CN114511908A - 一种人脸活体检测方法、装置、电子设备及存储介质 - Google Patents

一种人脸活体检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114511908A
CN114511908A CN202210102665.8A CN202210102665A CN114511908A CN 114511908 A CN114511908 A CN 114511908A CN 202210102665 A CN202210102665 A CN 202210102665A CN 114511908 A CN114511908 A CN 114511908A
Authority
CN
China
Prior art keywords
branch network
network
regression
classification
positioning
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
Application number
CN202210102665.8A
Other languages
English (en)
Inventor
张国生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210102665.8A priority Critical patent/CN114511908A/zh
Publication of CN114511908A publication Critical patent/CN114511908A/zh
Pending legal-status Critical Current

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种人脸活体检测方法、装置、电子设备及存储介质，涉及人工智能领域，尤其涉及深度学习和人脸检测领域。具体实现方案为：获取待检测图像；将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征；将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。本申请实施例可以有效地提升人脸活体检测的性能，极大地提高人脸识别***的效率；还可以减少资源消耗，节约成本，提升用户体验。

Description

一种人脸活体检测方法、装置、电子设备及存储介质
技术领域
本公开涉及人工智能技术领域，进一步涉及深度学习和人脸检测技术，尤其是一种人脸活体检测方法、装置、电子设备及存储介质。
背景技术
人脸检测即判断图像中是否存在人脸以及定位出人脸的像素坐标，活体检测即区分一张图像是否直接拍摄于真人，两者都是人脸识别***的基础模块，保证人脸识别***的安全性。使用深度学习技术的人脸检测和活体检测方法是当前该领域的主流方法，相比传统的方法在精度上有大幅度提升。
发明内容
本公开提供了一种人脸活体检测方法、装置、电子设备以及存储介质。
第一方面，本申请提供了一种人脸活体检测方法，所述方法包括：
获取待检测图像；
将所述待检测图像输入至预先训练好的特征提取网络中，通过所述特征提取网络输出所述待检测图像的共享特征；
将所述待检测图像的共享特征输入至预先训练好的预测分支网络中，通过所述预测分支网络输出所述待检测图像对应的人脸检测结果和活体检测结果；其中，所述预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
第二方面，本申请提供了一种人脸活体检测装置，所述装置包括：获取模块、特征提取模块和检测模块；其中，
所述获取模块，用于获取待检测图像；
所述特征提取模块，用于将所述待检测图像输入至预先训练好的特征提取网络中，通过所述特征提取网络输出所述待检测图像的共享特征；
所述检测模块，用于将所述待检测图像的共享特征输入至预先训练好的预测分支网络中，通过所述预测分支网络输出所述待检测图像对应的人脸检测结果和活体检测结果；其中，所述预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
第三方面，本申请实施例提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的人脸活体检测方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现本申请任意实施例所述的人脸活体检测方法。
第五方面，提供了一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现本申请任意实施例所述的人脸活体检测方法。
根据本申请的技术解决了现有技术中人脸检测和活体检测的串联结构所带来的计算资源损耗，优化成本高，实际应用效果较差的技术问题，本申请提供的技术方案，可以有效地提升人脸活体检测的性能，极大地提高人脸识别***的效率；还可以减少资源消耗，节约成本，提升用户体验。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本申请实施例提供的人脸活体检测方法的第一流程示意图；
