CN110490027B - 人脸特征提取训练方法及*** - Google Patents
人脸特征提取训练方法及*** Download PDFInfo
- Publication number
- CN110490027B CN110490027B CN201810458824.1A CN201810458824A CN110490027B CN 110490027 B CN110490027 B CN 110490027B CN 201810458824 A CN201810458824 A CN 201810458824A CN 110490027 B CN110490027 B CN 110490027B
- Authority
- CN
- China
- Prior art keywords
- classification
- loss
- face
- picture
- clustering
- 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 48
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 11
- 230000001815 facial effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种用于人脸识别的人脸特征提取训练方法,包括如下步骤:接收用于训练的人脸图像以及相应的分类标签;对所述人脸图像进行运算处理并获取所述人脸图像的图片特征;对所述人脸图像进行图片分类并计算分类损失;选择与所述分类标签一致的图片特征进行聚类并计算聚类损失;根据所述分类损失和所述聚类损失计算总损失。本发明还公开一种人脸特征提取训练***。本发明人脸特征提取训练方法及***,在训练过程中,把特征的分类与聚类结合起来考虑,只对分类正确的特征进行聚类,这样有效的防止了训练过程中特征聚类损失的不收敛,使训练出的模型泛化能力更好。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种用于人脸识别的人脸特征提取训练方法及***。
背景技术
人脸识别,是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术,通常也叫做人像识别、面部识别。在深度学习方面,已经提出了很多的人脸识别训练方法,但是这些方法需要对训练数据进行特别的处理与分配,实施起来比较复杂。最近提出的中心点损失训练方法,虽然简单易用,但是常会发生训练过程的不收敛导致训练崩溃。现在急需一种数据处理简单并且训练过程稳定可容易收敛的人脸识别训练***,来解决这样的问题。
发明内容
基于此,有必要针对目前人脸识别训练***存在的数据处理复杂、训练过程不稳定容易崩溃等问题,提供一种数据处理简单并且训练过程稳定可容易收敛的人脸识别训练***及方法。
根据本发明的目的,提供一种用于人脸识别的人脸特征提取训练方法,包括如下步骤:
接收用于训练的人脸图像以及相应的分类标签;
对所述人脸图像进行运算处理并获取所述人脸图像的图片特征;
根据分类标签对所述人脸图像进行图片分类并计算分类损失;
选择分类正确的图片特征进行聚类并计算聚类损失;
根据所述分类损失和所述聚类损失计算总损失。
在其中一个实施例中,所述对所述人脸图像进行运算处理的步骤包括对所述人脸图像进行卷积运算和下采样运算。
在其中一个实施例中,对所述人脸图像进行图片分类的步骤为根据softmax分类函数进行分类。
在其中一个实施例中,所述计算分类损失为根据下述公式进行计算:
其中,Ls为分类损失,m为每次输入的图片数量,0≤j<m;
YPj为经过softmax函数分类后预测的类别,0≤YPj≤r,其中r为进行训练的r个人的人脸图像;yj为第j张输入图片的标签。
在其中一个实施例中,所述选择分类正确的图片特征进行聚类的步骤为:
判断分类结果与分类标签是否一致,统计各个类别分类正确的数量k:
其中yq为输入的图片相应的类别标签,0≤q<r,0<yq<r-1;
对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的均值中心Cq,丢弃分类不正确的图片特征:
在其中一个实施例中,所述计算聚类损失的步骤为:
计算所有类别特征的均值中心的损失Lc:
其中,cop为上一次的特征均值中心。
在其中一个实施例中,还包括:
计算聚类损失后对每一个类别的特征均值中心cop进行更新:
cop=cq-Δc (1-5)
在其中一个实施例中,所述根据所述分类损失和所述聚类损失计算总损失的步骤为:
Ltotal=Ls+γ*Lc (1-7)
其中,γ表示控制聚类特征损失对总损失的贡献程度,0<γ<1。
根据本发明的目的,还提供一种人脸特征提取训练***,用于进行人脸识别,包括:
人脸图片输入模块,用于接收用于训练的人脸图像;
图片分类标签模块,用于接收用于训练的人脸图像相应的分类标签;
隐藏层,用于对所述人脸图像进行卷积运算与下采样运算;
第一全连接层,用于获取所述人脸图像的图片特征;
第二全连接层,用于对所述人脸图像进行图片分类;
Softmax分类层,用于接收所述第二全连接层信息,使用softmax分类函数对输入的图片进行分类;
Softmax分类损失层,用于根据分类结果以及输入的人脸图片的类别标签计算分类损失;
聚类层,用于根据分类结果以及输入的人脸图片的类别标签,选择分类正确的图像特征进行聚类;
聚类损失层,用于计算所有类别特征的均值中心的损失;
总损失层,用于根据所述分类损失和所述聚类损失计算总损失。
在其中一个实施例中,还包括:
更新层,用于计算聚类损失后更新每一个类别的特征均值中心值。
本发明的有益效果包括:一种人脸特征提取训练方法及***,用于人脸识别,包括如下步骤:接收用于训练的人脸图像以及相应的分类标签;对所述人脸图像进行运算处理并获取所述人脸图像的图片特征;对所述人脸图像进行图片分类并计算分类损失;选择分类正确的图片特征进行聚类并计算聚类损失;根据所述分类损失和所述聚类损失计算总损失。本发明人脸特征提取训练方法及***,在训练过程中,把特征的分类与聚类结合起来考虑,只对分类正确的特征进行聚类,这样有效的防止了训练过程中特征聚类损失的不收敛,使训练出的模型泛化能力更好。
附图说明
图1为本发明一实施例的人脸特征提取训练方法流程图;
图2为本发明一实施例的人脸特征提取训练***示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图对本发明实施例的人脸检测的方法及装置的具体实施方式进行说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如上所述,在深度学习方面,已经提出了很多的人脸识别训练方法,但是这些方法需要对训练数据进行特别的处理与分配,实施起来比较复杂。最近提出的中心点损失训练方法,虽然简单易用,但是常会发生训练过程的不收敛导致训练崩溃。现在急需一种数据处理简单并且训练过程稳定可容易收敛的人脸识别训练***,来解决这样的问题。而本发明人脸特征提取训练方法及***,在训练过程中,把特征的分类与聚类结合起来考虑,只对分类正确的特征进行聚类,这样有效的防止了训练过程中特征聚类损失的不收敛,使训练出的模型泛化能力更好。
以下结合附图1-2对本发明进行进一步详细地阐述。
参考图1,为本发明一种人脸特征提取训练方法100,用于人脸识别该方法100包括如下步骤:
步骤S110:接收用于训练的人脸图像以及相应的分类标签。
步骤S120:对所述人脸图像进行运算处理。
所述对所述人脸图像进行运算处理的步骤包括对所述人脸图像进行卷积运算和下采样运算。
步骤S130:获取所述人脸图像的图片特征。
步骤S140:对所述人脸图像进行图片分类。
具体为根据softmax分类函数进行分类。首先输出训练数据人的类别个数,比如,有100个不同的人,则此层输出100个值,用于softmax分类。然后,根据softmax分类函数进行分类。
步骤S150:计算分类损失。
所述计算分类损失为根据下述公式进行计算:
其中,Ls为分类损失,m为每次输入的图片数量,0≤j<m;
YPj为经过softmax函数分类后预测的类别,0≤YPj≤r,其中r为进行训练的r个人的人脸图像;yj为第j张输入图片的标签。
步骤S160:选择分类正确的图片特征进行聚类。所述选择分类正确的图片特征进行聚类的步骤为:
判断分类结果与分类标签是否一致,统计各个类别分类正确的数量k:
其中yq为输入的图片相应的类别标签,0≤q<r,0<yq<r-1;
对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的均值中心Cq,丢弃分类不正确的图片特征:
***在训练时每次输入m张图片,图片经过隐藏层的处理之后输出到第一全连接层,第一全连接层获取人脸图像的图片特征,处理后提取到的图片特征为n维的向量(f1,f2,…,fn)。
步骤S170:计算聚类损失。
所述计算聚类损失的步骤为:
计算所有类别特征的均值中心的损失Lc:
其中,cop为上一次的特征均值中心。
步骤S180:根据所述分类损失和所述聚类损失计算总损失。
所述根据所述分类损失和所述聚类损失计算总损失的步骤为:
Ltotal=Ls+γ*Lc (1-7)
其中,γ表示控制聚类特征损失对总损失的贡献程度,0<γ<1。
在另一个实施例中,上述方法100还可以包括如下步骤:计算聚类损失后对每一个类别的特征均值中心cop进行更新:
cop=cq-Δc (1-5)
参考图2,本发明还公开一种人脸特征提取训练***200,用于进行人脸识别。该***200包括:人脸图片输入模块201,图片分类标签模块202,隐藏层203,第一全连接层204(全连接层1),第二全连接层205(全连接层2),Softmax分类层206,Softmax分类损失层207,聚类层208,聚类损失层209和总损失层210。
人脸图片输入模块201,用于接收用于训练的人脸图像;图片分类标签模块202,用于接收用于训练的人脸图像相应的分类标签;隐藏层203,用于对所述人脸图像进行卷积运算与下采样运算;第一全连接层204,用于获取所述人脸图像的图片特征;第二全连接层205,用于对所述人脸图像进行图片分类。第二个全连接层输出训练数据人的类别个数,比如有100个不同的人,则此层输出100个值,用于softmax分类。Softmax分类层206,用于接收所述第二全连接层信息,使用softmax分类函数对输入的图片进行分类;Softmax分类损失层207,用于根据分类结果以及输入的人脸图片的类别标签计算分类损失;聚类层208,用于根据分类结果以及输入的人脸图片的类别标签,选择分类正确的图像特征进行聚类;聚类损失层209,用于计算所有类别特征的均值中心的损失;总损失层210,用于根据所述分类损失和所述聚类损失计算总损失。
在另一实施例中,该***还可以包括:更新层(图未示),用于计算聚类损失后更新每一个类别的特征均值中心值。
本发明人脸特征提取训练方法及***,在训练过程中,把特征的分类与聚类结合起来考虑,只对分类正确的特征进行聚类,这样有效的防止了训练过程中特征聚类损失的不收敛,使训练出的模型泛化能力更好。
下面以一具体实施例对上述训练方法进行详细说明:
***在模型训练阶段,训练的人脸图片有r个人,并分别为输入的图片标记为0~r-1的r类,则在训练过程中人脸特征的聚类分为r类进行特征聚类。
在训练时每次给***输入m张图片,图片经过隐藏层的处理之后输出到全连接层1,全连接层1处理后提取到的图片特征为n维的向量(f1,f2,…,fn)。
输入的m张图片最终经softmax分类之后预测的类别为YPj(0≤j<m),YPj的取值为0到r-1的整数。计算分类损失按照公式(1-1)来计算,其中yj为第j张输入图片的标签。
过滤层(聚类层)根据softmax层的分类结果来对输入的m张图片进行各个类别的统计,统计输入的m张图片里各个类别分类正确的数量分别是多少,由公式(1-2)来计算,其中yq为输入的图片的相应的类别标签,取值范围为0~r-1的整数。然后才对每个类别的正确的分类特征进行聚类,丢弃掉分类不正确的特征。即,分别计算每个类别的特征向量的均值中心Cq,由公式(1-3)来计算。之后在特征的聚类损失层由公式(1-4)来计算所有类别特征的均值中心的损失Lc,其中cop为上一次的特征均值中心。
此次计算完聚类损失之后,对每一个类别的特征均值中心cop进行更新,由公式(1-5)和(1-6)来计算。最终***的总的损失Ltotal由公式(1-7)来计算,γ(0<γ<1)用来控制聚类特征损失对总损失的贡献程度。
由于训练已经使得全连接层1具有了描述人脸脸部特征的能力,因此在模型的应用识别阶段,舍弃掉了全连接层1之后的网络,利用全连接层1进行输入的人脸图片的特征提取。在识别时,可以用距离来衡量提取到的两个人脸图片特征n维向量(f1,f2,…,fn)之间的相似度,并且设置一阈值h_value,若距离小于等于h_value则两个图片中人脸为同一人,若大于h_value,则不是同一个人。距离算法可以采用欧式距离、余弦距离等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种用于人脸识别的人脸特征提取训练方法,其特征在于,包括如下步骤:
接收用于训练的人脸图像以及相应的分类标签;
对所述人脸图像进行运算处理并获取所述人脸图像的图片特征,所述运算处理包括对所述人脸图像进行卷积运算和下采样运算;
对所述人脸图像进行图片分类并计算分类损失;
选择与所述分类标签一致的图片特征进行聚类并计算聚类损失;
根据所述分类损失和所述聚类损失计算总损失;
所述选择与所述分类标签一致的图片特征进行聚类的步骤为:
判断分类结果与分类标签是否一致,统计各个类别分类正确的数量;
对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的均值中心,丢弃分类不正确的图片特征。
2.根据权利要求1所述的人脸特征提取训练方法,其特征在于,对所述人脸图像进行图片分类的步骤为根据softmax分类函数进行分类。
4.根据权利要求1所述的人脸特征提取训练方法,其特征在于,所述判断分类结果与分类标签是否一致,统计各个类别分类正确的数量,根据下述公式进行计算:
其中k为各个类别分类正确的数量k,yq为输入的图片相应的类别标签,0≤q<r,0<yq<r-1;m为每次输入的图片数量,j为第j张输入图片,0≤j<m;YPj为经过softmax函数分类后预测的类别,0≤YPj≤r,其中r为进行训练的r个人的人脸图像;
所述对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的均值中心,丢弃分类不正确的图片特征,按照下述公式进行计算:
其中cq为每个类别的特征向量的均值中心,处理后提取到的图片特征为n维的向量(f1,f2,…,fn)。
7.根据权利要求5或6所述的人脸特征提取训练方法,其特征在于,所述根据所述分类损失和所述聚类损失计算总损失的步骤为:
Ltotal=Ls+γ*Lc (1-7)
其中,γ表示控制聚类特征损失对总损失的贡献程度,0<γ<1。
8.一种人脸特征提取训练***,用于进行人脸识别,其特征在于,包括:
人脸图片输入模块,用于接收用于训练的人脸图像;
图片分类标签模块,用于接收用于训练的人脸图像相应的分类标签;
隐藏层,用于对所述人脸图像进行卷积运算与下采样运算;
第一全连接层,用于获取所述人脸图像的图片特征;
第二全连接层,用于对所述人脸图像进行图片分类;
Softmax分类层,用于接收所述第二全连接层信息,使用softmax分类函数对输入的图片进行分类;
Softmax分类损失层,用于根据分类结果以及输入的人脸图片的类别标签计算分类损失;
聚类层,用于根据分类结果以及输入的人脸图片的类别标签,选择与所述分类标签一致的图像特征进行聚类;所述选择与所述分类标签一致的图片特征进行聚类的步骤为:判断分类结果与分类标签是否一致,统计各个类别分类正确的数量;对每个类别分类正确的图片特征进行聚类分别计算每个类别的特征向量的均值中心,丢弃分类不正确的图片特征;
聚类损失层,用于计算所有类别特征的均值中心的损失;
总损失层,用于根据所述分类损失和所述聚类损失计算总损失。
9.根据权利要求8所述的人脸特征提取训练***,其特征在于,还包括:
更新层,用于计算聚类损失后更新每一个类别的特征均值中心值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458824.1A CN110490027B (zh) | 2018-05-15 | 2018-05-15 | 人脸特征提取训练方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458824.1A CN110490027B (zh) | 2018-05-15 | 2018-05-15 | 人脸特征提取训练方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490027A CN110490027A (zh) | 2019-11-22 |
CN110490027B true CN110490027B (zh) | 2023-06-16 |
Family
ID=68545032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458824.1A Active CN110490027B (zh) | 2018-05-15 | 2018-05-15 | 人脸特征提取训练方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490027B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632351B (zh) * | 2020-12-28 | 2024-01-16 | 北京百度网讯科技有限公司 | 分类模型的训练方法、分类方法、装置及设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6303394B1 (en) * | 1998-11-03 | 2001-10-16 | Advanced Micro Devices, Inc. | Global cluster pre-classification methodology |
US6771813B1 (en) * | 1998-12-09 | 2004-08-03 | Fujitsu Limited | Image processing apparatus and pattern extraction apparatus |
JP2008084076A (ja) * | 2006-09-28 | 2008-04-10 | Toshiba Corp | 画像処理装置、方法およびプログラム |
CN104239900A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于k均值和深度svm的极化sar图像分类方法 |
CN105745659A (zh) * | 2013-09-16 | 2016-07-06 | 佰欧迪塞克斯公司 | 利用借助正则化组合多个微型分类器的分类器生成方法及其应用 |
CN105808732A (zh) * | 2016-03-10 | 2016-07-27 | 北京大学 | 一种基于深度度量学习的一体化目标属性识别与精确检索方法 |
CN106991355A (zh) * | 2015-09-10 | 2017-07-28 | 天津中科智能识别产业技术研究院有限公司 | 基于拓扑保持的解析型字典学习模型的人脸识别方法 |
CN107305565A (zh) * | 2016-04-21 | 2017-10-31 | 富士通株式会社 | 信息处理装置、信息处理方法以及信息处理设备 |
CN107563410A (zh) * | 2017-08-04 | 2018-01-09 | 中国科学院自动化研究所 | 基于局部类别一致聚类和多任务学习的分类方法及设备 |
CN107871314A (zh) * | 2016-09-23 | 2018-04-03 | 商汤集团有限公司 | 一种敏感图像鉴别方法和装置 |
CN107944410A (zh) * | 2017-12-01 | 2018-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于卷积神经网络的跨领域面部特征解析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5389130B2 (ja) * | 2011-09-15 | 2014-01-15 | 株式会社東芝 | 文書分類装置、方法およびプログラム |
US9317781B2 (en) * | 2013-03-14 | 2016-04-19 | Microsoft Technology Licensing, Llc | Multiple cluster instance learning for image classification |
US9098773B2 (en) * | 2013-06-27 | 2015-08-04 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
-
2018
- 2018-05-15 CN CN201810458824.1A patent/CN110490027B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6303394B1 (en) * | 1998-11-03 | 2001-10-16 | Advanced Micro Devices, Inc. | Global cluster pre-classification methodology |
