CN110458133A - 基于生成式对抗网络的轻量级人脸检测方法 - Google Patents
基于生成式对抗网络的轻量级人脸检测方法 Download PDFInfo
- Publication number
- CN110458133A CN110458133A CN201910762210.7A CN201910762210A CN110458133A CN 110458133 A CN110458133 A CN 110458133A CN 201910762210 A CN201910762210 A CN 201910762210A CN 110458133 A CN110458133 A CN 110458133A
- Authority
- CN
- China
- Prior art keywords
- face
- lightweight
- model
- network
- confrontation network
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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 Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于生成式对抗网络的轻量级人脸检测方法,包括:A.构建人脸检测数据集;B.根据基于关键点的实时高精度目标检测算法,建立基于生成式对抗网络的轻量级人脸检测模型;C.对所述的轻量级人脸检测模型进行训练,并根据损失,进行随机梯度下降,更新模型参数;D.输入一张待检测的人脸图片,通过训练好的轻量级人脸检测模型进行一次前向传播,输出含有标注信息的人脸检测图片。本发明在检测过程中能够更易于生成更清晰的人脸,由此大幅度提高了检测的速度和准确性。
Description
技术领域
本发明涉及人脸检测方法,具体讲是基于生成式对抗网络的轻量级人脸检测方法。
背景技术
随着深度学习的出现,基于深度学习的目标检测已经获得巨大突破。但是由于深度学习需要强大的算力支撑,所以在工业上落地困难。人脸检测发展至今,已经逐渐商业化,许多人脸检测算法已经部署至商业产品中,但是人脸检测任务目前存在的问题包括有:尺度、姿势、遮挡、表情、外观、照明等具有高度可变性;目前性能最好的人脸检测器可分为两类:1)基于应用于Faster-RCNN的RPN(深度全卷积网络)采用两阶段检测策略,RPN生成高质量的候选区域(region proposal),然后由Fast-RCNN检测器进一步确认;2)基于单镜头检测器SSD的一阶段检测方法,脱离RPN的思想直接预测回归边框(bbox)和置信度(confidence)。
基于对抗生成网络的图像生成自2014年Ian提出以来,获得了广泛关注,针对人脸遮挡等问题,可以采取基于对抗生成网络的方法生成比较好的去遮挡人脸,从而更准确的进行检测。但总体而言,目前在对一些难检测的样本,如小分辨率的人脸、人脸遮挡等进行人脸生成时,普遍存在速度慢、准确度低的问题,并且目前没有十分有效的解决方式。
发明内容
本发明提供了一种基于生成式对抗网络的轻量级人脸检测方法,在检测过程中有利于生成更清晰的人脸,从而增加检测的准确性。
本发明基于生成式对抗网络的轻量级人脸检测方法,包括:
A.构建人脸检测数据集,包括来源于Winder_face和CelabA两个公开的数据集中的数据,其中Winder_face提供了人脸检测数据,以及标注有真实人脸框的坐标信息,CelabA提供了5个关键点的数据;
B.根据基于关键点的实时高精度目标检测算法(CornerNet_Lite),建立基于生成式对抗网络的轻量级人脸检测模型;
C.对所述的轻量级人脸检测模型进行训练,并根据损失,进行随机梯度下降,更新模型参数;
D.输入一张待检测的人脸图片,通过训练好的轻量级人脸检测模型进行一次前向传播,输出含有标注信息的人脸检测图片。
具体的,步骤B中,在建立轻量级人脸检测模型时,将待检测的人脸目标作为一个点来看待,采用估计关键点的方式来估计回归框的中心点。然后对回归框中待检测人脸的中心点根据基于关键点的实时高精度目标检测算法建立所述轻量级人脸检测模型。
进一步的,在步骤B建立的轻量级人脸检测模型中包括:通过人脸去遮挡生成式对抗网络建立的用于对人脸检测过程中被遮挡的人脸进行复原的人脸去遮挡模型(此部分参与轻量级人脸检测模型的训练),以及由小脸辨别生成式对抗网络通过预训练好的人脸超分辨率模型,对人脸检测过程中的低分辨率的小人脸进行去模糊复原的小脸辨别模型(此部分属于预训练部分,不参与轻量级人脸检测模型的训练)。