图2是本申请实施例提供的人脸活体检测方法的第二流程示意图；
图3是本申请实施例提供的人脸活体检测方法的第三流程示意图；
图4是本申请实施例提供的人脸活体检测模型的结构示意图；
图5是本申请实施例提供的人脸活体检测装置的结构示意图；
图6是用来实现本申请实施例的人脸活体检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例提供的人脸活体检测方法的第一流程示意图，该方法可以由人脸活体检测装置或者电子设备来执行，该装置或者电子设备可以由软件和/或硬件的方式实现，该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示，人脸活体检测方法可以包括以下步骤：
S101、获取待检测图像。
在本步骤中，电子设备可以获取待检测图像。本申请中的待检测图像可以是一张人脸的图像，也可以是一张不包括人脸的图像，通过本申请实施例中的特征提取网络和预测分支网络，可以判断出待检测图像中是否存在人脸以及定位出人脸的像素坐标，并且区分该图像是否直接拍摄于真人。
S102、将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征。
在本步骤中，电子设备可以将将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征。具体地，本申请实施例的特征提取网络为采用高分辨率特征表示的深度卷积网络HRNet，用于提取人脸检测和活体检测的共享特征。
S103、将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
在本步骤中，电子设备可以将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。具体地，电子设备可以将待检测图像的共享特征分别输入至回归分支网络、定位分支网络和分类分支网络中，通过定位分支网络和回归分支网络可以得到待检测图像对应的人脸检测结果；通过定位分支网络和分类分支网络可以得到检测图像对应的活体检测结果。然而，现阶段的人脸检测和活体检测基本上是两个串联的独立模块，这样的串联结构毋容置疑会带了不必要的计算资源损耗问题，而且两个独立模块优化成本会很高，影响人脸识别***的实际应用效果。
本申请实施例提出的人脸活体检测方法，先获取待检测图像；然后将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征；再将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。也就是说，本申请可以将人脸检测和活体检测这两个任务集成到同一个模型结构中，即用一个模型实现人脸检测和活体检测这两个任务。而在现有的人脸活体检测方法中，人脸检测和活体检测是两个独立的模块，即首先完成人脸检测，得到人脸的位置像素坐标，然后对检测到的人脸进行活体判别，最后进行人脸识别。因为本申请采用了将人脸检测和活体检测这两个任务集成到同一个模型结构中，即用一个模型实现人脸检测和活体检测这两个任务的技术手段，克服了现有技术中人脸检测和活体检测的串联结构所带来的计算资源损耗，优化成本高，实际应用效果较差的技术问题。本申请提供的技术方案，可以有效地提升人脸活体检测的性能，极大地提高人脸识别***的效率；还可以减少资源消耗，节约成本，提升用户体验；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例二
图2是本申请实施例提供的人脸活体检测方法的第二流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图2所示，人脸活体检测方法可以包括以下步骤：
S201、若回归分支网络、定位分支网络和分类分支网络不满足各自对应的收敛条件，在预先构建的样本图像中提取出一个样本图像作为当前样本图像。
在本步骤中，若回归分支网络、定位分支网络和分类分支网络不满足各自对应的收敛条件，电子设备可以在预先构建的样本图像中提取出一个样本图像作为当前样本图像。具体地，在对回归分支网络、定位分支网络和分类分支网络训练之前，可以预先构建多个样本图像，这些样本图像用于对上述三个分支网络进行训练。
S202、使用当前样本图像以及回归分支网络、定位分支网络和分类分支网络各自对应的损失函数分别对回归分支网络、定位分支网络和分类分支网络进行训练，重复执行上述操作，直到回归分支网络、定位分支网络和分类分支网络满足各自对应的收敛条件。
