CN115984949A - 一种带有注意力机制的低质量人脸图像识别方法及设备 - Google Patents
一种带有注意力机制的低质量人脸图像识别方法及设备 Download PDFInfo
- Publication number
- CN115984949A CN115984949A CN202310272773.4A CN202310272773A CN115984949A CN 115984949 A CN115984949 A CN 115984949A CN 202310272773 A CN202310272773 A CN 202310272773A CN 115984949 A CN115984949 A CN 115984949A
- Authority
- CN
- China
- Prior art keywords
- feature
- face image
- characteristic
- map
- convolution
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种带有注意力机制的低质量人脸图像识别方法及设备,涉及人工神经网络和人脸识别技术领域,识别方法包括获取未知人脸图像和训练完成的人脸图像识别网络模型,将未知人脸图像输入人脸图像识别网络模型进行特征提取,将生成的抽象特征图输入全局池化处理层,然后输出得到人脸特征向量,计算人脸特征向量与检索库中所有目标特征向量之间的距离,实现人脸识别。本发明的特征信息提取层中采用了卷积核大小不同的卷积操作和多种特征融合方式,配合多个跨步卷积和池化层,达到强化图像特征提取效果的作用。测试表明,本发明提出的网络模型对低质量人脸图像具有很好的识别效果,与现有技术相比,取得了明显的进步。
Description
技术领域
本发明属于人工神经网络和人脸识别技术领域,具体地说,涉及一种带有注意力机制的低质量人脸图像识别方法及设备。
背景技术
一直以来,人脸识别都是图像技术领域的一个重要研究方向,随着深度学习技术的发展,许多基于神经网络的模型已经能够在高质量人脸图像数据集上取得超过99%的识别正确率。但是,低质量的人脸图像识别仍然是一个具有较大难度的课题,尤其是对于低分辨率人脸图像,现有的算法还不够成熟,其识别准确率有待于进一步提升。
发明内容
针对现有技术中上述的不足,本发明提供了一种带有注意力机制的低质量人脸图像识别方法及设备,以提升对低质量人脸图像的识别准确率。
为了达到上述目的,本发明采用的解决方案是:一种带有注意力机制的低质量人脸图像识别方法,包括以下步骤:
S10、采集获取未知人脸图像,获取训练完成的人脸图像识别网络模型;
所述人脸图像识别网络模型包括主干和全局池化处理层,所述全局池化处理层连接在所述主干的尾部,所述主干包括顺次连接的多个特征信息提取层,所述特征信息提取层的数学模型为:
,其中,代表所述特征信息提取层的输入,表示前置残差模块;表示卷积核大小为3*3、步长为1的卷积运算,表示卷积核大小为5*5、步长为1的卷积运算,表示卷积核大小为3*3、步长为2的卷积运算,表示卷积核大小为5*5、步长为2的卷积运算,和均表示池化窗口尺寸为2*2、步长为2的最大池化操作,表示卷积核大小为1*1、步长为1的卷积运算,表示元素对应乘积运算,表示将其中的特征图拼接起来,、、、、均表示激活函数ReLU,表示所述前置残差模块输出的特征图,表示激活后生成的特征图,表示激活后生成的特征图,表示与相加后生成的特征图,表示与做元素对应乘积后生成的特征图,表示激活后生成的特征图,表示激活后生成的特征图,表示池化操作后生成的特征图,表示池化操作后生成的特征图,表示复合注意力校准单元,表示所述复合注意力校准单元生成并输出的注意力图,表示所述特征信息提取层输出的特征图;
S20、将所述未知人脸图像输入所述人脸图像识别网络模型,随着图像信息沿着所述主干传递,各个所述特征信息提取层依次对图像信息进行特征提取操作,直到最后一个所述特征信息提取层输出抽象特征图;
S30、将所述抽象特征图输入所述全局池化处理层,利用所述全局池化处理层对所述抽象特征图的各个图层进行全局池化操作,然后输出得到人脸特征向量;