具体的,在所述的人脸去遮挡模型中,包含有ResNet(Residual Neural Network)神经网络的瓶颈层(bottleneck),每个瓶颈层具有2个1×1卷积和1个3×3卷积,并采用恒等映射来减少传递误差。
优选的,所述人脸去遮挡模型中的结构分成3级,其中第一级有3个瓶颈层,第二级有3个瓶颈层,并且采用最大池化,降低输入特征图的输入维度,第三级包含1个瓶颈层,并采用自注意力机制模块,提高人脸去遮挡模型捕捉上下文信息的能力。
具体的,在所述的小脸辨别模型中,具有5层的3×3卷积层,并通过由3个不同膨胀率大小的空洞卷积层构成的多尺度判别模块,对不同大小尺度的人脸进行判别。
进一步的,在步骤C包括:
C1.对所述的轻量级人脸检测模型初始化,包括设定轻量级人脸检测模型的参数初始值、学习率等;
C2.将待检测的人脸图片输入到所述轻量级人脸检测模型中,并端到端的输出带有检测框的人脸图片;
C3.将轻量级人脸检测模型训练过程中的总损失误差记为人脸检测损失函数和对抗损失函数之和,根据总损失误差通过随机剃度下降算法进行误差反向传播,更新轻量级人脸检测模型的参数。
具体的,步骤C3所述的人脸检测损失函数为:
其中,X为物体的推荐框,FC(X)为推荐框X的类输出,C表示类别,Lsoftmax()为交叉熵损失(softmax),Lbbox为边框回归,FL(X)为预测的边界框输出,L为真实标注的定位框,表示了预测的边界框及真实标注的定位框的损失。
具体的,步骤C3所述的对抗损失函数为:
其中,G为生成网络,D为判别网络,x为输出图像,Pdata(x)表示真实的数据分布,表示输出图像x关于Pdata(x)的期望,D(x)表示当输入x时,判别网络D的输出,G(x)表示当输入x时,生成网络G的输出。
因此,轻量级人脸检测模型在训练过程中的总损失误差记为loss=LF+λLadv,λ为衡量loss比例的尺度因子;再根据总损失误差loss使用随机梯度下降算法进行误差反向传播,更新模型参数,得到训练好的轻量级人脸检测模型。
本发明基于生成式对抗网络的轻量级人脸检测方法,利用生成式对抗网络生成去遮挡的人脸,还原生成更清晰的人脸,进而增加了人脸检测的可靠性。在通过基于关键点的实时高精度目标检测算法(CornerNet_Lite)建立检测模型时,由于CornerNet_Lite算法是通过检测检测框左上角和右下角的坐标来确定检测物体的位置,而左上角和右下角的目标通常又不在待检测人脸上面,因此本发明采用中心点检测的思想来对目标人脸的中心点进行检测,这样即保证了检测模型的轻量高效,又保证了检测的准确率。特别是对小分辨率人脸、人脸遮挡等难以检测的样本能够进行良好的人脸生成,从而大幅度提高了检测的速度和人脸检测的精度。
以下结合实施例的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下,根据本领域普通技术知识和惯用手段做出的各种替换或变更,均应包括在本发明的范围内。
附图说明
图1为本发明基于生成式对抗网络的轻量级人脸检测方法的流程图。
具体实施方式
如图1所示本发明基于生成式对抗网络的轻量级人脸检测方法,包括:
A.构建人脸检测数据集,包括来源于Winder_face和CelabA两个公开的数据集中的数据,其中Winder_face提供了人脸检测数据,以及标注有真实人脸框的坐标信息,CelabA提供了5个关键点的数据。
B.根据基于关键点的实时高精度目标检测算法(CornerNet_Lite),建立基于生成式对抗网络的轻量级人脸检测模型。在建立轻量级人脸检测模型时,将待检测的人脸目标作为一个点来看待,采用估计关键点的方式来估计回归框的中心点。然后对回归框中待检测人脸的中心点根据基于关键点的实时高精度目标检测算法建立所述轻量级人脸检测模型。
因此,CornetNet_Lite算法是基于关键点进行检测的方法,CornerNet_Lite算法是CornerNet算法的两种有效变体的组合:CornerNet_Saccade算法和CornerNet_Squeeze算法。其中CornerNet_Saccade算法使用注意力机制消除了对图像的所有像素进行彻底处理的需要,以及引入新的紧凑骨干架构的CornerNet_Squeeze。这两种变体共同解决了有效目标检测中的两个关键用例:在不牺牲精度的情况下提高效率,以及提高实时效率的准确性。
通过CornerNet_Saccade算法检测图像中的可能的人脸目标位置周围的小区域内的目标。它使用缩小后的完整图像来预测注意力图和粗边界框,两者都提出可能的对象位置。然后,CornerNet_Saccade算法通过检测以高分辨率为中心的区域来检测目标。它还可以通过控制每个图像处理的最大目标位置数来提高效率。
CornerNet_Squeeze算法与专注于像素子集以减少处理量的CornerNet_saccade算法相比,CornerNet_Squeeze算法采用MobileNetV3small版本作为骨干网络。具体网络结构如表1所示:
