CN112800959B - 一种用于人脸识别中数据拟合估计的困难样本发掘方法 - Google Patents
一种用于人脸识别中数据拟合估计的困难样本发掘方法 Download PDFInfo
- Publication number
- CN112800959B CN112800959B CN202110117852.9A CN202110117852A CN112800959B CN 112800959 B CN112800959 B CN 112800959B CN 202110117852 A CN202110117852 A CN 202110117852A CN 112800959 B CN112800959 B CN 112800959B
- Authority
- CN
- China
- Prior art keywords
- similarity
- samples
- training
- sample
- feature extraction
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000554 iris Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
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
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于人脸识别中数据拟合估计的困难样本发掘方法,包括步骤:1)准备一个批次的人脸图像样本及其对应的标签,将其输入特征提取模型提取人脸特征;2)将提取到的人脸特征输入类中心权重层,其输出经过归一化处理,得到相似度矩阵;3)构建样本权重调制器,并通过该调制器对相似度矩阵进行重新赋予权重;4)将重新赋予权重的相似度矩阵输入损失层,计算该批次人脸图像样本的损失值;5)根据损失值对特征提取模型的参数进行更新,并进行模型性能验证,若达标,则终止训练;若不达标,则重复步骤1)至步骤5)。本发明在训练前期抑制困难样本,在训练后期强调困难样本,从而达到加速模型收敛和提升训练后期模型学习效率的目的。
Description
技术领域
本发明涉及人脸识别的技术领域,尤其是指一种用于人脸识别中数据拟合估计的困难样本发掘方法。
背景技术
人脸识别是一种以人的面部图像作为识别对象的生物特征身份识别技术。人脸作为人类身体上最直接的生物特征,由于其具有不易复刻的安全性和不易变化的稳定性,便成为众多生物特征识别方法中的常用手段。人脸识别相较于指纹、虹膜、语音和指静脉等识别方法,具有非入侵性、隐蔽性和直接性等优势。因此,人脸识别技术被广泛应用于金融、安检、视频监控、人机交互、电子商务和公安***等领域,并且在5G和物联网领域也有着广泛的应用前景。
人脸特征的提取是人脸识别中一个非常重要的环节。目前,提取人脸特征的方法有很多,其中一种就是基于深度学习的方法。该方法利用现有的人脸数据库,设计并训练一个深度卷积神经网络模型(以下简称“模型”),用于提取人脸特征。然而,在大数据的背景下,训练一个模型需要消耗大量的时间,而且不一定能够保证模型收敛。另外,在训练后期还存在模型的学习效率降低的问题,由于缺乏信息丰富、有价值的样本,模型很难学习到有效的特征。因此,在训练后期,模型的性能提升很慢,并趋于饱和状态。目前,常用的解决方案就是困难样本发掘,即发掘有价值的困难样本并输入模型进行训练。但是,目前的困难样本发掘技术忽略了模型对训练数据的拟合程度的信息,以及困难样本本身的困难度信息。这就引发了发掘的困难样本无法在不同训练阶段准确配置权重的问题,甚至会导致模型无法收敛。另外,模型训练时间过长的问题依然存在。
综合以上论述,发明一种用于人脸识别中数据拟合估计的困难样本发掘方法,具有较高的实际应用价值。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种用于人脸识别中数据拟合估计的困难样本发掘方法,可以在训练的过程中通过实时估计当前模型对数据的拟合程度完成对困难样本的发掘,利用上述估计的数据拟合程度信息,对困难样本重新赋予权重,使得模型在训练前期专注于简单样本,而在训练后期专注于困难样本。该方法不仅有利于模型的快速收敛,也有利于模型有效学习困难样本中包含的复杂信息和特征,从而进一步提升模型的性能。
为实现上述目的,本发明所提供的技术方案为:一种用于人脸识别中数据拟合估计的困难样本发掘方法,包括以下步骤:
1)准备一个批次的人脸图像样本及其对应的标签,将其输入特征提取模型提取人脸特征,通过特征提取模型能够将输入的人脸图像转化为预先设计的固定维度的特征向量;其中,需要准备训练数据集和验证数据集分别用于训练特征提取模型和验证特征提取模型性能;
2)将步骤1)提取到的人脸特征输入类中心权重层,其输出经过归一化处理,得到相似度矩阵;