S40、计算所述人脸特征向量与检索库中所有目标特征向量之间的距离,与所述人脸特征向量距离最近、且满足阈值条件的目标特征向量所对应的身份,即为所述未知人脸图像的身份。
进一步地,所述全局池化处理层为全局平均池化层。
进一步地,所述复合注意力校准单元的数学模型为:
,其中,所述复合注意力校准单元以特征图、、和作为输入;和均表示对特征图做全局最大池化操作,是在空间方向上对特征图进行操作,是在通道方向上对特征图进行操作,表示将其中的特征图拼接起来;表示卷积核大小为3*3、步长为1的卷积运算,表示卷积核大小为1*1、步长为1的卷积运算;表示元素对应乘积运算,和均表示sigmoid激活函数,表示卷积运算后生成的特征图,表示函数激活后生成的特征图,表示将特征图、、和分别在通道方向上做全局最大池化后并拼接得到的特征图,表示所述复合注意力校准单元输出的注意力图。
进一步地,所述前置残差模块的数学模型为:
,其中,代表所述前置残差模块的输入,和均表示激活函数ReLU,和均表示卷积核大小为3*3、步长为1的卷积运算,表示激活生成的特征图,代表所述前置残差模块输出的特征图。
本发明还提供了一种带有注意力机制的低质量人脸图像识别设备,包括处理器和存储器,所述存储器储存有计算机程序,所述处理器通过加载所述计算机程序,用于执行如上所述的带有注意力机制的低质量人脸图像识别方法。
本发明的有益效果是:
(1)现有技术表明,对于清晰的高分辨率人脸图像而言,通过简单叠加的多个卷积层就能充分地从图像中提取获得需要的特征信息,而对于低质量(如低分辨率)的人脸图像而言,其中的有用人脸图像信息十分有限,而且这些信息往往夹杂在大量的干扰信号中,现有的人工神经网络难以很好地应对这种低质量的图像输入,数据拟合效果不佳;本发明为了提高对原始输入图像的利用率,在每个特征信息提取层内部不仅设置卷积核大小不同的卷积层(和),而且还采用不同的方式将和两个卷积输出的特征图进行融合(矩阵相加和元素对应乘积),这样使得特征信息提取层能够从不同的角度进行特征提取操作,不同角度特征提取操作之间互相补充和验证,从而达到强化图像特征提取效果的作用;
(2)常规的人脸识别神经网络中,都是特征提取单元和池化层交替设置,由于整个网络为串联结构,两个特征提取单元之间只存在一个池化层,导致信息池化方式单一,限制了整个网络对低质量图像的特征提取效果;本发明同时设置多个跨步卷积(和)和池化层(和)分别对不同分支的特征图进行操作,这样不仅降低了特征图的长宽尺寸,同时还很好地缓解了单一池化方式导致的信息丢失;
(3)多个分支生成的特征图(、、和)并联输入复合注意力校准单元中,与常规的单一特征图作为输入相比,复合注意力校准单元能够从不同的角度学习不同信息的重要性,最终得到的注意力图()对信息校准效果更好。
附图说明
图1为一实施例的人脸图像识别网络模型结构示意图;
图2为图1所示人脸图像识别网络模型中特征信息提取层的结构示意图;
图3为图2所示特征信息提取层中复合注意力校准单元的结构示意图;
图4为对比例中特征信息提取层的结构示意图;
附图中:1-未知人脸图像,2-特征信息提取层,21-前置残差模块,3-全局池化处理层,4-复合注意力校准单元,5-人脸特征向量。
具体实施方式
实施例:
如说明书附图所示,图1、图2和图3分别为本实施例的人脸图像识别网络模型结构示意图、特征信息提取层2的结构示意图和复合注意力校准单元4的结构示意图。其中,全局池化处理层3采用全局平均池化层实现,网络的主干中设置了四个特征信息提取层2,特征信息提取层2可以表示为如下数学模型:
,其中,代表所述特征信息提取层的输入,表示前置残差模块;表示卷积核大小为3*3、步长为1的卷积运算,表示卷积核大小为5*5、步长为1的卷积运算,表示卷积核大小为3*3、步长为2的卷积运算,表示卷积核大小为5*5、步长为2的卷积运算,和均表示池化窗口尺寸为2*2、步长为2的最大池化操作,表示卷积核大小为1*1、步长为1的卷积运算,表示元素对应乘积运算,表示将其中的特征图拼接起来,、、、、均表示激活函数ReLU,表示所述前置残差模块输出的特征图,表示激活后生成的特征图,表示激活后生成的特征图,表示与相加后生成的特征图,表示与做元素对应乘积后生成的特征图,表示激活后生成的特征图,表示激活后生成的特征图,表示池化操作后生成的特征图,表示池化操作后生成的特征图,表示复合注意力校准单元,表示所述复合注意力校准单元生成并输出的注意力图,表示所述特征信息提取层输出的特征图。