表1:
输入 | 操作 | Exp size | #out | SE | NL | s |
224<sup>2</sup>×3 | Conv2d,3×3 | - | 16 | - | HS | 2 |
112<sup>2</sup>×16 | bneck,3×3 | 16 | 16 | √ | RE | 2 |
56<sup>2</sup>×16 | bneck,3×3 | 72 | 24 | - | RE | 2 |
28<sup>2</sup>×24 | bneck,3×3 | 88 | 24 | - | RE | 1 |
28<sup>2</sup>×24 | bneck,5×5 | 96 | 40 | √ | HS | 2 |
14<sup>2</sup>×40 | bneck,5×5 | 240 | 40 | √ | HS | 1 |
14<sup>2</sup>×40 | bneck,5×5 | 240 | 40 | √ | HS | 1 |
14<sup>2</sup>×40 | bneck,5×5 | 120 | 48 | √ | HS | 1 |
14<sup>2</sup>×48 | bneck,5×5 | 144 | 48 | √ | HS | 1 |
14<sup>2</sup>×48 | bneck,5×5 | 288 | 96 | √ | HS | 2 |
7<sup>2</sup>×96 | bneck,5×5 | 576 | 96 | √ | HS | 1 |
7<sup>2</sup>×96 | bneck,5×5 | 576 | 96 | √ | HS | 1 |
7<sup>2</sup>×96 | Conv2d,1×1 | - | 576 | √ | HS | 1 |
7<sup>2</sup>×576 | Pool,7×7 | - | - | - | - | 1 |
1<sup>2</sup>×576 | Conv2d 1×1,NBN | - | 1280 | - | HS | 1 |
1<sup>2</sup>×1280 | Conv2d 1×1,NBN | - | k | - | - | 1 |
其中:Exp size表示输出通道的大小,#out表示输出通道数,SE表示是否使用压缩激励模块,NL表示使用的非线性函数是HS模块或是RS模块,s表示步长。在HL中的RE表示ReLU非线性激活函数,HS激活函数(h-swish[x])表示为:
其中x表示输入特征图。
在建立的轻量级人脸检测模型中包括了2个模型,一个是通过人脸去遮挡生成式对抗网络建立的用于对人脸检测过程中被遮挡的人脸进行复原的人脸去遮挡模型(此部分参与轻量级人脸检测模型的训练),另一个是由小脸辨别生成式对抗网络通过预训练好的人脸超分辨率模型,对人脸检测过程中的低分辨率的小人脸进行去模糊复原的小脸辨别模型(此部分属于预训练部分,不参与轻量级人脸检测模型的训练)。
其中在所述的人脸去遮挡模型中,包含有ResNet(Residual Neural Network)神经网络的瓶颈层(bottleneck),每个瓶颈层具有2个1×1卷积和1个3×3卷积,并采用恒等映射来减少传递误差。并且在人脸去遮挡模型中的结构分成3级,其中第一级有3个瓶颈层,第二级有3个瓶颈层,并且采用最大池化,降低输入特征图的输入维度,第三级包含1个瓶颈层,并采用自注意力机制模块,提高人脸去遮挡模型捕捉上下文信息的能力。
在所述的小脸辨别模型中,具有5层的3×3卷积层,并通过由3个不同膨胀率大小的空洞卷积层构成的多尺度判别模块,对不同大小尺度的人脸进行判别。
C.优化轻量级人脸检测模型:
C1.对所述的轻量级人脸检测模型初始化,包括设定轻量级人脸检测模型的参数初始值、学习率等;
C2.将待检测的人脸图片输入到所述轻量级人脸检测模型中,并端到端的输出带有检测框的人脸图片;
C3.将轻量级人脸检测模型训练过程中的总损失误差记为人脸检测损失函数和对抗损失函数之和,根据总损失误差通过随机剃度下降算法进行误差反向传播,更新轻量级人脸检测模型的参数。
具体的,步骤C3所述的人脸检测损失函数为:
其中,X为物体的推荐框,FC(X)为推荐框X的类输出,C表示类别,Lsoftmax()为交叉熵损失(softmax),bg为背景,Lbbox为边框回归,FL(X)为预测的边界框输出,L为真实标注的定位框,表示了预测的边界框及真实标注的定位框的损失。
具体的,步骤C3所述的对抗损失函数为:
其中,G为生成网络,D为判别网络,x为输出图像,Pdata(x)表示真实的数据分布,表示输出图像x关于Pdata(x)的期望,D(x)表示当输入x时,判别网络D的输出,G(x)表示当输入x时,生成网络G的输出。