3)构建样本权重调制器,并通过该调制器对步骤2)中的相似度矩阵进行重新赋予权重;
4)将步骤3)中重新赋予权重的相似度矩阵输入损失层,计算该批次人脸图像样本的损失值;
5)根据步骤4)中的损失值对特征提取模型参数进行更新,并进行特征提取模型性能验证,若达标,则终止训练;若不达标,则重复步骤1)至步骤5)。
在步骤1)中,对人脸图像样本的准备过程包括人脸检测和对齐、图像增强、直方图均衡化以及图像尺寸、像素值的归一化。
在步骤2)中,类中心权重层是一个能够学习的全连接网络层,该层的输入是步骤1)中输出的人脸特征,该层的输出是经过归一化的相似度矩阵cosθ,此相似度矩阵cosθ包含了每个输入样本与训练数据集中每个类别的相似度。
在步骤3)中,构建样本权重调制器以及该调制器对步骤2)中的相似度矩阵进行重新赋予权重的过程,包括以下两个步骤:
所述数据拟合程度估计器的数据处理过程包括以下三个步骤,其中预先设置的超参数有:滑动平均系数α、困难样本率权重系数μ、困难样本率阈值ε、本批次样本数目N以及训练数据集总类别数n;
311)计算平均正相似度t(k):首先,计算本批次样本正相似度之和其中/>为第i个输入样本的正相似度,然后计算滑动平均后的正相似度t(k)=(1-α)r(k)+αt(k-1),其中t(k)的初始值t(0)=0;
接着,计算滑动平均后的困难样本率h(k),公式如下:
其中,h(k)的初始值h(0)=0,Ik为指示函数,公式如下:
32)分别对相似度矩阵中每个相似度元素进行重新赋予权重,其过程如下:
321)根据输入的标签判断该相似度元素是否为正相似度:若是,则将该正相似度元素替换为/>其中/>为输入样本i与其标签yi对应的类中心向量的相似度,即正相似度;T(·)为预先设置的正相似度赋权函数;若不是,则进入步骤322);
322)此步骤的处理对象为步骤321)分流而来的相似度cosθj,其中cosθj表示输入样本i与非标签j≠yi对应类中心向量的相似度,即负相似度;接着,根据判定函数判断该负相似度是否为困难样本:若不是,则保持cosθj不变;若是,则进入步骤323);其中,判定函数的定义如下:
323)对于步骤322)传递而来的困难负相似度cosθj,首先,计算其困难程度其中/>为步骤321)中替换后的正相似度,然后结合步骤31)产生的数据拟合程度指标/>用G(cosθj)替换原来的cosθj,其中,G(·)为困难负相似度赋权函数,即:
在步骤4)中,对于步骤3)中重新赋予权重的相似度矩阵,根据预先设定的损失函数形式,计算本批次样本的损失值。
在步骤5)中,根据步骤4)中计算的损失值和预先设定的学习率,利用梯度下降算法,对特征提取模型和类中心权重层的参数进行更新,然后再计算特征提取模型在验证数据集上的准确率,并根据预先设定的模型性能指标,判断是否达标,若不达标,则重复步骤1)至步骤5);若达标,则终止训练。
本发明与现有技术相比,具有如下优点与有益效果:
1、设计了数据拟合程度估计器,在训练过程中分别从宏观和微观两个角度估计模型在训练集数据上的拟合程度,从而分别在不同的训练阶段对困难样本赋予不同的权重。这样不仅有利于模型在训练前期快速收敛,同时也有利于模型在训练后期专注于学习困难样本的特征,从而提升训练效率和模型的精度。
2、对困难样本赋予的权重不仅取决于模型对数据的拟合程度,也取决于样本本身的困难程度。通过本发明提出的赋权函数,可以完成对困难样本的线性赋值,即训练阶段越晚,样本越困难,其重要性越高,赋予的权重就越大。这样就可以达到准确强调或抑制目标样本的目的,有利于模型有效学习更加复杂的特征。
3、将困难样本定义为错分类的样本,并可根据边界函数快速判定。这种判定方法不仅计算资源消耗小,而且所用时间少。因而可以在不影响训练速度的情况下进行在线的困难样本发掘。
附图说明
图1为本发明方法的整体训练流程图。
图2为样本权重调制器的结构图。
图3为数据拟合程度估计器的结构图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,本实例所提供的用于人脸识别中数据拟合估计的困难样本发掘方法,包括以下步骤:
1)准备一个批次的人脸图像样本,即从训练数据集MS-Celeb-1M(包含来自85742个不同类别的5822653张图像)中随机挑选指定数量的(如64张)图像,经过图像预处理和归一化,得到可直接输入特征提取模型的人脸图像样本。其中,图像预处理过程可以包括人脸检测和对齐、图像增强以及直方图均衡化等步骤。归一化过程包括图像大小归一化和图像像素值归一化。其中,图像大小归一化为模型的输入大小112×112×3(分别代表输入图片的长、宽和色彩通道数);像素值归一化则是将输入的数字图像的像素值归一化为浮点数0到255的范围内。
用于提取人脸特征的模型可选择为深度卷积神经网络模型ResNet100,其输入为一个64×112×112×3的张量,其输出的特征x为形状为64×512的张量,其中512是预先设计的特征维度。
2)将步骤1)提取到的人脸特征输入类中心权重层,其输出经过归一化处理,得到相似度矩阵。
类中心权重层是一个全连接层,包含的可学习参数为权重W。其中,W是形状为512×85742(分别代表输入特征维度和训练数据集中的类别总数)的矩阵。输入的特征x与权重W经过矩阵运算和归一化处理,即可得到输出的相似度矩阵。计算公式如下:
其中,||·||表示取模长运算。cosθ的形状为64×85742,每一行代表一个样本,该行的每一列上的元素代表该样本与该列对应的类中心权重向量的相似度。
3)如图2所示,构建样本权重调制器以及该调制器对步骤2)中的相似度矩阵进行重新赋予权重的过程包括以下两个步骤:
如图3所示,所述数据拟合程度估计器的数据处理过程包括以下三个步骤。其中预先设置的超参数为:滑动平均系数α=0.01,困难样本率权重系数μ=0.5,困难样本率阈值ε=0.9,本批次样本数目N=64,以及训练数据集总类别数n=85742。
311)计算平均正相似度t(k)。首先,计算本批次样本正相似度之和其中/>为第i个输入样本的正相似度,然后计算滑动平均后的正相似度t(k)=(1-α)r(k)+αt(k-1),其中,t(k)的初始值t(0)=0。
312)计算困难样本率h(k)。首先根据判定函数依次判断本批次输入样本,并统计其中的困难样本的数目count(hard samples)。其中,判定函数将在步骤322)中给出。
接着,计算滑动平均后的困难样本率h(k),公式如下:
其中h(k)的初始值h(0)=0,Ik为指示函数,公式如下:
32)分别对相似度矩阵中每个相似度元素进行重新赋予权重,其过程如下:
321)根据输入的标签判断该相似度元素是否为正相似度:若是,则将该正相似度元素替换为/>其中/>为输入样本i与其标签yi对应的类中心向量的相似度,即正相似度;其中,/>为正相似度赋权函数。m=0.5为角裕度超参数。若不是,则进入步骤322)。
322)此步骤的处理对象为步骤321)分流而来的相似度cosθj,其中cosθj表示输入样本i与非标签j≠yi对应类中心向量的相似度,即负相似度。接着,根据判定函数判断该负相似度是否为困难样本:若不是,则保持cosθj不变;若是,则进入步骤323)。其中,判定函数的定义如下:
323)、对于步骤322)传递而来的困难负相似度cosθj,首先计算其困难程度其中/>为步骤321)中替换后的正相似度。然后结合步骤31)产生的数据拟合程度指标/>用G(cosθj)替换原来的cosθj,其中,G(·)为困难负相似度赋权函数,即:
其中,s=64为尺度缩放系数,i表示样本序号,j表示类别序号。
5)设置初始学习率为η=0.1,学习率更新策略为在第100000,160000和220000次迭代步数时以0.1的衰减率衰减。根据步骤4)中计算的损失值和当前的学习率,利用随机梯度下降算法(SGD)和现有的深度学习框架(如Tensorflow、PyTorch、MxNet等),自动完成对特征提取模型和类中心权重层的参数更新。然后,计算模型在验证数据集LFW,Age DB和CFP-FP上的准确率,设定模型在此三个验证集上的目标性能指标分别为99%,98%,95%。最后判断当前训练阶段中特征提取模型的性能是否达标:若不达标,则重复步骤1)至步骤5);若达标,则终止训练。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种用于人脸识别中数据拟合估计的困难样本发掘方法,其特征在于,包括以下步骤:
1)准备一个批次的人脸图像样本及其对应的标签,将其输入特征提取模型提取人脸特征,通过特征提取模型能够将输入的人脸图像转化为预先设计的固定维度的特征向量;其中,需要准备训练数据集和验证数据集分别用于训练特征提取模型和验证特征提取模型性能;
2)将步骤1)提取到的人脸特征输入类中心权重层,其输出经过归一化处理,得到相似度矩阵;
3)构建样本权重调制器,并通过该调制器对步骤2)中的相似度矩阵进行重新赋予权重;
构建样本权重调制器以及该调制器对步骤2)中的相似度矩阵进行重新赋予权重的过程,包括以下两个步骤:
所述数据拟合程度估计器的数据处理过程包括以下三个步骤,其中预先设置的超参数有:滑动平均系数α、困难样本率权重系数μ、困难样本率阈值ε、本批次样本数目N以及训练数据集总类别数n;
311)计算平均正相似度t(k):首先,计算本批次样本正相似度之和其中为第i个输入样本的正相似度,然后计算滑动平均后的正相似度t(k)=(1-α)r(k)+αt(k -1),其中t(k)的初始值t(0)=0;
接着,计算滑动平均后的困难样本率h(k),公式如下:
其中,h(k)的初始值h(0)=0,Ik为指示函数,公式如下:
32)分别对相似度矩阵中每个相似度元素进行重新赋予权重,其过程如下:
321)根据输入的标签判断该相似度元素是否为正相似度:若是,则将该正相似度元素替换为/>其中/>为输入样本i与其标签yi对应的类中心向量的相似度,即正相似度;T(·)为预先设置的正相似度赋权函数;若不是,则进入步骤322);
322)此步骤的处理对象为步骤321)分流而来的相似度cosθj,其中cosθj表示输入样本i与非标签j≠yi对应类中心向量的相似度,即负相似度;接着,根据判定函数判断该负相似度是否为困难样本:若不是,则保持cosθj不变;若是,则进入步骤323);其中,判定函数的定义如下:
323)对于步骤322)传递而来的困难负相似度cosθj,首先,计算其困难程度其中/>为步骤321)中替换后的正相似度,然后结合步骤31)产生的数据拟合程度指标/>用G(cosθj)替换原来的cosθj,其中,G(·)为困难负相似度赋权函数,即:
4)将步骤3)中重新赋予权重的相似度矩阵输入损失层,计算该批次人脸图像样本的损失值;
5)根据步骤4)中的损失值对特征提取模型参数进行更新,并进行特征提取模型性能验证,若达标,则终止训练;若不达标,则重复步骤1)至步骤5)。
2.根据权利要求1所述的一种用于人脸识别中数据拟合估计的困难样本发掘方法,其特征在于,在步骤1)中,对人脸图像样本的准备过程包括人脸检测和对齐、图像增强、直方图均衡化以及图像尺寸、像素值的归一化。
3.根据权利要求1所述的一种用于人脸识别中数据拟合估计的困难样本发掘方法,其特征在于,在步骤2)中,类中心权重层是一个能够学习的全连接网络层,该层的输入是步骤1)中输出的人脸特征,该层的输出是经过归一化的相似度矩阵cosθ,此相似度矩阵cosθ包含了每个输入样本与训练数据集中每个类别的相似度。
4.根据权利要求1所述的一种用于人脸识别中数据拟合估计的困难样本发掘方法,其特征在于,在步骤4)中,对于步骤3)中重新赋予权重的相似度矩阵,根据预先设定的损失函数形式,计算本批次样本的损失值。
5.根据权利要求1所述的一种用于人脸识别中数据拟合估计的困难样本发掘方法,其特征在于,在步骤5)中,根据步骤4)中计算的损失值和预先设定的学习率,利用梯度下降算法,对特征提取模型和类中心权重层的参数进行更新,然后再计算特征提取模型在验证数据集上的准确率,并根据预先设定的模型性能指标,判断是否达标,若不达标,则重复步骤1)至步骤5);若达标,则终止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117852.9A CN112800959B (zh) | 2021-01-28 | 2021-01-28 | 一种用于人脸识别中数据拟合估计的困难样本发掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117852.9A CN112800959B (zh) | 2021-01-28 | 2021-01-28 | 一种用于人脸识别中数据拟合估计的困难样本发掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112800959A CN112800959A (zh) | 2021-05-14 |
CN112800959B true CN112800959B (zh) | 2023-06-06 |
Family
ID=75812376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110117852.9A Active CN112800959B (zh) | 2021-01-28 | 2021-01-28 | 一种用于人脸识别中数据拟合估计的困难样本发掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800959B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113920079A (zh) * | 2021-09-30 | 2022-01-11 | 中国科学院深圳先进技术研究院 | 一种困难样本挖掘方法、***、终端以及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165566A (zh) * | 2018-08-01 | 2019-01-08 | 中国计量大学 | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 |
CN109214360A (zh) * | 2018-10-15 | 2019-01-15 | 北京亮亮视野科技有限公司 | 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用 |
CN109948478A (zh) * | 2019-03-06 | 2019-06-28 | 中国科学院自动化研究所 | 基于神经网络的大规模非均衡数据的人脸识别方法、*** |
CN110851645A (zh) * | 2019-11-08 | 2020-02-28 | 吉林大学 | 一种基于深度度量学习下相似性保持的图像检索方法 |