对于第一个特征信息提取层2,其输入为未知人脸图像1(通道数量为3),经过前置残差模块21中第一个卷积操作()后,输出得到通道数量为48的特征图(长宽尺寸与未知人脸图像1相等),第二个卷积操作()前后,保持特征图的尺寸不变。对于后面三个特征信息提取层2,前置残差模块21中的两个卷积操作(和)前后,特征图的长宽尺寸和通道数量均保持不变。
在所有的特征信息提取层2中,和两个卷积操作前后,特征图的长宽尺寸和通道数量均保持不变,这样同一个特征信息提取层2内,特征图与特征图的尺寸完全相同,与相加得到,与做元素对应乘积得到。通过对、、和填充合适的padding值,使得、、和操作后,得到的特征图、、和长宽尺寸均为(同一个特征信息提取层2内)特征图的一半,、、和的通道数量则均与(同一个特征信息提取层2内)特征图相等。然后通过拼接和卷积操作,将特征图、、和融合,最终输出的特征图的通道数量为(同一个特征信息提取层2内)特征图通道数量的2倍,特征图的长宽尺寸则为(同一个特征信息提取层2内)特征图长宽尺寸的一半。
对于复合注意力校准单元4,、、和输入后,一方面,经过拼接和卷积,得到通道数量为4的特征图;然后在空间方向上进行全局最大池化操作,函数激活后,得到长度为4的向量。另一方面,分别单独对、、和在通道方向上进行全局最大池化操作,然后将得到的4个二维矩阵拼接,得到通道数量为4的特征图。接下来将向量与做元素对应乘积运算,利用对的各个图层进行调制;最后利用卷积将通道数量压缩为1,经过函数激活,生成注意力图。为一个二维矩阵,其长宽尺寸与输入的特征图相等,与函数激活后得到的特征图做元素对应乘积,实现对特征图空间方向上不同位置特征信息的校准。复合注意力校准单元4利用向量对的各个图层进行调制,这样不仅利用了、、和空间方向上不同位置的特征关系,同时也利用了它们通道方向上的特征关系,复合注意力校准单元4对输入的信息利用率高,能够更加充分地挖掘并学习特征图、、和之间不同位置信息的相对关系,与特征图进行元素对应乘积运算后,能够实现更加有效的校准。
图像信息在网络主干传递完成后,最后一个特征信息提取层2输出的抽象特征图通道数量为768,对抽象特征图各个图层进行全局平均池化处理后,生成长度为768的人脸特征向量5。检索库中的所有目标特征向量的长度同样为768,通过把高清人脸图像输入训练完成的人脸图像识别网络模型,从而获得相应的目标特征向量。本实施例中,计算的是人脸特征向量5与检索库中所有目标特征向量之间的欧氏距离,与人脸特征向量5距离最近、且欧氏距离小于阈值的目标特征向量所对应的身份,即为未知人脸图像1的身份。若人脸特征向量5与检索库中所有目标特征向量之间的欧氏距离均大于或等于阈值,则判定未知人脸图像1未在检索库中。
本实施例采用SCface数据集对网络模型进行训练和测试,在SCface数据集中,包括了130名人员的高清人脸图像和低分辨率人脸图像。每个人的高清人脸图像只有1张,低分辨率人脸图像则有15张,这15张图像是分别在三个不同的距离上(1米、2.6米和4.2米)设置5个相机拍摄得到的。具体实施时,从每个距离上拍摄得到的5张图像中随机抽取3张,共同构成包含1170张图像的训练集,剩下的780张低分辨率人脸图像作为测试集。训练过程中,采用三元损失函数对网络模型进行优化。训练完成后,将130名人员的高清图像输入网络模型,输出的特征向量构成检索库中的目标特征向量,然后将测试集中图像输入训练好的网络模型进行测试。作为对比,本实施例还采用相同的训练集训练了目前先进的低分辨率人脸识别模型MIND-Net,并在相同的测试集上进行测试,对比结果如表1所示。
表1 实施例和MIND-Net模型在测试集上测试对比结果
通过对比最终的识别准确率可以看出,本发明对不同分辨率的人脸图像识别精度均高于MIND-Net,尤其是对于分辨率较低的(4.2米距离拍摄)图像,本发明取得了较大幅度的提升。
对比例:
本对比例是为了更加充分地说明本发明提出的复合注意力校准单元4在整个模型中的作用。在本对比例中,将实施例中的复合注意力校准单元4去掉,取而代之以CBAM模块去校准特征图,新的特征提取层2结构如图4所示。网络模型的其他部分保持不变,训练和测试过程也与实施例完全一致,修改后的网络模型测试结果如表2所示。
表2 对比例在测试集上测试结果
对比上面两个表格的数据可以看出,在分辨率相对较高的情况下,原始输入图像中的特征信息比较丰富,复合注意力校准单元4对性能提升比较有限。但是在分辨率相对较低的情况下,充分利用原本不多的高价值信息变得尤为重要,此时复合注意力校准单元4提升网络性能的效果十分明显。
以上所述实施例仅表达了本发明的具体实施方式,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。
Claims (5)
1.一种带有注意力机制的低质量人脸图像识别方法,其特征是:包括以下步骤:
S10、采集获取未知人脸图像,获取训练完成的人脸图像识别网络模型;
所述人脸图像识别网络模型包括主干和全局池化处理层,所述全局池化处理层连接在所述主干的尾部,所述主干包括顺次连接的多个特征信息提取层,所述特征信息提取层的数学模型为:
,其中,代表所述特征信息提取层的输入,表示前置残差模块;表示卷积核大小为3*3、步长为1的卷积运算,表示卷积核大小为5*5、步长为1的卷积运算,表示卷积核大小为3*3、步长为2的卷积运算,表示卷积核大小为5*5、步长为2的卷积运算,和均表示池化窗口尺寸为2*2、步长为2的最大池化操作,表示卷积核大小为1*1、步长为1的卷积运算,表示元素对应乘积运算,表示将其中的特征图拼接起来,、、、、均表示激活函数ReLU,表示所述前置残差模块输出的特征图,表示激活后生成的特征图,表示激活后生成的特征图,表示与相加后生成的特征图,表示与做元素对应乘积后生成的特征图,表示激活后生成的特征图,表示激活后生成的特征图,表示池化操作后生成的特征图,表示池化操作后生成的特征图,表示复合注意力校准单元,表示所述复合注意力校准单元生成并输出的注意力图,表示所述特征信息提取层输出的特征图;
S20、将所述未知人脸图像输入所述人脸图像识别网络模型,随着图像信息沿着所述主干传递,各个所述特征信息提取层依次对图像信息进行特征提取操作,直到最后一个所述特征信息提取层输出抽象特征图;
S30、将所述抽象特征图输入所述全局池化处理层,利用所述全局池化处理层对所述抽象特征图的各个图层进行全局池化操作,然后输出得到人脸特征向量;
S40、计算所述人脸特征向量与检索库中所有目标特征向量之间的距离,与所述人脸特征向量距离最近、且满足阈值条件的目标特征向量所对应的身份,即为所述未知人脸图像的身份。
2.根据权利要求1所述的带有注意力机制的低质量人脸图像识别方法,其特征是:所述全局池化处理层为全局平均池化层。
3.根据权利要求1所述的带有注意力机制的低质量人脸图像识别方法,其特征是:所述复合注意力校准单元的数学模型为:
,其中,所述复合注意力校准单元以特征图、、和作为输入;和均表示对特征图做全局最大池化操作,是在空间方向上对特征图进行操作,是在通道方向上对特征图进行操作,表示将其中的特征图拼接起来;表示卷积核大小为3*3、步长为1的卷积运算,表示卷积核大小为1*1、步长为1的卷积运算;表示元素对应乘积运算,和均表示sigmoid激活函数,表示卷积运算后生成的特征图,表示函数激活后生成的特征图,表示将特征图、、和分别在通道方向上做全局最大池化后并拼接得到的特征图,表示所述复合注意力校准单元输出的注意力图。
4.根据权利要求1所述的带有注意力机制的低质量人脸图像识别方法,其特征是:所述前置残差模块的数学模型为:
,其中,代表所述前置残差模块的输入,和均表示激活函数ReLU,和均表示卷积核大小为3*3、步长为1的卷积运算,表示激活生成的特征图,代表所述前置残差模块输出的特征图。