在本步骤中，电子设备可以使用当前样本图像以及回归分支网络、定位分支网络和分类分支网络各自对应的损失函数分别对回归分支网络、定位分支网络和分类分支网络进行训练，重复执行上述操作，直到回归分支网络、定位分支网络和分类分支网络满足各自对应的收敛条件。具体地，电子设备可以先将当前样本图像输入至预先训练好的特征提取网络中，通过特征提取网络输出当前样本图像的共享特征；其中，当前样本图像的共享特征为C×H×W的矩阵；C表示特征的通道数；H表示特征的高度；W表示特征的宽度；然后将当前样本图像的共享特征分别输入至回归分支网络、定位分支网络和分类分支网络中，通过回归分支网络、定位分支网络和分类分支网络分别将C×H×W的矩阵映射为2×H×W的矩阵；再基于回归分支网络、定位分支网络和分类分支网络各自映射得到的2×H×W的矩阵，以及回归分支网络、定位分支网络和分类分支网络各自对应的损失函数分别对回归分支网络、定位分支网络和分类分支网络进行训练。更进一步地，电子设备可以先基于定位分支网络映射得到的2×H×W的矩阵以及定位分支网络对应的损失函数对定位分支网络进行训练；然后基于定位分支网络映射得到的2×H×W的矩阵和回归分支网络映射得到的2×H×W的矩阵以及回归分支网络对应的损失函数对回归分支网络进行训练；同时基于定位分支网络映射得到的2×H×W的矩阵和分类分支网络映射得到的2×H×W的矩阵以及分类分支网络对应的损失函数对分类分支网络进行训练。
本申请实施例中的定位分支网络对应的损失函数为：
当Yxyc等于1时，
Figure BDA0003492970020000061
当Yxyc不等于1时，
Figure BDA0003492970020000062
Figure BDA0003492970020000063
Yxyc＝exp{-[(x-px)2+(y-py)2]/2σ2}；其中，Lk为定位分支网络对应的损失函数；(px，py)为人脸的中心位置坐标；σ为方差系数；α和β为预先设定的超参数；Yxyc为预先定义的目标特征图Y∈[0，1]w×H×2中的任意位置的值；
Figure BDA0003492970020000064
为Yxyc的预测值；N为图像中所有元素的个数；H表示特征的高度；W表示特征的宽度。
此外，回归分支网络对应的损失函数为：
Figure BDA0003492970020000065
其中，Lsize为回归分支网络对应的损失函数；sk为人脸的目标尺寸；
Figure BDA0003492970020000066
为人脸的目标尺寸的预测值；N为所有元素的个数；k为当前元素的序号。
S203、获取待检测图像。
S204、将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征。
S205、将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
本申请实施例提出的人脸活体检测方法，先获取待检测图像；然后将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征；再将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。也就是说，本申请可以将人脸检测和活体检测这两个任务集成到同一个模型结构中，即用一个模型实现人脸检测和活体检测这两个任务。而在现有的人脸活体检测方法中，人脸检测和活体检测是两个独立的模块，即首先完成人脸检测，得到人脸的位置像素坐标，然后对检测到的人脸进行活体判别，最后进行人脸识别。因为本申请采用了将人脸检测和活体检测这两个任务集成到同一个模型结构中，即用一个模型实现人脸检测和活体检测这两个任务的技术手段，克服了现有技术中人脸检测和活体检测的串联结构所带来的计算资源损耗，优化成本高，实际应用效果较差的技术问题。本申请提供的技术方案，可以有效地提升人脸活体检测的性能，极大地提高人脸识别***的效率；还可以减少资源消耗，节约成本，提升用户体验；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例三
图3是本申请实施例提供的人脸活体检测方法的第三流程示意图。基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。如图3所示，人脸活体检测方法可以包括以下步骤：
S301、若回归分支网络、定位分支网络和分类分支网络不满足各自对应的收敛条件，在预先构建的样本图像中提取出一个样本图像作为当前样本图像。
S302、将当前样本图像输入至预先训练好的特征提取网络中，通过特征提取网络输出当前样本图像的共享特征；其中，当前样本图像的共享特征为C×H×W的矩阵；C表示特征的通道数；H表示特征的高度；W表示特征的宽度。
在本步骤中，电子设备可以将当前样本图像输入至预先训练好的特征提取网络中，通过特征提取网络输出当前样本图像的共享特征；其中，当前样本图像的共享特征为C×H×W的矩阵；C表示特征的通道数；H表示特征的高度；W表示特征的宽度。具体地，每个分支网络均通过若干层卷积网络将共享特征映射到2×H×W的预测特征，其中2表示通道数，H和W表示特征的高和宽。定位分支用于定位人脸的中心位置，其输出为两个类别(前景和背景)的heatmap，heatmap存在局部极大值的像素位置即为存在人脸的中心位置，在此定义目标heatmap：Y∈[0,1]W×H×2；则定义heatmap任意位置的值为Yxyc＝exp{-[(x-px)2+(y-py)2]/2σ2}；其中，(px,py)为图像中人脸的中心位置，则可生成一人脸为中心的二维高斯图，其中，σ为方差系数，定位分支的损失函数定义采用了变体的focal loss，如下：当Yxyc等于1时，
Figure BDA0003492970020000071
当Yxyc不等于1时，
Figure BDA0003492970020000072
其中，Lk为定位分支网络对应的损失函数；(px，py)为人脸的中心位置坐标；σ为方差系数；α和β为预先设定的超参数；Yxyc为预先定义的目标特征图Y∈[0，1]w×H×2中的任意位置的值；
Figure BDA0003492970020000081
为Yxyc的预测值；N为图像中所有元素的个数；H表示特征的高度；W表示特征的宽度。
S303、将当前样本图像的共享特征分别输入至回归分支网络、定位分支网络和分类分支网络中，通过回归分支网络、定位分支网络和分类分支网络分别将C×H×W的矩阵映射为2×H×W的矩阵。
在本步骤中，电子设备可以将当前样本图像的共享特征分别输入至回归分支网络、定位分支网络和分类分支网络中，通过回归分支网络、定位分支网络和分类分支网络分别将C×H×W的矩阵映射为2×H×W的矩阵。具体地，每个分支网络均通过若干层卷积网络将共享特征映射到2×H×W的预测特征，其中2表示通道数，H表示特征的高度；W表示特征的宽度。
S304、基于回归分支网络、定位分支网络和分类分支网络各自映射得到的2×H×W的矩阵，以及回归分支网络、定位分支网络和分类分支网络各自对应的损失函数分别对回归分支网络、定位分支网络和分类分支网络进行训练；重复执行上述操作，直到回归分支网络、定位分支网络和分类分支网络满足各自对应的收敛条件。
在本步骤中，电子设备可以基于回归分支网络、定位分支网络和分类分支网络各自映射得到的2×H×W的矩阵，以及回归分支网络、定位分支网络和分类分支网络各自对应的损失函数分别对回归分支网络、定位分支网络和分类分支网络进行训练；重复执行上述操作，直到回归分支网络、定位分支网络和分类分支网络满足各自对应的收敛条件。具体地，电子设备可以先基于定位分支网络映射得到的2×H×W的矩阵以及定位分支网络对应的损失函数对定位分支网络进行训练；然后基于定位分支网络映射得到的2×H×W的矩阵和回归分支网络映射得到的2×H×W的矩阵以及回归分支网络对应的损失函数对回归分支网络进行训练；同时基于定位分支网络映射得到的2×H×W的矩阵和分类分支网络映射得到的2×H×W的矩阵以及分类分支网络对应的损失函数对分类分支网络进行训练。更进一步地，电子设备在对回归分支网络进行训练时，可以先基于定位分支网络映射得到的2×H×W的矩阵得到当前样本图像中的人脸的中心位置坐标；然后将人脸的中心位置坐标输入至回归分支网络中，使得回归分支网络基于人脸的中心位置坐标和回归分支网络映射得到的2×H×W的矩阵以及回归分支网络对应的损失函数对回归分支网络进行训练。此外，电子设备在对分类分支网络进行训练时，可以先基于定位分支网络映射得到的2×H×W的矩阵得到当前样本图像中的人脸的中心位置坐标；然后将人脸的中心位置坐标输入至分类分支网络中，使得分类分支网络基于人脸的中心位置坐标和分类分支网络映射得到的2×H×W的矩阵以及分类分支网络对应的损失函数对分类分支网络进行训练。
S305、获取待检测图像。
S306、将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征。
S307、将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
图4是本申请实施例提供的人脸活体检测模型的结构示意图。如图4所示，该模型可以包括：特征提取网络(HRNet)、回归分支(Convs)、定位分支(Convs)和分类分支(Convs)；先通过特征提取网络得到共享特征，然后将该共享特征分别输入至回归分支、定位分支和分类分支；每个分支网络均通过若干层卷积网络将共享特征映射到2×H×W的预测特征。本申请实施例中的回归分支对应的损失函数可以表示为L1 Loss；定位分支对应的损失函数可以表示为Focal Loss；分类分支对应的损失函数可以表示为CE Loss。
本申请设计了一种人脸检测和活体检测一体化的网络，能够并行地实现人脸检测和活体检测两个任务，极大提高人脸识别***的效率。并且两个任务再特征提取部分实现了权重共享，即公用同一个特征提取网络，不仅能减小网络的计算资源消耗，同时能实现两个任务协同学习，一定程度上减小了活体检测网络过拟合的现象，提高了活体检测的泛化性。
本申请实施例提出的人脸活体检测方法，先获取待检测图像；然后将待检测图像输入至预先训练好的特征提取网络中，通过特征提取网络输出待检测图像的共享特征；再将待检测图像的共享特征输入至预先训练好的预测分支网络中，通过预测分支网络输出待检测图像对应的人脸检测结果和活体检测结果；其中，预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。也就是说，本申请可以将人脸检测和活体检测这两个任务集成到同一个模型结构中，即用一个模型实现人脸检测和活体检测这两个任务。而在现有的人脸活体检测方法中，人脸检测和活体检测是两个独立的模块，即首先完成人脸检测，得到人脸的位置像素坐标，然后对检测到的人脸进行活体判别，最后进行人脸识别。因为本申请采用了将人脸检测和活体检测这两个任务集成到同一个模型结构中，即用一个模型实现人脸检测和活体检测这两个任务的技术手段，克服了现有技术中人脸检测和活体检测的串联结构所带来的计算资源损耗，优化成本高，实际应用效果较差的技术问题。本申请提供的技术方案，可以有效地提升人脸活体检测的性能，极大地提高人脸识别***的效率；还可以减少资源消耗，节约成本，提升用户体验；并且，本申请实施例的技术方案实现简单方便、便于普及，适用范围更广。