因此,轻量级人脸检测模型在训练过程中的总损失误差记为loss=LF+λLadv,λ为衡量loss比例的尺度因子;再根据总损失误差loss使用随机梯度下降算法进行误差反向传播,更新模型参数,得到训练好的轻量级人脸检测模型。
D.输入一张待检测的人脸图片,通过训练好的轻量级人脸检测模型进行一次前向传播,输出含有标注信息的人脸检测图片。
Claims (9)
1.基于生成式对抗网络的轻量级人脸检测方法,其特征包括:
A.构建人脸检测数据集;
B.根据基于关键点的实时高精度目标检测算法,建立基于生成式对抗网络的轻量级人脸检测模型;
C.对所述的轻量级人脸检测模型进行训练,并根据损失,进行随机梯度下降,更新模型参数;
D.输入一张待检测的人脸图片,通过训练好的轻量级人脸检测模型进行一次前向传播,输出含有标注信息的人脸检测图片。
2.如权利要求1所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:步骤B中,对待检测人脸的中心点根据基于关键点的实时高精度目标检测算法建立所述轻量级人脸检测模型。
3.如权利要求1所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:在步骤B建立的轻量级人脸检测模型中包括:通过人脸去遮挡生成式对抗网络建立的用于对人脸检测过程中被遮挡的人脸进行复原的人脸去遮挡模型,以及由小脸辨别生成式对抗网络通过预训练好的人脸超分辨率模型,对人脸检测过程中的低分辨率的小人脸进行去模糊复原的小脸辨别模型。
4.如权利要求3所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:在所述的人脸去遮挡模型中,包含有ResNet神经网络的瓶颈层,每个瓶颈层具有2个1×1卷积和1个3×3卷积,并采用恒等映射来减少传递误差。
5.如权利要求4所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:所述人脸去遮挡模型中的结构分成3级,其中第一级有3个瓶颈层,第二级有3个瓶颈层,并且采用最大池化,降低输入特征图的输入维度,第三级包含1个瓶颈层,并采用自注意力机制模块,提高人脸去遮挡模型捕捉上下文信息的能力。
6.如权利要求3所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:在所述的小脸辨别模型中,具有5层的3×3卷积层,并通过由3个不同膨胀率大小的空洞卷积层构成的多尺度判别模块,对不同大小尺度的人脸进行判别。
7.如权利要求1至6之一所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:在步骤C包括:
C1.对所述的轻量级人脸检测模型初始化;
C2.将待检测的人脸图片输入到所述轻量级人脸检测模型中,并端到端的输出带有检测框的人脸图片;
C3.将轻量级人脸检测模型训练过程中的总损失误差记为人脸检测损失函数和对抗损失函数之和,根据总损失误差通过随机剃度下降算法进行误差反向传播,更新轻量级人脸检测模型的参数。
8.如权利要求7所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:步骤C3所述的人脸检测损失函数为:
其中,X为物体的推荐框,FC(X)为推荐框X的类输出,C表示类别,Lsoftmax()为交叉熵损失,为bg为背景,Lbbox为边框回归,FL(X)为预测的边界框输出,L为真实标注的定位框。
9.如权利要求7所述的基于生成式对抗网络的轻量级人脸检测方法,其特征为:步骤C3所述的对抗损失函数为:
其中,G为生成网络,D为判别网络,x为输出图像,Pdata(x)表示真实的数据分布,表示输出图像x关于Pdata(x)的期望,D(x)表示当输入x时,判别网络D的输出,G(x)表示当输入x时,生成网络G的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762210.7A CN110458133A (zh) | 2019-08-19 | 2019-08-19 | 基于生成式对抗网络的轻量级人脸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910762210.7A CN110458133A (zh) | 2019-08-19 | 2019-08-19 | 基于生成式对抗网络的轻量级人脸检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458133A true CN110458133A (zh) | 2019-11-15 |
