2018,pp.2069-2074.)。
从表1和2可以看出，本发明可以有效地进行人脸属性识别，通过对算法分析可知，相对于常规的人脸属性识别算法，本发明可以提高人脸属性识别的精度，尤其是一些难度较大的主观属性。
Claims (5)
1.基于多任务多标签学习卷积神经网络的人脸属性识别方法，其特征在于包括以下步骤：
1)准备训练样本集和验证样本集；
2)对于训练样本集中每幅输入人脸图像，通过一个特征提取网络得到一个特征图；
3)将得到的特征图进行不同层级的空间金字塔池化，从而得到不同维度的特征，具体步骤为：
(1)对特征图采用1×1的空间金字塔池化得到2048维的特征，与人脸特征点检测和客观属性识别的两个子网络的全连接层进行连接；
(2)对特征图采用3×3的空间金字塔池化得到28672维的特征，与主观属性识别的子网络的全连接层进行连接；
4)采用多任务学习，同时进行人脸特征点检测与人脸属性识别；
5)将人脸属性分为主观属性和客观属性两类，以不同维度的特征作为输入；
6)在深度卷积神经网络里采用一种动态损失权重和自适应阈值机制，用来计算人脸属性的损失权重和调整决策边界阈值，训练样本集中的所有图像输入深度卷积神经网络里利用反向传播算法进行端到端的训练，将验证集样本输入深度卷积神经网络根据分类结果得到损失权重和决策边界；
所述动态损失权重和自适应阈值机制具体为：
根据验证集的损失趋势给每个属性在反向传播时候加权重；
其中，
是第j个属性在第t次迭代过程中权重，
是第j个属性在验证集的损失；
自适应阈值调整公式如下：
其中，τt是一个属性个数维度的阈值向量，l表示目前全部样本训练的轮次，V是验证集样本总数，
和
分别表示在验证集上错误判别为正类的样本数和错误判别为负类的样本数，γ是一个常数，设置为0.01；
7)利用训练好的网络模型进行人脸属性识别，主观属性和客观属性的子网络输出识别结果。
2.如权利要求1所述基于多任务多标签学习卷积神经网络的人脸属性识别方法，其特征在于在步骤1)中，所述准备训练样本集和验证样本集的具体方法为：
(1)分别获取人脸关键点检测和人脸属性识别的标注；
(2)将人脸关键点检测和人脸属性识别的标注整合到一起组成训练和验证样本集；训练样本集表示为
N为训练样本数，而样本的验证集表示为
M为验证样本数，其中，landmark_p为人脸关键点的个数，attr_q为人脸属性的总类别数，N、M、landmark_p、attr_q为自然数；
和
分别表示训练集和验证集的一个人脸样本图像；
表示landmark_p个人脸关键点的坐标；
表示attr_q个人脸属性的标签，取值为1或者-1,1表示图像存在该人脸属性，-1表示图像不存在该人脸属性。
3.如权利要求1所述基于多任务多标签学习卷积神经网络的人脸属性识别方法，其特征在于在步骤2)中，所述通过一个特征提取网络得到一个特征图的具体步骤为：
(1)对所有的原始图像的归一化大小为224×224；
(2)采用Resnet50网络并去掉最后的全局平均池化层和全连接分类层，得到一个7×7的特征图。
4.如权利要求1所述基于多任务多标签学习卷积神经网络的人脸属性识别方法，其特征在于在步骤4)中，所述采用多任务学习的具体方法为：
(1)对于人脸特征点检测任务，用于对给定的图片预测144个特征点的相对坐标值；对于每一个训练样本
计算人脸特征点检测的损失，采用MSE损失函数：
其中，n表示样本数，
和
分别表示预测的和真实的人脸特征点标签；
(2)对于人脸属性分析任务，视为二分类问题；对于每一个训练样本
计算人脸属性分析任务的损失：
其中，
和
分別表示对于第i个样本第j个属性的预测值和真实标签。
5.如权利要求1所述基于多任务多标签学习卷积神经网络的人脸属性识别方法，其特征在于在步骤5)中，所述主观属性包括柳叶眉、有魅力、眼袋大嘴唇、大鼻子、睡眼惺松、浓眉、丰满的、浓妆、高颧骨、细长眼睛、瓜子脸、尖鼻子、玫瑰色的脸颊、微笑的、直发、卷发、波浪发、年轻人主观人脸属性；所述客观属性包括胡子、秃头的、刘海、黑发、金发、棕发、双下巴、眼镜、山羊胡子、白发、男性、张嘴、胡子上嘴唇、胡子下巴、白皮肤、发际线向后、连鬓胡子、戴耳环、带帽子、涂口红、带项链、戴领带客观人脸属性；所述主观属性子网络有三层全连接层，分别有2048，1024和22个节点，所述客观属性子网络有两层全连接层，分别有1024和22个节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910704048.3A CN110443189B (zh) | 2019-07-31 | 2019-07-31 | 基于多任务多标签学习卷积神经网络的人脸属性识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910704048.3A CN110443189B (zh) | 2019-07-31 | 2019-07-31 | 基于多任务多标签学习卷积神经网络的人脸属性识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110443189A CN110443189A (zh) | 2019-11-12 |
| CN110443189B true CN110443189B (zh) | 2021-08-03 |
Family
ID=68432694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910704048.3A Active CN110443189B (zh) | 2019-07-31 | 2019-07-31 | 基于多任务多标签学习卷积神经网络的人脸属性识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443189B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111191675B (zh) * | 2019-12-03 | 2023-10-24 | 深圳市华尊科技股份有限公司 | 行人属性识别模型实现方法及相关装置 |
| CN111178403B (zh) * | 2019-12-16 | 2023-10-17 | 北京迈格威科技有限公司 | 训练属性识别模型的方法、装置、电子设备及存储介质 |
| CN111523578B (zh) * | 2020-04-13 | 2021-07-23 | 推想医疗科技股份有限公司 | 图像分类方法及装置、神经网络模型的训练方法及装置 |
| CN111612133B (zh) * | 2020-05-20 | 2021-10-19 | 广州华见智能科技有限公司 | 基于人脸图像多阶段关系学习的内脏器官特征编码方法 |
| CN111666846B (zh) * | 2020-05-27 | 2023-05-30 | 厦门大学 | 一种人脸属性识别方法和装置 |
| CN112215162B (zh) * | 2020-10-13 | 2023-07-25 | 北京中电兴发科技有限公司 | 一种基于mcnn网络的多标签多任务人脸属性预测方法 |
| CN112200260B (zh) * | 2020-10-19 | 2022-06-14 | 厦门大学 | 一种基于丢弃损失函数的人物属性识别方法 |
| CN112232445B (zh) * | 2020-12-11 | 2021-05-11 | 北京世纪好未来教育科技有限公司 | 多标签分类任务网络的训练方法和装置 |
| CN113496393A (zh) * | 2021-01-09 | 2021-10-12 | 武汉谦屹达管理咨询有限公司 | 一种基于区块链的离线支付金融***及方法 |
| CN113139486A (zh) * | 2021-04-29 | 2021-07-20 | 北京百度网讯科技有限公司 | 用于处理图像的方法、装置、设备以及存储介质 |
| CN115311730B (zh) * | 2022-09-23 | 2023-06-20 | 北京智源人工智能研究院 | 一种人脸关键点的检测方法、***和电子设备 |
| CN115798023B (zh) * | 2023-02-13 | 2023-04-18 | 成都睿瞳科技有限责任公司 | 一种人脸识别认证方法、装置、存储介质及处理器 |
| CN117152566A (zh) * | 2023-10-30 | 2023-12-01 | 苏州元脑智能科技有限公司 | 一种分类模型训练方法、模型、分类方法以及产品 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201322037D0 (en) * | 2013-12-12 | 2014-01-29 | Touchtype Ltd | System and method for inputting images/labels into electronic devices |
| CN106203395B (zh) * | 2016-07-26 | 2020-01-14 | 厦门大学 | 基于多任务深度学习的人脸属性识别方法 |
| US10796135B2 (en) * | 2017-09-28 | 2020-10-06 | Nec Corporation | Long-tail large scale face recognition by non-linear feature level domain adaptation |
| CN108564029B (zh) * | 2018-04-12 | 2020-12-01 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
| CN109815826B (zh) * | 2018-12-28 | 2022-11-08 | 新大陆数字技术股份有限公司 | 人脸属性模型的生成方法及装置 |
-
2019
- 2019-07-31 CN CN201910704048.3A patent/CN110443189B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110443189A (zh) | 2019-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443189B (zh) | 基于多任务多标签学习卷积神经网络的人脸属性识别方法 | |
| CN111814706B (zh) | 基于多任务卷积神经网络的人脸识别及属性分类方法 | |
| CN107169455B (zh) | 基于深度局部特征的人脸属性识别方法 | |
| Galdámez et al. | A brief review of the ear recognition process using deep neural networks | |
| CN109389074B (zh) | 一种基于人脸特征点提取的表情识别方法 | |
| Agarwal et al. | Face recognition using principle component analysis, eigenface and neural network | |
| Agarwal et al. | Face recognition using eigen faces and artificial neural network | |
| Soyel et al. | Facial expression recognition using 3D facial feature distances | |
| Sunhem et al. | An approach to face shape classification for hairstyle recommendation | |
| CN109815826A (zh) | 人脸属性模型的生成方法及装置 | |
| Eleyan et al. | Face recognition system based on PCA and feedforward neural networks | |
| CN106599785A (zh) | 人体3d特征身份信息库的建立方法及设备 | |
| Soyel et al. | Optimal feature selection for 3D facial expression recognition using coarse-to-fine classification | |
| Riaz et al. | A model based approach for expressions invariant face recognition | |
| Mustafa et al. | Cross-Cultural Facial Expression Recogniton Using Gradient Features And Support Vector Machine | |
| Deepa et al. | Repercussion of Expressions in Facial Age Estimation | |
| Costa et al. | Improving human perception of GAN generated facial image synthesis by filtering the training set considering facial attributes | |
| Said et al. | Face Recognition System | |
| Abdullah et al. | Hybrid Based Model Face Shape Classification Using Ensemble Method for Hairstyle Recommender System | |
| Wei et al. | 3D facial expression recognition based on Kinect | |
| Wimmer et al. | Recognizing facial expressions using model-based image interpretation | |
| Tiwari et al. | Facial Expression Recognition Using Keras in Machine Learning | |
| CN113221799B (zh) | 一种多头部姿态人脸表情识别方法及其应用 | |
| Murthy et al. | Recognizing facial expressions using eigenspaces | |
| JP7474553B2 (ja) | 対象物の領域画像毎に異なる入力中間層を用いてラベルを推定するプログラム、装置及び方法 |
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 |