CN110866134A (zh) * | 2019-11-08 | 2020-03-06 | 吉林大学 | 一种面向图像检索的分布一致性保持度量学习方法 |
CN111985310A (zh) * | 2020-07-08 | 2020-11-24 | 华南理工大学 | 一种用于人脸识别的深度卷积神经网络的训练方法 |
-
2021
- 2021-01-28 CN CN202110117852.9A patent/CN112800959B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165566A (zh) * | 2018-08-01 | 2019-01-08 | 中国计量大学 | 一种基于新型损失函数的人脸识别卷积神经网络训练方法 |
CN109214360A (zh) * | 2018-10-15 | 2019-01-15 | 北京亮亮视野科技有限公司 | 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用 |
CN109948478A (zh) * | 2019-03-06 | 2019-06-28 | 中国科学院自动化研究所 | 基于神经网络的大规模非均衡数据的人脸识别方法、*** |
CN110851645A (zh) * | 2019-11-08 | 2020-02-28 | 吉林大学 | 一种基于深度度量学习下相似性保持的图像检索方法 |
CN110866134A (zh) * | 2019-11-08 | 2020-03-06 | 吉林大学 | 一种面向图像检索的分布一致性保持度量学习方法 |
CN111985310A (zh) * | 2020-07-08 | 2020-11-24 | 华南理工大学 | 一种用于人脸识别的深度卷积神经网络的训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112800959A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112308158B (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN110929679B (zh) | 一种基于gan的无监督自适应行人重识别方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN110084149B (zh) | 一种基于难样本四元组动态边界损失函数的人脸验证方法 | |
CN109344759A (zh) | 一种基于角度损失神经网络的亲属识别方法 | |
CN109255289B (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN111461025B (zh) | 一种自主进化的零样本学习的信号识别方法 | |
CN111339847A (zh) | 一种基于图卷积神经网络的人脸情绪识别方法 | |
CN109993100A (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
CN110472518B (zh) | 一种基于全卷积网络的指纹图像质量判断方法 | |
CN112052772A (zh) | 一种人脸遮挡检测算法 | |
CN113283590B (zh) | 一种面向后门攻击的防御方法 | |
CN116311483B (zh) | 基于局部面部区域重构和记忆对比学习的微表情识别方法 | |
CN112115796A (zh) | 一种基于注意力机制的三维卷积微表情识别算法 | |
CN112364791A (zh) | 一种基于生成对抗网络的行人重识别方法和*** | |
CN111126155B (zh) | 一种基于语义约束生成对抗网络的行人再识别方法 | |
CN113177587A (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
CN110929239B (zh) | 一种基于唇语指令的终端解锁方法 | |
CN112132257A (zh) | 基于金字塔池化及长期记忆结构的神经网络模型训练方法 | |
CN112800959B (zh) | 一种用于人脸识别中数据拟合估计的困难样本发掘方法 | |
CN111401434A (zh) | 一种基于无监督特征学习的图像分类方法 | |
CN112766134B (zh) | 一种强化类间区分的表情识别方法 | |
CN114091510A (zh) | 基于领域自适应的跨域车辆重识别方法 | |
CN111160161A (zh) | 一种基于噪声剔除的自步学习人脸年龄估计方法 |
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 |