实施例四
图5是本申请实施例提供的人脸活体检测装置的结构示意图。如图5所示，所述装置500包括：获取模块501、特征提取模块502和检测模块503；其中，
所述获取模块501，用于获取待检测图像；
所述特征提取模块502，用于将所述待检测图像输入至预先训练好的特征提取网络中，通过所述特征提取网络输出所述待检测图像的共享特征；
所述检测模块503，用于将所述待检测图像的共享特征输入至预先训练好的预测分支网络中，通过所述预测分支网络输出所述待检测图像对应的人脸检测结果和活体检测结果；其中，所述预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
进一步的，所述装置还包括：训练模块504(图中未示出)，用于若所述回归分支网络、所述定位分支网络和所述分类分支网络不满足各自对应的收敛条件，在预先构建的样本图像中提取出一个样本图像作为当前样本图像；使用所述当前样本图像以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练，重复执行上述操作，直到所述回归分支网络、所述定位分支网络和所述分类分支网络满足各自对应的收敛条件。
进一步的，所述训练模块504，具体用于将所述当前样本图像输入至所述预先训练好的特征提取网络中，通过所述特征提取网络输出所述当前样本图像的共享特征；其中，所述当前样本图像的共享特征为C×H×W的矩阵；C表示特征的通道数；H表示特征的高度；W表示特征的宽度；将所述当前样本图像的共享特征分别输入至所述回归分支网络、所述定位分支网络和所述分类分支网络中，通过所述回归分支网络、所述定位分支网络和所述分类分支网络分别将所述C×H×W的矩阵映射为2×H×W的矩阵；基于所述回归分支网络、所述定位分支网络和所述分类分支网络各自映射得到的2×H×W的矩阵，以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练。
进一步的，所述训练模块504，具体用于基于所述定位分支网络映射得到的2×H×W的矩阵以及所述定位分支网络对应的损失函数对所述定位分支网络进行训练；基于所述定位分支网络映射得到的2×H×W的矩阵和所述回归分支网络映射得到的2×H×W的矩阵以及所述回归分支网络对应的损失函数对所述回归分支网络进行训练；基于所述定位分支网络映射得到的2×H×W的矩阵和所述分类分支网络映射得到的2×H×W的矩阵以及所述分类分支网络对应的损失函数对所述分类分支网络进行训练。
进一步的，所述训练模块504，具体用于基于所述基于所述定位分支网络映射得到的2×H×W的矩阵得到所述当前样本图像中的人脸的中心位置坐标；将所述人脸的中心位置坐标输入至所述回归分支网络中，使得所述回归分支网络基于所述人脸的中心位置坐标和回归分支网络映射得到的2×H×W的矩阵以及所述回归分支网络对应的损失函数对所述回归分支网络进行训练。
进一步的，所述训练模块504，具体用于基于所述定位分支网络映射得到的2×H×W的矩阵得到所述当前样本图像中的人脸的中心位置坐标；将所述人脸的中心位置坐标输入至所述分类分支网络中，使得所述分类分支网络基于所述人脸的中心位置坐标和所述分类分支网络映射得到的2×H×W的矩阵以及所述分类分支网络对应的损失函数对所述分类分支网络进行训练。
上述人脸活体检测装置可执行本申请任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的人脸活体检测方法。
实施例五
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如人脸活体检测方法。例如，在一些实施例中，人脸活体检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的人脸活体检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人脸活体检测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (15)

1.一种人脸活体检测方法，所述方法包括：
获取待检测图像；
将所述待检测图像输入至预先训练好的特征提取网络中，通过所述特征提取网络输出所述待检测图像的共享特征；
将所述待检测图像的共享特征输入至预先训练好的预测分支网络中，通过所述预测分支网络输出所述待检测图像对应的人脸检测结果和活体检测结果；其中，所述预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
2.根据权利要求1所述的方法，在获取待检测图像之前，所述方法还包括：
若所述回归分支网络、所述定位分支网络和所述分类分支网络不满足各自对应的收敛条件，在预先构建的样本图像中提取出一个样本图像作为当前样本图像；
使用所述当前样本图像以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练，重复执行上述操作，直到所述回归分支网络、所述定位分支网络和所述分类分支网络满足各自对应的收敛条件。