US6771813B1 (en) * | 1998-12-09 | 2004-08-03 | Fujitsu Limited | Image processing apparatus and pattern extraction apparatus |
JP2008084076A (ja) * | 2006-09-28 | 2008-04-10 | Toshiba Corp | 画像処理装置、方法およびプログラム |
CN105745659A (zh) * | 2013-09-16 | 2016-07-06 | 佰欧迪塞克斯公司 | 利用借助正则化组合多个微型分类器的分类器生成方法及其应用 |
CN104239900A (zh) * | 2014-09-11 | 2014-12-24 | 西安电子科技大学 | 基于k均值和深度svm的极化sar图像分类方法 |
CN106991355A (zh) * | 2015-09-10 | 2017-07-28 | 天津中科智能识别产业技术研究院有限公司 | 基于拓扑保持的解析型字典学习模型的人脸识别方法 |
CN105808732A (zh) * | 2016-03-10 | 2016-07-27 | 北京大学 | 一种基于深度度量学习的一体化目标属性识别与精确检索方法 |
CN107305565A (zh) * | 2016-04-21 | 2017-10-31 | 富士通株式会社 | 信息处理装置、信息处理方法以及信息处理设备 |
CN107871314A (zh) * | 2016-09-23 | 2018-04-03 | 商汤集团有限公司 | 一种敏感图像鉴别方法和装置 |
CN107563410A (zh) * | 2017-08-04 | 2018-01-09 | 中国科学院自动化研究所 | 基于局部类别一致聚类和多任务学习的分类方法及设备 |
CN107944410A (zh) * | 2017-12-01 | 2018-04-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于卷积神经网络的跨领域面部特征解析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110490027A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109284733B (zh) | 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法 | |
WO2019076227A1 (zh) | 人脸图像分类方法、装置及服务器 | |
CN108229674B (zh) | 聚类用神经网络的训练方法和装置、聚类方法和装置 | |
CN109635686B (zh) | 结合人脸与外观的两阶段行人搜索方法 | |
CN110929848B (zh) | 基于多挑战感知学习模型的训练、跟踪方法 | |
JP6309549B2 (ja) | 変形可能な表現検出器 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN109214403B (zh) | 图像识别方法、装置及设备、可读介质 | |
CN110826558B (zh) | 图像分类方法、计算机设备和存储介质 | |
JP2017062778A (ja) | 画像のオブジェクトを分類するための方法およびデバイスならびに対応するコンピュータプログラム製品およびコンピュータ可読媒体 | |
CN109635647B (zh) | 一种基于约束条件下的多图片多人脸的聚类方法 | |
CN112784929A (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
WO2023124278A1 (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN116052218B (zh) | 一种行人重识别方法 | |
CN111339869A (zh) | 一种人脸识别方法、装置、计算机可读存储介质及设备 | |
CN111723600A (zh) | 一种基于多任务学习的行人重识别特征描述子 | |
CN113269010B (zh) | 一种人脸活体检测模型的训练方法和相关装置 | |
WO2017124336A1 (en) | Method and system for adapting deep model for object representation from source domain to target domain | |
CN111666976A (zh) | 基于属性信息的特征融合方法、装置和存储介质 | |
CN111444816A (zh) | 一种基于Faster RCNN的多尺度密集行人检测方法 | |
CN110490027B (zh) | 人脸特征提取训练方法及*** | |
CN111310516A (zh) | 一种行为识别方法和装置 | |
CN116664867A (zh) | 一种基于多证据融合选取训练样本的特征提取方法及装置 | |
CN114387612A (zh) | 一种基于双模态特征融合网络的人体重识别方法及装置 |
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 |