CN113111817A - 语义分割的人脸完整度度量方法、***、设备及存储介质 - Google Patents
语义分割的人脸完整度度量方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN113111817A CN113111817A CN202110427382.6A CN202110427382A CN113111817A CN 113111817 A CN113111817 A CN 113111817A CN 202110427382 A CN202110427382 A CN 202110427382A CN 113111817 A CN113111817 A CN 113111817A
- Authority
- CN
- China
- Prior art keywords
- face
- image
- shielding
- semantic segmentation
- pixel
- 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.)
- Granted
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了语义分割的人脸完整度度量方法。包括:训练人脸检测深度神经网络模型与人脸语义分割深度神经网络模型,之后把待检测图像输入到人脸检测深度神经网络模型,得到待检测图像人脸区域;将人脸区域输入到人脸语义分割深度神经网络模型,得到人脸区域中每个像素的语义分类结果,并进行统计,用未遮挡人脸的像素点总数和遮挡物的像素点总数计算出人脸完整度。本发明还公开了语义分割的人脸完整度度量***、计算机设备及计算机可读存储介质。本发明使用深度学习和图像语义分割技术,能够得到人脸部分图像精确的、像素级别的分类结果,使人脸遮挡检测结果更加准确,计算得到的遮挡比例能够很好地度量人脸完整度。
Description
技术领域
本发明涉及计算机视觉、人脸检测技术领域,具体涉及语义分割的人脸完整度度量方法、语义分割的人脸完整度度量***、计算机设备及计算机可读存储介质。
背景技术
近年来,随着互联网技术的发展,各种纸质档案材料逐渐被电子档案材料所替代。在电子档案材料中,最常见的就是证件照。而对于不同证件照,一般都会有对应的标准和要求。传统方式下,需要人工来判断证件照是否符合要求。因此,用户在上传完证件照之后不能马上知道该证件照是否符合要求,需要等待人工审核,而且人工审核也需要耗费大量的人力。人脸完整度度量技术可以快速地检测证件照中人脸是否遮挡以及遮挡比例,以此自动审核上传的图片是否符合要求,是解决证件照合规性检测问题的重要环节。
现有的技术应用主要是划分遮挡级别并进行多分类,但对于同一级别的遮挡,遮挡情况可能完全不同,因此往往很难获得精确的分类结果。一种改进是通过检测人脸关键点的遮挡状态来得出遮挡级别,但该方法只关注人脸关键点区域,忽略了其他区域的遮挡检测。
目前的现有技术之一,专利“一种人脸遮挡检测方法、装置、设备及存储介质”,从待检测图像中提取出人脸区域,并获取人脸区域的多个不同尺度的人脸特征;根据多个人脸特征,基于已训练的遮挡分类子网络,确定待检测图像对应的第一遮挡参数;根据多个不同尺度的融合特征,基于已训练的目标检测框子网络,确定待检测图像对应的第二遮挡参数;根据第一遮挡参数和第二遮挡参数进行加权处理,确定待检测图像对应的目标遮挡参数。该发明能够对人脸区域中人脸遮挡情况进行判断。该技术的缺点是只能判断人脸是否遮挡,不能得出遮挡比例。而且由于遮挡物多种多样,遮挡情况复杂,该方法很难得出准确的分类结果。
目前的现有技术之二,专利“一种基于人脸关键点的证件照局部异常检测方法”,对照片采用人脸检测算法判断是否检测出人脸,再提取人脸区域作为输入,通过分类得到面部部分,并训练回归模型获得左眼中心、右眼中心、鼻尖、左嘴角、右嘴角5个关键点;利用MobileNet拟合回归函数进行遮挡检测,显式检测人脸关键点的遮挡状态及遮挡异常的类型,当模型输出超出阈值时,表示该点异常。该方法的缺点是只关注人脸关键点区域的遮挡情况,忽略了其他区域的遮挡检测,对遮挡的判定不够全面,在对证件照进行审核时存在一定的缺陷。
目前的现有技术之三是基于目标检测的人脸完整度度量方法,采用人脸检测算法从照片中提取出人脸区域,利用已训练的目标检测模型对遮挡区域进行检测,若检测到遮挡物,则将该人脸判定为被遮挡,通过计算可以得到遮挡比例。该方法的缺点是需要训练多个目标检测模型来检测多种遮挡物,扩展性差,而且检测结果是遮挡物的外接矩形,计算得到的遮挡比例误差较大,无法准确得度量人脸完整度。
发明内容
本发明的目的是克服现有方法的不足,提出了语义分割的人脸完整度度量方法、***、设备及存储介质。本发明解决的主要问题,是如何基于语义分割的方式来进行人脸遮挡检测,并且如何计算遮挡比例从而对人脸完整度进行度量。
为了解决上述问题,本发明提出了一种语义分割的人脸完整度度量方法,所述方法包括:
组织人脸检测数据集,并利用人脸检测数据集训练得到人脸检测深度神经网络模型,该模型的输出为图像中人脸区域的外接矩形坐标;