3.根据权利要求2所述的方法，其中，使用所述当前样本图像以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练，包括：
将所述当前样本图像输入至所述预先训练好的特征提取网络中，通过所述特征提取网络输出所述当前样本图像的共享特征；其中，所述当前样本图像的共享特征为C×H×W的矩阵；C表示特征的通道数；H表示特征的高度；W表示特征的宽度；
将所述当前样本图像的共享特征分别输入至所述回归分支网络、所述定位分支网络和所述分类分支网络中，通过所述回归分支网络、所述定位分支网络和所述分类分支网络分别将所述C×H×W的矩阵映射为2×H×W的矩阵；
基于所述回归分支网络、所述定位分支网络和所述分类分支网络各自映射得到的2×H×W的矩阵，以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练。
4.根据权利要求3所述的方法，其中，基于所述回归分支网络、所述定位分支网络和所述分类分支网络各自映射得到的2×H×W的矩阵，以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练，包括：
基于所述定位分支网络映射得到的2×H×W的矩阵以及所述定位分支网络对应的损失函数对所述定位分支网络进行训练；基于所述定位分支网络映射得到的2×H×W的矩阵和所述回归分支网络映射得到的2×H×W的矩阵以及所述回归分支网络对应的损失函数对所述回归分支网络进行训练；基于所述定位分支网络映射得到的2×H×W的矩阵和所述分类分支网络映射得到的2×H×W的矩阵以及所述分类分支网络对应的损失函数对所述分类分支网络进行训练。
5.根据权利要求4所述的方法，基于所述定位分支网络映射得到的2×H×W的矩阵和所述回归分支网络映射得到的2×H×W的矩阵以及所述回归分支网络对应的损失函数对所述回归分支网络进行训练，包括：
基于所述基于所述定位分支网络映射得到的2×H×W的矩阵得到所述当前样本图像中的人脸的中心位置坐标；
将所述人脸的中心位置坐标输入至所述回归分支网络中，使得所述回归分支网络基于所述人脸的中心位置坐标和回归分支网络映射得到的2×H×W的矩阵以及所述回归分支网络对应的损失函数对所述回归分支网络进行训练。
6.根据权利要求4所述的方法，基于基于所述定位分支网络映射得到的2×H×W的矩阵和所述分类分支网络映射得到的2×H×W的矩阵以及所述分类分支网络对应的损失函数对所述分类分支网络进行训练，包括：
基于所述定位分支网络映射得到的2×H×W的矩阵得到所述当前样本图像中的人脸的中心位置坐标；
将所述人脸的中心位置坐标输入至所述分类分支网络中，使得所述分类分支网络基于所述人脸的中心位置坐标和所述分类分支网络映射得到的2×H×W的矩阵以及所述分类分支网络对应的损失函数对所述分类分支网络进行训练。
7.一种人脸活体检测装置，所述装置包括：获取模块、特征提取模块和检测模块；其中，
所述获取模块，用于获取待检测图像；
所述特征提取模块，用于将所述待检测图像输入至预先训练好的特征提取网络中，通过所述特征提取网络输出所述待检测图像的共享特征；
所述检测模块，用于将所述待检测图像的共享特征输入至预先训练好的预测分支网络中，通过所述预测分支网络输出所述待检测图像对应的人脸检测结果和活体检测结果；其中，所述预测分支网络包括：回归分支网络、定位分支网络和分类分支网络。
8.根据权利要求7所述的装置，所述装置还包括：训练模块，用于若所述回归分支网络、所述定位分支网络和所述分类分支网络不满足各自对应的收敛条件，在预先构建的样本图像中提取出一个样本图像作为当前样本图像；使用所述当前样本图像以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练，重复执行上述操作，直到所述回归分支网络、所述定位分支网络和所述分类分支网络满足各自对应的收敛条件。
9.根据权利要求8所述的装置，所述训练模块，具体用于将所述当前样本图像输入至所述预先训练好的特征提取网络中，通过所述特征提取网络输出所述当前样本图像的共享特征；其中，所述当前样本图像的共享特征为C×H×W的矩阵；C表示特征的通道数；H表示特征的高度；W表示特征的宽度；将所述当前样本图像的共享特征分别输入至所述回归分支网络、所述定位分支网络和所述分类分支网络中，通过所述回归分支网络、所述定位分支网络和所述分类分支网络分别将所述C×H×W的矩阵映射为2×H×W的矩阵；基于所述回归分支网络、所述定位分支网络和所述分类分支网络各自映射得到的2×H×W的矩阵，以及所述回归分支网络、所述定位分支网络和所述分类分支网络各自对应的损失函数分别对所述回归分支网络、所述定位分支网络和所述分类分支网络进行训练。
10.根据权利要求9所述的装置，所述训练模块，具体用于基于所述定位分支网络映射得到的2×H×W的矩阵以及所述定位分支网络对应的损失函数对所述定位分支网络进行训练；基于所述定位分支网络映射得到的2×H×W的矩阵和所述回归分支网络映射得到的2×H×W的矩阵以及所述回归分支网络对应的损失函数对所述回归分支网络进行训练；基于所述定位分支网络映射得到的2×H×W的矩阵和所述分类分支网络映射得到的2×H×W的矩阵以及所述分类分支网络对应的损失函数对所述分类分支网络进行训练。