Family
ID=68487404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910762210.7A Pending CN110458133A (zh) | 2019-08-19 | 2019-08-19 | 基于生成式对抗网络的轻量级人脸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458133A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428575A (zh) * | 2020-03-02 | 2020-07-17 | 武汉大学 | 一种基于孪生网络的针对模糊目标的跟踪方法 |
CN111553227A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于任务指导的轻量级人脸检测方法 |
CN111582141A (zh) * | 2020-04-30 | 2020-08-25 | 京东方科技集团股份有限公司 | 人脸识别模型训练方法、人脸识别方法及装置 |
CN111768342A (zh) * | 2020-09-03 | 2020-10-13 | 之江实验室 | 基于注意力机制和多级反馈监督的人脸超分辨方法 |
CN112686913A (zh) * | 2021-01-11 | 2021-04-20 | 天津大学 | 基于边界注意力一致性的目标边界检测和目标分割模型 |
CN112801069A (zh) * | 2021-04-14 | 2021-05-14 | 四川翼飞视科技有限公司 | 一种人脸关键特征点检测装置、方法和存储介质 |
CN114331904A (zh) * | 2021-12-31 | 2022-04-12 | 电子科技大学 | 一种人脸遮挡识别方法 |
CN115311241A (zh) * | 2022-08-16 | 2022-11-08 | 天地(常州)自动化股份有限公司 | 一种基于图像融合和特征增强的煤矿井下行人检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN107862270A (zh) * | 2017-10-31 | 2018-03-30 | 深圳云天励飞技术有限公司 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
-
2019
- 2019-08-19 CN CN201910762210.7A patent/CN110458133A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180075581A1 (en) * | 2016-09-15 | 2018-03-15 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN107862270A (zh) * | 2017-10-31 | 2018-03-30 | 深圳云天励飞技术有限公司 | 人脸分类器训练方法、人脸检测方法及装置、电子设备 |
CN109886167A (zh) * | 2019-02-01 | 2019-06-14 | 中国科学院信息工程研究所 | 一种遮挡人脸识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
HEI LAW ET AL.: ""CornerNet: Detecting Objects as Paired Keypoints"", 《INTERNATIONAL JOURNAL OF COMPUTER VISION (2020)》 * |
IAN J. GOODFELLOW ET AL.: ""Generative Adversarial Nets"", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS》 * |
贾洁: ""基于生成对抗网络的人脸超分辨率重建及识别"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428575A (zh) * | 2020-03-02 | 2020-07-17 | 武汉大学 | 一种基于孪生网络的针对模糊目标的跟踪方法 |
CN111428575B (zh) * | 2020-03-02 | 2022-03-04 | 武汉大学 | 一种基于孪生网络的针对模糊目标的跟踪方法 |
CN111553227A (zh) * | 2020-04-21 | 2020-08-18 | 东南大学 | 基于任务指导的轻量级人脸检测方法 |