利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集,并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型,该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果;
将待检测图像进行预处理,输入到所述人脸检测深度神经网络模型,得到待检测图像中人脸区域的外接矩形坐标;
将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型,得到待检测图像的人脸区域中每个像素的语义分类结果,即把每个像素分类为背景、未遮挡人脸和遮挡物;
对所述每个像素的语义分类结果进行统计,得到分类为所述未遮挡人脸类别的像素点总数和所述遮挡物类别的像素点总数,从而得到人脸遮挡比例,若遮挡比例为0,则表示无遮挡,否则为有遮挡,遮挡比例用于衡量遮挡的严重程度,即人脸完整度。
优选地,所述组织人脸语义分割数据集,具体为:
根据所述图像中人脸区域的外接矩形坐标,从原始图像中裁剪出人脸图像,组成人脸图像数据集;
对所述人脸图像数据集进行像素级的分类标注,总共有三个类别:背景、未遮挡人脸和遮挡物,将图像中每个像素标注为其中的一个类别,便得到用于训练所述人脸语义分割深度神经网络模型的人脸语义分割数据集。
优选地,所述人脸语义分割深度神经网络模型使用分层多尺度注意力机制进行语义分割,对每个尺度学习一个密集的掩模,通过在掩模之间进行像素乘法,然后在不同尺度之间进行像素求和,将这些多尺度预测结合起来,得到最终结果。
优选地,所述人脸遮挡比例可由以下公式计算:
其中,p为所述人脸遮挡比例,n为所述未遮挡人脸类别的像素点总数,m为所述遮挡物类别的像素点总数。
相应地,本发明还提供了一种语义分割的人脸完整度度量***,包括:
检测模型训练单元,用于组织人脸检测数据集,并利用人脸检测数据集训练得到人脸检测深度神经网络模型,该模型的输出为图像中人脸区域的外接矩形坐标;
分割模型训练单元,用于利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集,并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型,该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果;
人脸检测与分类单元,用于将待检测图像进行预处理,输入到所述人脸检测深度神经网络模型,得到待检测图像中人脸区域的外接矩形坐标,之后将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型,得到待检测图像的人脸区域中每个像素的语义分类结果,即把每个像素分类为背景、未遮挡人脸和遮挡物;
分类统计与输出单元,用于对所述每个像素的语义分类结果进行统计,得到分类为所述未遮挡人脸类别的像素点总数和所述遮挡物类别的像素点总数,从而得到人脸遮挡比例,若遮挡比例为0,则表示无遮挡,否则为有遮挡,遮挡比例用于衡量遮挡的严重程度,即人脸完整度,并把结果进行输出。
相应地,本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行上述人脸完整度度量方法的步骤。
相应地,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述人脸完整度度量方法的步骤。
实施本发明,具有如下有益效果:
本发明采用基于语义分割的方式来进行人脸遮挡检测,并计算遮挡比例从而对人脸完整度进行度量,使用深度学习和图像语义分割技术,能够得到人脸部分图像精确的、像素级别的分类结果,使人脸遮挡检测结果更加准确,计算得到的遮挡比例能够很好地度量人脸完整度,有更好的应用效果和更广的应用范围。
附图说明
图1是本发明实施例的语义分割的人脸完整度度量方法的总体流程图;
图2是本发明实施例的语义分割的人脸完整度度量***的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例的语义分割的人脸完整度度量方法的总体流程图,如图1所示,该方法包括:
S1,组织人脸检测数据集,并利用人脸检测数据集训练得到人脸检测深度神经网络模型,该模型的输出为图像中人脸区域的外接矩形坐标;
S2,利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集,并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型,该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果;
S3,将待检测图像进行预处理,输入到所述人脸检测深度神经网络模型,得到待检测图像中人脸区域的外接矩形坐标;
S4,将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型,得到待检测图像的人脸区域中每个像素的语义分类结果,即把每个像素分类为背景、未遮挡人脸和遮挡物;
S5,对所述每个像素的语义分类结果进行统计,得到分类为所述未遮挡人脸类别的像素点总数和所述遮挡物类别的像素点总数,从而得到人脸遮挡比例,若遮挡比例为0,则表示无遮挡,否则为有遮挡,遮挡比例用于衡量遮挡的严重程度,即人脸完整度。
步骤S1,具体如下:
S1-1,人脸检测数据集来源于WIDER FACE数据集,并按Retinaface人脸检测算法的输入数据格式进行组织。WIDER FACE数据集是人脸检测的一个基准数据集,包含32203图像,以及393,703个标注人脸,其中,158,989个标注人脸位于训练集,39,496个位于验证集。每一个子集都包含3个级别的检测难度:Easy,Medium,Hard。这些人脸在尺度,姿态,光照、表情、遮挡方面都有很大的变化范围。
S1-2,使用Retinaface人脸检测算法的深度神经网络结构,该方法采用single-stage的设计,构建特征金字塔提取多尺度特征,密集采样人脸在特征金字塔上的位置和尺度,利用额外监督和自监督结合的多任务学习,对不同尺寸的人脸进行像素级定位。
S1-3,使用S1-1中组织好的数据集对人脸检测深度神经网络模型进行训练,得到准确率较高的人脸检测器。该模型能够准确定位输入图像中的人脸区域,并输出图像中人脸外接矩形的坐标信息。
步骤S2,具体如下:
S2-1,人脸语义分割数据集是从人脸检测数据集的图片中裁剪出人脸图像,并对人脸图像进行标注生成的。首先根据人脸检测数据集图像中人脸区域的外接矩形坐标,从原始图像中裁剪出人脸图像,组成人脸图像数据集。然后对人脸图像进行像素级的分类标注,总共有三个类别:背景、未遮挡人脸和遮挡物,将图像中每个像素标注为其中的一个类别,便得到用于训练人脸语义分割深度神经网络模型的人脸语义分割数据集。
S2-2,使用分层多尺度注意力机制进行语义分割,对每个尺度学习一个密集的掩模,通过在掩模之间进行像素乘法,然后在不同尺度之间进行像素求和,将这些多尺度预测结合起来,得到最终结果。在训练过程中,给定的输入图像按r因子进行缩放,其中r=0.5表示进行两倍向下采样,r=2.0表示按进行两倍向上采样,r=1表示不进行操作。实际训练中,将r=1和r=0.5的两幅图像通过共享网络中继发送,对于每个尺度生成语义logit L和用于合并尺度间的logit L的注意力掩码(α)。对于两个尺度的训练和推理,方程可以形式化为:
L(r=1)=U(L(r=0.5)*α(r=0.5))+((1-U(α(r=0.5)))*L(r=1))
其中U表示双线性上采样操作,*和+分别表示像素级的乘法和加法。
S2-3,使用S2-1中标注完成的人脸语义分割数据集对人脸语义分割深度神经网络模型进行训练,得到对人脸图像进行3个类别语义分割的模型。该模型能够对输入的人脸图像进行处理,输出对图像中每个像素进行分类的结果。
步骤S3,具体如下:
首先读取待检测的输入图像,调整图像大小,使它与人脸检测深度神经网络模型的输入一致。将经过预处理的图像数据传入人脸检测深度神经网络模型,输出对原图像中人脸区域进行定位的外接矩形的坐标。
步骤S4,具体如下:
根据S3得到的人脸外接矩形的坐标将人脸部分图像从原图像中裁剪出来,然后将人脸图像数据传入人脸语义分割深度神经网络模型,输出对人脸图像中每个像素点进行语义分类的结果,即一个大小等于人脸图像分辨率的二维数组,数组中每个数表示图像中相应位置的像素点的分类结果。
步骤S5,具体如下:
对S4中得到的人脸图像中每个像素点的语义分类结果进行统计,得到未遮挡的人脸类别的像素点总数n和遮挡物类别的像素点总数m。按下列公式计算即可得到人脸遮挡比例p。若遮挡比例为0,则表示无遮挡。否则为有遮挡,遮挡比例可以衡量遮挡的严重程度,也就是衡量人脸完整度。
相应地,本发明还提供了一种语义分割的人脸完整度度量***,如图2所示,包括:
检测模型训练单元1,用于组织人脸检测数据集,并利用人脸检测数据集训练得到人脸检测深度神经网络模型,该模型的输出为图像中人脸区域的外接矩形坐标;
分割模型训练单元2,用于利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集,并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型,该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果;
人脸检测与分类单元3,用于将待检测图像进行预处理,输入到所述人脸检测深度神经网络模型,得到待检测图像中人脸区域的外接矩形坐标,之后将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型,得到待检测图像的人脸区域中每个像素的语义分类结果,即把每个像素分类为背景、未遮挡人脸和遮挡物;
分类统计与输出单元4,用于对所述每个像素的语义分类结果进行统计,得到分类为所述未遮挡人脸类别的像素点总数和所述遮挡物类别的像素点总数,从而得到人脸遮挡比例,若遮挡比例为0,则表示无遮挡,否则为有遮挡,遮挡比例用于衡量遮挡的严重程度,即人脸完整度,并把结果进行输出。
因此,本发明采用基于语义分割的方式来进行人脸遮挡检测,并计算遮挡比例从而对人脸完整度进行度量,使用深度学习和图像语义分割技术,能够得到人脸部分图像精确的、像素级别的分类结果,使人脸遮挡检测结果更加准确,计算得到的遮挡比例能够很好地度量人脸完整度,有更好的应用效果和更广的应用范围。
相应地,本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述人脸完整度度量方法的步骤。同时,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述人脸完整度度量方法的步骤。
以上对本发明实施例所提供的语义分割的人脸完整度度量方法、***、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种语义分割的人脸完整度度量方法,其特征在于,所述方法包括:
组织人脸检测数据集,并利用人脸检测数据集训练得到人脸检测深度神经网络模型,该模型的输出为图像中人脸区域的外接矩形坐标;
利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集,并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型,该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果;
将待检测图像进行预处理,输入到所述人脸检测深度神经网络模型,得到待检测图像中人脸区域的外接矩形坐标;
将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型,得到待检测图像的人脸区域中每个像素的语义分类结果,即把每个像素分类为背景、未遮挡人脸和遮挡物;
对所述每个像素的语义分类结果进行统计,得到分类为所述未遮挡人脸类别的像素点总数和所述遮挡物类别的像素点总数,从而得到人脸遮挡比例,若遮挡比例为0,则表示无遮挡,否则为有遮挡,遮挡比例用于衡量遮挡的严重程度,即人脸完整度。
2.如权利要求1所述的语义分割的人脸完整度度量方法,其特征在于,所述组织人脸语义分割数据集,具体为:
根据所述图像中人脸区域的外接矩形坐标,从原始图像中裁剪出人脸图像,组成人脸图像数据集;
对所述人脸图像数据集进行像素级的分类标注,总共有三个类别:背景、未遮挡人脸和遮挡物,将图像中每个像素标注为其中的一个类别,便得到用于训练所述人脸语义分割深度神经网络模型的人脸语义分割数据集。
3.如权利要求1所述的语义分割的人脸完整度度量方法,其特征在于,所述人脸语义分割深度神经网络模型使用分层多尺度注意力机制进行语义分割,对每个尺度学习一个密集的掩模,通过在掩模之间进行像素乘法,然后在不同尺度之间进行像素求和,将这些多尺度预测结合起来,得到最终结果。
5.一种语义分割的人脸完整度度量***,其特征在于,所述***包括:
检测模型训练单元,用于组织人脸检测数据集,并利用人脸检测数据集训练得到人脸检测深度神经网络模型,该模型的输出为图像中人脸区域的外接矩形坐标;
分割模型训练单元,用于利用所述图像中人脸区域的外接矩形坐标组织人脸语义分割数据集,并利用人脸语义分割数据集训练得到人脸语义分割深度神经网络模型,该模型的输出为将图像的人脸区域中每个像素分类为背景、未遮挡的人脸和遮挡物的结果;
人脸检测与分类单元,用于将待检测图像进行预处理,输入到所述人脸检测深度神经网络模型,得到待检测图像中人脸区域的外接矩形坐标,之后将所述待检测图像中人脸区域的外接矩形坐标输入到所述人脸语义分割深度神经网络模型,得到待检测图像的人脸区域中每个像素的语义分类结果,即把每个像素分类为背景、未遮挡人脸和遮挡物;
分类统计与输出单元,用于对所述每个像素的语义分类结果进行统计,得到分类为所述未遮挡人脸类别的像素点总数和所述遮挡物类别的像素点总数,从而得到人脸遮挡比例,若遮挡比例为0,则表示无遮挡,否则为有遮挡,遮挡比例用于衡量遮挡的严重程度,即人脸完整度,并把结果进行输出。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427382.6A CN113111817B (zh) | 2021-04-21 | 2021-04-21 | 语义分割的人脸完整度度量方法、***、设备及存储介质 |
PCT/CN2022/085683 WO2022222766A1 (zh) | 2021-04-21 | 2022-04-08 | 语义分割的人脸完整度度量方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427382.6A CN113111817B (zh) | 2021-04-21 | 2021-04-21 | 语义分割的人脸完整度度量方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111817A true CN113111817A (zh) | 2021-07-13 |
CN113111817B CN113111817B (zh) | 2023-06-27 |
Family
ID=76719369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110427382.6A Active CN113111817B (zh) | 2021-04-21 | 2021-04-21 | 语义分割的人脸完整度度量方法、***、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113111817B (zh) |
WO (1) | WO2022222766A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612971A (zh) * | 2022-03-04 | 2022-06-10 | 北京百度网讯科技有限公司 | 人脸检测方法、模型训练方法、电子设备及程序产品 |
WO2022222766A1 (zh) * | 2021-04-21 | 2022-10-27 | 中山大学 | 语义分割的人脸完整度度量方法、***、设备及存储介质 |
CN116778481A (zh) * | 2023-08-17 | 2023-09-19 | 武汉互创联合科技有限公司 | 一种基于关键点检测的卵裂球图像识别方法及*** |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115937906B (zh) * | 2023-02-16 | 2023-06-06 | 武汉图科智能科技有限公司 | 一种基于遮挡抑制和特征重建的遮挡场景行人重识别方法 |
CN117173765A (zh) * | 2023-09-06 | 2023-12-05 | 广东工业大学 | 一种大规模遮罩人脸数据集标注方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
WO2019033572A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法、装置及存储介质 |
CN110009573A (zh) * | 2019-01-29 | 2019-07-12 | 北京奇艺世纪科技有限公司 | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110929651A (zh) * | 2019-11-25 | 2020-03-27 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111091576A (zh) * | 2020-03-19 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9619477B1 (en) * | 2013-03-15 | 2017-04-11 | Veritas Technologies | Systems and methods for accelerating backup operations |
CN110363134B (zh) * | 2019-07-10 | 2021-06-08 | 电子科技大学 | 一种基于语义分割的人脸遮挡区定位方法 |
CN111310624B (zh) * | 2020-02-05 | 2023-11-21 | 腾讯科技(深圳)有限公司 | 遮挡识别方法、装置、计算机设备及存储介质 |
CN111428581B (zh) * | 2020-03-05 | 2023-11-21 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法及*** |
CN111931712B (zh) * | 2020-09-18 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 人脸识别方法、装置、抓拍机及*** |
CN112633144A (zh) * | 2020-12-21 | 2021-04-09 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法、***、设备及存储介质 |
CN113111817B (zh) * | 2021-04-21 | 2023-06-27 | 中山大学 | 语义分割的人脸完整度度量方法、***、设备及存储介质 |
-
2021
- 2021-04-21 CN CN202110427382.6A patent/CN113111817B/zh active Active
-
2022
- 2022-04-08 WO PCT/CN2022/085683 patent/WO2022222766A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145867A (zh) * | 2017-05-09 | 2017-09-08 | 电子科技大学 | 基于多任务深度学习的人脸及人脸遮挡物检测方法 |
WO2019033572A1 (zh) * | 2017-08-17 | 2019-02-21 | 平安科技(深圳)有限公司 | 人脸遮挡检测方法、装置及存储介质 |
CN110009573A (zh) * | 2019-01-29 | 2019-07-12 | 北京奇艺世纪科技有限公司 | 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110929651A (zh) * | 2019-11-25 | 2020-03-27 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111091576A (zh) * | 2020-03-19 | 2020-05-01 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022222766A1 (zh) * | 2021-04-21 | 2022-10-27 | 中山大学 | 语义分割的人脸完整度度量方法、***、设备及存储介质 |
CN114612971A (zh) * | 2022-03-04 | 2022-06-10 | 北京百度网讯科技有限公司 | 人脸检测方法、模型训练方法、电子设备及程序产品 |
CN116778481A (zh) * | 2023-08-17 | 2023-09-19 | 武汉互创联合科技有限公司 | 一种基于关键点检测的卵裂球图像识别方法及*** |
CN116778481B (zh) * | 2023-08-17 | 2023-10-31 | 武汉互创联合科技有限公司 | 一种基于关键点检测的卵裂球图像识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2022222766A1 (zh) | 2022-10-27 |
CN113111817B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113111817B (zh) | 语义分割的人脸完整度度量方法、***、设备及存储介质 | |
CN108520229B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
Wang et al. | Surface defect detection via entity sparsity pursuit with intrinsic priors | |
CN111583187B (zh) | 一种基于cnn可视化的pcb电路板缺陷检测方法 | |
Robinson | Sketch2code: Generating a website from a paper mockup | |
CN107886074A (zh) | 一种人脸检测方法以及人脸检测*** | |
CN109583449A (zh) | 字符识别方法及相关产品 | |
CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
CN107833221A (zh) | 一种基于多通道特征融合和机器学习的漏水监测方法 | |
CN112465746B (zh) | 一种射线底片中小缺陷检测方法 | |
Chang et al. | A deep learning-based weld defect classification method using radiographic images with a cylindrical projection | |
CN112131951B (zh) | 一种自动化识别施工中违规使用梯子行为的*** | |
CN111310826B (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN116843999B (zh) | 一种基于深度学习的动火作业中气瓶检测方法 | |
CN113538375A (zh) | 一种基于YOLOv5的PCB缺陷检测方法 | |
Kumar et al. | Automatic Face Mask Detection Using Deep Learning-Based Mobile-Net Architecture | |
CN117636134B (zh) | 基于层级移动窗口注意力的全景图像质量评价方法与*** | |
WO2023185234A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113344475A (zh) | 基于序列模态分解的变压器套管缺陷识别方法及*** | |
CN108416304B (zh) | 一种利用上下文信息的三分类人脸检测方法 | |
CN116092179A (zh) | 一种改进的yolox跌倒检测*** | |
CN116434266A (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
CN111814696A (zh) | 一种基于改进YOLOv3的视频船舶目标检测方法 | |
CN110321869A (zh) | 基于多尺度融合网络的人员检测和提取方法 |
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 |