11.根据权利要求10所述的装置，所述训练模块，具体用于基于所述基于所述定位分支网络映射得到的2×H×W的矩阵得到所述当前样本图像中的人脸的中心位置坐标；将所述人脸的中心位置坐标输入至所述回归分支网络中，使得所述回归分支网络基于所述人脸的中心位置坐标和回归分支网络映射得到的2×H×W的矩阵以及所述回归分支网络对应的损失函数对所述回归分支网络进行训练。
12.根据权利要求10所述的装置，所述训练模块，具体用于基于所述定位分支网络映射得到的2×H×W的矩阵得到所述当前样本图像中的人脸的中心位置坐标；将所述人脸的中心位置坐标输入至所述分类分支网络中，使得所述分类分支网络基于所述人脸的中心位置坐标和所述分类分支网络映射得到的2×H×W的矩阵以及所述分类分支网络对应的损失函数对所述分类分支网络进行训练。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202210102665.8A 2022-01-27 2022-01-27 一种人脸活体检测方法、装置、电子设备及存储介质 Pending CN114511908A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210102665.8A CN114511908A (zh) 2022-01-27 2022-01-27 一种人脸活体检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210102665.8A CN114511908A (zh) 2022-01-27 2022-01-27 一种人脸活体检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114511908A true CN114511908A (zh) 2022-05-17

Family

ID=81550266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210102665.8A Pending CN114511908A (zh) 2022-01-27 2022-01-27 一种人脸活体检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114511908A (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109670452A (zh) * 2018-12-20 2019-04-23 北京旷视科技有限公司 人脸检测方法、装置、电子设备和人脸检测模型
CN110310222A (zh) * 2019-06-20 2019-10-08 北京奇艺世纪科技有限公司 一种图像风格迁移方法、装置、电子设备及存储介质
CN110738643A (zh) * 2019-10-08 2020-01-31 上海联影智能医疗科技有限公司 脑出血的分析方法、计算机设备和存储介质
CN111353519A (zh) * 2018-12-24 2020-06-30 北京三星通信技术研究有限公司 用户行为识别方法和***、具有ar功能的设备及其控制方法
CN111539255A (zh) * 2020-03-27 2020-08-14 中国矿业大学 基于多模态图像风格转换的跨模态行人重识别方法
CN111787227A (zh) * 2020-07-22 2020-10-16 苏州臻迪智能科技有限公司 基于跟踪拍摄的风格迁移方法及装置
CN111950608A (zh) * 2020-06-12 2020-11-17 中国科学院大学 一种基于对比损失的域自适应物体检测方法
CN112581361A (zh) * 2020-12-30 2021-03-30 北京达佳互联信息技术有限公司 图像风格迁移模型的训练方法、图像风格迁移方法及装置
CN112581355A (zh) * 2020-11-02 2021-03-30 北京迈格威科技有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN112669308A (zh) * 2021-01-06 2021-04-16 携程旅游信息技术（上海）有限公司 基于风格迁移的图像生成方法、***、设备及存储介质
CN112819686A (zh) * 2020-08-18 2021-05-18 腾讯科技（深圳）有限公司 基于人工智能的图像风格处理方法、装置及电子设备
CN113076900A (zh) * 2021-04-12 2021-07-06 华南理工大学 基于深度学习的试卷卷头学生信息自动检测方法
US20210248736A1 (en) * 2018-06-13 2021-08-12 Siemens Healthcare Gmbh Localization and classification of abnormalities in medical images

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210248736A1 (en) * 2018-06-13 2021-08-12 Siemens Healthcare Gmbh Localization and classification of abnormalities in medical images
CN109670452A (zh) * 2018-12-20 2019-04-23 北京旷视科技有限公司 人脸检测方法、装置、电子设备和人脸检测模型
CN111353519A (zh) * 2018-12-24 2020-06-30 北京三星通信技术研究有限公司 用户行为识别方法和***、具有ar功能的设备及其控制方法
CN110310222A (zh) * 2019-06-20 2019-10-08 北京奇艺世纪科技有限公司 一种图像风格迁移方法、装置、电子设备及存储介质
CN110738643A (zh) * 2019-10-08 2020-01-31 上海联影智能医疗科技有限公司 脑出血的分析方法、计算机设备和存储介质
CN111539255A (zh) * 2020-03-27 2020-08-14 中国矿业大学 基于多模态图像风格转换的跨模态行人重识别方法
CN111950608A (zh) * 2020-06-12 2020-11-17 中国科学院大学 一种基于对比损失的域自适应物体检测方法
CN111787227A (zh) * 2020-07-22 2020-10-16 苏州臻迪智能科技有限公司 基于跟踪拍摄的风格迁移方法及装置
CN112819686A (zh) * 2020-08-18 2021-05-18 腾讯科技（深圳）有限公司 基于人工智能的图像风格处理方法、装置及电子设备
CN112581355A (zh) * 2020-11-02 2021-03-30 北京迈格威科技有限公司 图像处理方法、装置、电子设备和计算机可读介质
CN112581361A (zh) * 2020-12-30 2021-03-30 北京达佳互联信息技术有限公司 图像风格迁移模型的训练方法、图像风格迁移方法及装置
CN112669308A (zh) * 2021-01-06 2021-04-16 携程旅游信息技术（上海）有限公司 基于风格迁移的图像生成方法、***、设备及存储介质
CN113076900A (zh) * 2021-04-12 2021-07-06 华南理工大学 基于深度学习的试卷卷头学生信息自动检测方法

Similar Documents

Publication Publication Date Title
CN113657390B (zh) 文本检测模型的训练方法和检测文本方法、装置和设备
CN112801164A (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN112800915A (zh) 建筑物变化检测方法、装置、电子设备以及存储介质
CN113947188A (zh) 目标检测网络的训练方法和车辆检测方法
CN112784732B (zh) 地物类型变化的识别、模型训练方法、装置、设备及介质
CN115861462B (zh) 图像生成模型的训练方法、装置、电子设备及存储介质
CN114332977A (zh) 关键点检测方法、装置、电子设备及存储介质
CN112528858A (zh) 人体姿态估计模型的训练方法、装置、设备、介质及产品
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN112861885A (zh) 图像识别方法、装置、电子设备及存储介质
CN113393371A (zh) 一种图像处理方法、装置及电子设备
CN113592932A (zh) 深度补全网络的训练方法、装置、电子设备及存储介质
CN114511743B (zh) 检测模型训练、目标检测方法、装置、设备、介质及产品
JP2023531759A (ja) 車線境界線検出モデルの訓練方法、車線境界線検出モデルの訓練装置、電子機器、記憶媒体及びコンピュータプログラム
CN114120454A (zh) 活体检测模型的训练方法、装置、电子设备及存储介质
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN114783597B (zh) 多类疾病诊断的诊断方法及装置、电子设备和存储介质
CN114549961B (zh) 目标对象的检测方法、装置、设备以及存储介质
CN115239889A (zh) 3d重建网络的训练方法、3d重建方法、装置、设备和介质
CN113205131A (zh) 图像数据的处理方法、装置、路侧设备和云控平台
CN114511908A (zh) 一种人脸活体检测方法、装置、电子设备及存储介质
CN114842541A (zh) 模型的训练及人脸识别方法、装置、设备以及存储介质
CN114612971A (zh) 人脸检测方法、模型训练方法、电子设备及程序产品
CN114494782A (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114330576A (zh) 模型处理方法、装置、图像识别方法及装置

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