WO2021218899A1 (zh) * | 2020-04-30 | 2021-11-04 | 京东方科技集团股份有限公司 | 人脸识别模型训练方法、人脸识别方法及装置 |
CN111582141A (zh) * | 2020-04-30 | 2020-08-25 | 京东方科技集团股份有限公司 | 人脸识别模型训练方法、人脸识别方法及装置 |
CN111768342A (zh) * | 2020-09-03 | 2020-10-13 | 之江实验室 | 基于注意力机制和多级反馈监督的人脸超分辨方法 |
CN112686913A (zh) * | 2021-01-11 | 2021-04-20 | 天津大学 | 基于边界注意力一致性的目标边界检测和目标分割模型 |
CN112686913B (zh) * | 2021-01-11 | 2022-06-10 | 天津大学 | 基于边界注意力一致性的目标边界检测和目标分割模型 |
CN112801069A (zh) * | 2021-04-14 | 2021-05-14 | 四川翼飞视科技有限公司 | 一种人脸关键特征点检测装置、方法和存储介质 |
CN114331904A (zh) * | 2021-12-31 | 2022-04-12 | 电子科技大学 | 一种人脸遮挡识别方法 |
CN114331904B (zh) * | 2021-12-31 | 2023-08-08 | 电子科技大学 | 一种人脸遮挡识别方法 |
CN115311241A (zh) * | 2022-08-16 | 2022-11-08 | 天地(常州)自动化股份有限公司 | 一种基于图像融合和特征增强的煤矿井下行人检测方法 |
CN115311241B (zh) * | 2022-08-16 | 2024-04-23 | 天地(常州)自动化股份有限公司 | 一种基于图像融合和特征增强的煤矿井下行人检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458133A (zh) | 基于生成式对抗网络的轻量级人脸检测方法 | |
CN108182456B (zh) | 一种基于深度学习的目标检测模型及其训练方法 | |
WO2023015743A1 (zh) | 病灶检测模型的训练方法及识别图像中的病灶的方法 | |
CN106796716B (zh) | 用于为低分辨率图像提供超分辨率的设备和方法 | |
CN109993095B (zh) | 一种面向视频目标检测的帧级别特征聚合方法 | |
CN110458165B (zh) | 一种引入注意力机制的自然场景文本检测方法 | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN108765506A (zh) | 基于逐层网络二值化的压缩方法 | |
CN108229591A (zh) | 神经网络自适应训练方法和装置、设备、程序和存储介质 | |
CN109784283A (zh) | 基于场景识别任务下的遥感图像目标提取方法 | |
CN111161254A (zh) | 一种骨龄预测方法 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113326735B (zh) | 一种基于YOLOv5的多模态小目标检测方法 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN106203350B (zh) | 一种运动目标跨尺度跟踪方法和装置 | |
CN113205041B (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN108550163A (zh) | 一种复杂背景场景中运动目标检测方法 | |
CN110378346A (zh) | 建立文字识别模型的方法、装置、设备和计算机存储介质 | |
CN114463759A (zh) | 一种基于无锚框算法的轻量化文字检测方法及装置 | |
CN112836692B (zh) | 用于处理图像的方法、装置、设备和介质 | |
CN109977834A (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN114898111B (zh) | 预训练模型生成方法和装置、目标检测方法和装置 | |
CN111768005A (zh) | 轻量级检测模型的训练方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |