CN111144310A - 一种基于多层信息融合的人脸检测方法及*** - Google Patents
一种基于多层信息融合的人脸检测方法及*** Download PDFInfo
- Publication number
- CN111144310A CN111144310A CN201911373204.9A CN201911373204A CN111144310A CN 111144310 A CN111144310 A CN 111144310A CN 201911373204 A CN201911373204 A CN 201911373204A CN 111144310 A CN111144310 A CN 111144310A
- Authority
- CN
- China
- Prior art keywords
- feature map
- convolution
- convolution operation
- feature
- face detection
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多层信息融合的人脸检测方法,涉及人脸检测技术领域,包括:根据预先生成的神经网络模型对待检测人脸图像进行特征提取得到初始特征图;对初始特征图进行第一卷积操作,得到第一特征图;对初始特征图进行第二卷积操作,得到第二特征图;对第二特征图分别进行第三卷积操作和第四卷积操作,得到对应的第三特征图和第四特征图;对第三特征图进行第五卷积操作,得到第五特征图;对第五特征图进行第一上采样,并将第一上采样结果与第四特征图进行特征融合得到第六特征图;将第六特征图进行第二上采样,并将第二上采样结果与第一特征图进行特征融合得到第七特征图,以根据第七特征图进行人脸检测。本发明有效提升人脸检测的准确率。
Description
技术领域
本发明涉及人脸检测技术领域,具体涉及一种基于多层信息融合的人脸检测方法及***。
背景技术
人脸检测属于计算机视觉领域的一个基本研究方向,人脸检测已经应用到我们日常生活中,目前主流的人脸检测方法大部分是基于深度学习,主要过程是针对输入图像,通过深度学习网络提取图像特征,根据特征来判断是否存在人脸和人脸位置。
随着CNN的发展,当前大部分的人脸检测都是基于卷积神经网络,并取得了相当好的效果。卷积神经网络在人脸检测过程中,高层的卷积层特征富含丰富的语义信息,而低层的富含丰富的细节信息,现有技术应用卷积神经网络进行人脸检测,在利用多层卷积层特征的时候,并未考虑层与层之间的关系进行特征修正。
发明内容
本发明的目的在于提供一种基于多层信息融合的人脸检测方法及***。
为达此目的,本发明采用以下技术方案:
提供一种基于多层信息融合的人脸检测方法,具体包括以下步骤:
步骤S1,根据预先生成的神经网络模型对待检测人脸图像进行特征提取,得到初始特征图;
步骤S2,对所述初始特征图进行第一卷积操作,得到第一特征图;
步骤S3,对所述初始特征图进行第二卷积操作,得到第二特征图;
步骤S4,对所述第二特征图分别进行第三卷积操作和第四卷积操作,得到对应的第三特征图和第四特征图;
步骤S5,对所述第三特征图进行第五卷积操作,得到第五特征图;
步骤S6,对所述第五特征图进行第一上采样,并将第一上采样结果与所述第四特征图进行特征融合得到第六特征图;
步骤S7,将所述第六特征图进行第二上采样,并将第二上采样结果与所述第一特征图进行特征融合得到第七特征图,以根据所述第七特征图进行人脸检测。
作为本发明的一种优选方案,所述第一卷积操作的卷积核大小为3*3。
作为本发明的一种优选方案,所述第二卷积操作的卷积核大小为3*3,且步长为2。
作为本发明的一种优选方案,所述第三卷积操作的卷积核大小为3*3,且步长为2。
作为本发明的一种优选方案,所述第四卷积操作的卷积核大小为3*3。
作为本发明的一种优选方案,所述第五卷积操作的卷积核大小为1*1。
作为本发明的一种优选方案,所述第一上采样为2倍上采样。
作为本发明的一种优选方案,所述第二上采样为2倍上采样。
一种基于多层信息融合的人脸检测***,应用以上任意一项所述的基于多层信息融合的人脸检测方法,所述基于多层信息融合的人脸检测***具体包括:
特征提取模块,用于根据预先生成的神经网络模型对待检测人脸图像进行特征提取,得到初始特征图;
第一卷积模块,连接所述特征提取模块,用于对所述初始特征图进行第一卷积操作,得到第一特征图;
第二卷积模块,连接所述特征提取模块,用于对所述初始特征图进行第二卷积操作,得到第二特征图;
第三卷积模块,连接所述第二卷积模块,用于对所述第二特征图分别进行第三卷积操作和第四卷积操作,得到对应的第三特征图和第四特征图;
第四卷积模块,连接所述第三卷积模块,用于对所述第三特征图进行第五卷积操作,得到第五特征图;
第五卷积模块,连接所述第四卷积模块,用于对所述第五特征图进行第一上采样,并将第一上采样结果与所述第四特征图进行特征融合得到第六特征图;
第六卷积模块,连接所述第五卷积模块,用于将所述第六特征图进行第二上采样,并将第二上采样结果与所述第一特征图进行特征融合得到第七特征图,以根据所述第七特征图进行人脸检测。
本发明的有益效果:考虑不同卷积层特征之间的关系,将不同卷积层之间的特征耦合到一起,并生成新的改善之后的特征,利用改善之后的特征进行人脸检测,有效提升人脸检测的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例所述的一种基于多层信息融合的人脸检测方法的流程示意图。
图2是本发明一实施例所述的一种基于多层信息融合的人脸检测方法的原理示意图。
图3是是本发明一实施例所述的一种基于多层信息融合的人脸检测***的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
基于现有技术中存在的技术问题,本发明提供一种基于多层信息融合的人脸检测方法,如图1所示,具体包括以下步骤:
步骤S1,根据预先生成的神经网络模型对待检测人脸图像进行特征提取,得到初始特征图;
步骤S2,对初始特征图进行第一卷积操作,得到第一特征图;
步骤S3,对初始特征图进行第二卷积操作,得到第二特征图;
步骤S4,对第二特征图分别进行第三卷积操作和第四卷积操作,得到对应的第三特征图和第四特征图;
步骤S5,对第三特征图进行第五卷积操作,得到第五特征图;
步骤S6,对第五特征图进行第一上采样,并将第一上采样结果与第四特征图进行特征融合得到第六特征图;
步骤S7,将第六特征图进行第二上采样,并将第二上采样结果与第一特征图进行特征融合得到第七特征图,以根据第七特征图进行人脸检测。
具体地,本实施例中,本发明的基于多层信息融合的人脸检测方法在进行人脸检测的时候,通过联系高层特征与低层特征之间的关系,去改善目前已有的特征进行人脸检测,有助于提升目前人脸检测器的性能。
进一步地,如图2所示,通过对初始特征图进行进一步特征优化,有效提升人脸检测及准确率。上述特征优化具体包括通过两个卷积核大小为3*3,步长(stride)为2的Conv(卷积)得到两个更高层信息,再通过3x3conv(卷积核大小为3*3的卷积),3x3conv(卷积核大小为3*3的卷积),1x1conv(卷积核大小为1*1的卷积)把3个不同层次的信息统一到相同值域,最后通过2x up(2倍上采样)和sum(特征融合)把两个不同层次的信息融合在一起。
作为本发明的一种优选方案,第一卷积操作的卷积核大小为3*3。
作为本发明的一种优选方案,第二卷积操作的卷积核大小为3*3,且步长为2。
作为本发明的一种优选方案,第三卷积操作的卷积核大小为3*3,且步长为2。
作为本发明的一种优选方案,第四卷积操作的卷积核大小为3*3。
作为本发明的一种优选方案,第五卷积操作的卷积核大小为1*1。
作为本发明的一种优选方案,第一上采样为2倍上采样。
作为本发明的一种优选方案,第二上采样为2倍上采样。
一种基于多层信息融合的人脸检测***,应用以上任意一项的基于多层信息融合的人脸检测方法,如图3所示,基于多层信息融合的人脸检测***具体包括:
特征提取模块1,用于根据预先生成的神经网络模型对待检测人脸图像进行特征提取,得到初始特征图;
第一卷积模块2,连接特征提取模块1,用于对初始特征图进行第一卷积操作,得到第一特征图;
第二卷积模块3,连接特征提取模块1,用于对初始特征图进行第二卷积操作,得到第二特征图;
第三卷积模块4,连接第二卷积模块3,用于对第二特征图分别进行第三卷积操作和第四卷积操作,得到对应的第三特征图和第四特征图;
第四卷积模块5,连接第三卷积模块4,用于对第三特征图进行第五卷积操作,得到第五特征图;
第五卷积模块6,连接第四卷积模块5,用于对第五特征图进行第一上采样,并将第一上采样结果与第四特征图进行特征融合得到第六特征图;
第六卷积模块7,连接第五卷积模块6,用于将第六特征图进行第二上采样,并将第二上采样结果与第一特征图进行特征融合得到第七特征图,以根据第七特征图进行人脸检测。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (9)
1.一种基于多层信息融合的人脸检测方法,其特征在于,具体包括以下步骤:
步骤S1,根据预先生成的神经网络模型对待检测人脸图像进行特征提取,得到初始特征图;
步骤S2,对所述初始特征图进行第一卷积操作,得到第一特征图;
步骤S3,对所述初始特征图进行第二卷积操作,得到第二特征图;
步骤S4,对所述第二特征图分别进行第三卷积操作和第四卷积操作,得到对应的第三特征图和第四特征图;
步骤S5,对所述第三特征图进行第五卷积操作,得到第五特征图;
步骤S6,对所述第五特征图进行第一上采样,并将第一上采样结果与所述第四特征图进行特征融合得到第六特征图;
步骤S7,将所述第六特征图进行第二上采样,并将第二上采样结果与所述第一特征图进行特征融合得到第七特征图,以根据所述第七特征图进行人脸检测。
2.根据权利要求1所述的基于多层信息融合的人脸检测方法,其特征在于,所述第一卷积操作的卷积核大小为3*3。
3.根据权利要求1所述的基于多层信息融合的人脸检测方法,其特征在于,所述第二卷积操作的卷积核大小为3*3,且步长为2。
4.根据权利要求1所述的基于多层信息融合的人脸检测方法,其特征在于,所述第三卷积操作的卷积核大小为3*3,且步长为2。
5.根据权利要求1所述的基于多层信息融合的人脸检测方法,其特征在于,所述第四卷积操作的卷积核大小为3*3。
6.根据权利要求1所述的基于多层信息融合的人脸检测方法,其特征在于,所述第五卷积操作的卷积核大小为1*1。
7.根据权利要求1所述的基于多层信息融合的人脸检测方法,其特征在于,所述第一上采样为2倍上采样。
8.根据权利要求1所述的基于多层信息融合的人脸检测方法,其特征在于,所述第二上采样为2倍上采样。
9.一种基于多层信息融合的人脸检测***,其特征在于,应用如权利要求1-8中任意一项所述的基于多层信息融合的人脸检测方法,所述基于多层信息融合的人脸检测***具体包括:
特征提取模块,用于根据预先生成的神经网络模型对待检测人脸图像进行特征提取,得到初始特征图;
第一卷积模块,连接所述特征提取模块,用于对所述初始特征图进行第一卷积操作,得到第一特征图;
第二卷积模块,连接所述特征提取模块,用于对所述初始特征图进行第二卷积操作,得到第二特征图;
第三卷积模块,连接所述第二卷积模块,用于对所述第二特征图分别进行第三卷积操作和第四卷积操作,得到对应的第三特征图和第四特征图;
第四卷积模块,连接所述第三卷积模块,用于对所述第三特征图进行第五卷积操作,得到第五特征图;
第五卷积模块,连接所述第四卷积模块,用于对所述第五特征图进行第一上采样,并将第一上采样结果与所述第四特征图进行特征融合得到第六特征图;
第六卷积模块,连接所述第五卷积模块,用于将所述第六特征图进行第二上采样,并将第二上采样结果与所述第一特征图进行特征融合得到第七特征图,以根据所述第七特征图进行人脸检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373204.9A CN111144310A (zh) | 2019-12-27 | 2019-12-27 | 一种基于多层信息融合的人脸检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911373204.9A CN111144310A (zh) | 2019-12-27 | 2019-12-27 | 一种基于多层信息融合的人脸检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144310A true CN111144310A (zh) | 2020-05-12 |
Family
ID=70521287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911373204.9A Withdrawn CN111144310A (zh) | 2019-12-27 | 2019-12-27 | 一种基于多层信息融合的人脸检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144310A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560701A (zh) * | 2020-12-17 | 2021-03-26 | 成都新潮传媒集团有限公司 | 一种人脸图像提取方法、装置及计算机存储介质 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200842733A (en) * | 2007-04-17 | 2008-11-01 | Univ Nat Chiao Tung | Object image detection method |
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
WO2018072102A1 (zh) * | 2016-10-18 | 2018-04-26 | 华为技术有限公司 | 一种人脸图像中眼镜去除方法及装置 |
CN108182384A (zh) * | 2017-12-07 | 2018-06-19 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
US20180182377A1 (en) * | 2016-12-28 | 2018-06-28 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for extracting speech feature based on artificial intelligence |
CN108229296A (zh) * | 2017-09-30 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸皮肤属性识别方法和装置、电子设备、存储介质 |
KR20180080081A (ko) * | 2017-01-03 | 2018-07-11 | 한국과학기술원 | Cnn 기반의 와일드 환경에 강인한 얼굴 검출 방법 및 시스템 |
KR101913140B1 (ko) * | 2017-12-27 | 2018-10-30 | 인천대학교 산학협력단 | 사물 인터넷의 빅 데이터를 이용한 산업 감시의 연속 기능 최적화 장치 및 방법 |
CN108985181A (zh) * | 2018-06-22 | 2018-12-11 | 华中科技大学 | 一种基于检测分割的端对端人脸标注方法 |
CN109101899A (zh) * | 2018-07-23 | 2018-12-28 | 北京飞搜科技有限公司 | 一种基于卷积神经网络的人脸检测方法及*** |
CN109344779A (zh) * | 2018-10-11 | 2019-02-15 | 高新兴科技集团股份有限公司 | 一种基于卷积神经网络的匝道场景下的人脸检测方法 |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
CN109829855A (zh) * | 2019-01-23 | 2019-05-31 | 南京航空航天大学 | 一种基于融合多层次特征图的超分辨率重建方法 |
CN109886066A (zh) * | 2018-12-17 | 2019-06-14 | 南京理工大学 | 基于多尺度和多层特征融合的快速目标检测方法 |
CN109919013A (zh) * | 2019-01-28 | 2019-06-21 | 浙江英索人工智能科技有限公司 | 视频图像中基于深度学习的人脸检测方法及装置 |
CN110070072A (zh) * | 2019-05-05 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
CN110309706A (zh) * | 2019-05-06 | 2019-10-08 | 深圳市华付信息技术有限公司 | 人脸关键点检测方法、装置、计算机设备及存储介质 |
WO2019223254A1 (zh) * | 2018-05-21 | 2019-11-28 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
US20190377930A1 (en) * | 2018-06-11 | 2019-12-12 | Zkteco Usa, Llc | Method and System for Face Recognition Via Deep Learning |
CN110598788A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及存储介质 |
-
2019
- 2019-12-27 CN CN201911373204.9A patent/CN111144310A/zh not_active Withdrawn
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200842733A (en) * | 2007-04-17 | 2008-11-01 | Univ Nat Chiao Tung | Object image detection method |
WO2018072102A1 (zh) * | 2016-10-18 | 2018-04-26 | 华为技术有限公司 | 一种人脸图像中眼镜去除方法及装置 |
US20180182377A1 (en) * | 2016-12-28 | 2018-06-28 | Baidu Online Network Technology (Beijing) Co., Ltd | Method and device for extracting speech feature based on artificial intelligence |
KR20180080081A (ko) * | 2017-01-03 | 2018-07-11 | 한국과학기술원 | Cnn 기반의 와일드 환경에 강인한 얼굴 검출 방법 및 시스템 |
CN107578054A (zh) * | 2017-09-27 | 2018-01-12 | 北京小米移动软件有限公司 | 图像处理方法及装置 |
CN108229296A (zh) * | 2017-09-30 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸皮肤属性识别方法和装置、电子设备、存储介质 |
CN108182384A (zh) * | 2017-12-07 | 2018-06-19 | 浙江大华技术股份有限公司 | 一种人脸特征点定位方法及装置 |
KR101913140B1 (ko) * | 2017-12-27 | 2018-10-30 | 인천대학교 산학협력단 | 사물 인터넷의 빅 데이터를 이용한 산업 감시의 연속 기능 최적화 장치 및 방법 |
WO2019223254A1 (zh) * | 2018-05-21 | 2019-11-28 | 北京亮亮视野科技有限公司 | 多尺度轻量级人脸检测模型的构建方法及基于该模型的人脸检测方法 |
US20190377930A1 (en) * | 2018-06-11 | 2019-12-12 | Zkteco Usa, Llc | Method and System for Face Recognition Via Deep Learning |
CN108985181A (zh) * | 2018-06-22 | 2018-12-11 | 华中科技大学 | 一种基于检测分割的端对端人脸标注方法 |
CN109101899A (zh) * | 2018-07-23 | 2018-12-28 | 北京飞搜科技有限公司 | 一种基于卷积神经网络的人脸检测方法及*** |
CN109344779A (zh) * | 2018-10-11 | 2019-02-15 | 高新兴科技集团股份有限公司 | 一种基于卷积神经网络的匝道场景下的人脸检测方法 |
CN109376667A (zh) * | 2018-10-29 | 2019-02-22 | 北京旷视科技有限公司 | 目标检测方法、装置及电子设备 |
CN109886066A (zh) * | 2018-12-17 | 2019-06-14 | 南京理工大学 | 基于多尺度和多层特征融合的快速目标检测方法 |
CN109829855A (zh) * | 2019-01-23 | 2019-05-31 | 南京航空航天大学 | 一种基于融合多层次特征图的超分辨率重建方法 |
CN109919013A (zh) * | 2019-01-28 | 2019-06-21 | 浙江英索人工智能科技有限公司 | 视频图像中基于深度学习的人脸检测方法及装置 |
CN110163108A (zh) * | 2019-04-23 | 2019-08-23 | 杭州电子科技大学 | 基于双路径特征融合网络的鲁棒声呐目标检测方法 |
CN110070072A (zh) * | 2019-05-05 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成物体检测模型的方法 |
CN110309706A (zh) * | 2019-05-06 | 2019-10-08 | 深圳市华付信息技术有限公司 | 人脸关键点检测方法、装置、计算机设备及存储介质 |
CN110598788A (zh) * | 2019-09-12 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 目标检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
徐亚伟: "基于多层特征深度融合的卷积神经网络人脸识别方法" * |
王成济: "一种多层特征融合的人脸检测方法" * |
石学超: "基于多层特征融合可调监督函数卷积神经网络的人脸性别识别" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560701A (zh) * | 2020-12-17 | 2021-03-26 | 成都新潮传媒集团有限公司 | 一种人脸图像提取方法、装置及计算机存储介质 |
CN112560701B (zh) * | 2020-12-17 | 2022-10-25 | 成都新潮传媒集团有限公司 | 一种人脸图像提取方法、装置及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | Occlusion gesture recognition based on improved SSD | |
Mujahid et al. | Real-time hand gesture recognition based on deep learning YOLOv3 model | |
Duan et al. | Gesture recognition based on multi‐modal feature weight | |
Choi et al. | Visualizing for the non‐visual: Enabling the visually impaired to use visualization | |
CN113095124B (zh) | 一种人脸活体检测方法、装置以及电子设备 | |
Chen et al. | Real‐time hand gesture recognition using finger segmentation | |
Wang et al. | A review on vision-based analysis for automatic dietary assessment | |
CN110782420A (zh) | 一种基于深度学习的小目标特征表示增强方法 | |
CN112507701A (zh) | 待纠错医疗数据的识别方法、装置、设备和存储介质 | |
CN112860888A (zh) | 一种基于注意力机制的双模态情感分析方法 | |
WO2021051547A1 (zh) | 暴力行为检测方法及*** | |
US20230080098A1 (en) | Object recognition using spatial and timing information of object images at diferent times | |
CN108648201A (zh) | 瞳孔定位方法及装置、存储介质、电子设备 | |
Sun et al. | Foodtracker: A real-time food detection mobile application by deep convolutional neural networks | |
Kalsh et al. | Sign language recognition system | |
CN103576840A (zh) | 基于立体视觉的手势体感控制*** | |
Li et al. | Fall detection based on fused saliency maps | |
CN110781980A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111144310A (zh) | 一种基于多层信息融合的人脸检测方法及*** | |
CN111444850A (zh) | 一种图片检测的方法和相关装置 | |
CN105426095A (zh) | 一种熄屏状态下开启移动终端摄像功能的方法及装置 | |
Yu | Emotion monitoring for preschool children based on face recognition and emotion recognition algorithms | |
CN113377193A (zh) | 一种基于可靠手势识别的自动售货机交互方法及*** | |
Ma et al. | Dynamic gesture contour feature extraction method using residual network transfer learning | |
Husain et al. | Development and validation of a deep learning-based algorithm for drowsiness detection in facial photographs |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200512 |
|
WW01 | Invention patent application withdrawn after publication |