5.一种带有注意力机制的低质量人脸图像识别设备,其特征是:包括处理器和存储器,所述存储器储存有计算机程序,所述处理器通过加载所述计算机程序,用于执行如权利要求1-4任一项所述的带有注意力机制的低质量人脸图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272773.4A CN115984949B (zh) | 2023-03-21 | 2023-03-21 | 一种带有注意力机制的低质量人脸图像识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310272773.4A CN115984949B (zh) | 2023-03-21 | 2023-03-21 | 一种带有注意力机制的低质量人脸图像识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984949A true CN115984949A (zh) | 2023-04-18 |
CN115984949B CN115984949B (zh) | 2023-07-04 |
Family
ID=85958600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310272773.4A Active CN115984949B (zh) | 2023-03-21 | 2023-03-21 | 一种带有注意力机制的低质量人脸图像识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984949B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311479A (zh) * | 2023-05-16 | 2023-06-23 | 四川轻化工大学 | 一种用于汽车解锁的人脸识别方法、***和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190303754A1 (en) * | 2018-03-28 | 2019-10-03 | University Of Maryland, College Park | L2 constrained softmax loss for discriminative face verification |
CN110781784A (zh) * | 2019-10-18 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于双路注意力机制的人脸识别方法、装置及设备 |
GB202007052D0 (en) * | 2020-05-13 | 2020-06-24 | Facesoft Ltd | Facial re-enactment |
CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
CN112949565A (zh) * | 2021-03-25 | 2021-06-11 | 重庆邮电大学 | 基于注意力机制的单样本部分遮挡人脸识别方法及*** |
CN113688783A (zh) * | 2021-09-10 | 2021-11-23 | 柚皮(重庆)科技有限公司 | 人脸特征提取方法、低分辨率人脸识别方法及设备 |
CN113724203A (zh) * | 2021-08-03 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种oct图像中目标特征的分割方法及装置 |
CN114360030A (zh) * | 2022-01-17 | 2022-04-15 | 重庆锐云科技有限公司 | 一种基于卷积神经网络的人脸识别方法 |
CN114998958A (zh) * | 2022-05-11 | 2022-09-02 | 华南理工大学 | 一种基于轻量化卷积神经网络的人脸识别方法 |
CN115100720A (zh) * | 2022-07-04 | 2022-09-23 | 威海职业学院(威海市技术学院) | 一种低分辨率人脸识别方法 |
CN115439329A (zh) * | 2022-11-10 | 2022-12-06 | 四川轻化工大学 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
CN115661911A (zh) * | 2022-12-23 | 2023-01-31 | 四川轻化工大学 | 一种人脸特征提取方法、设备及存储介质 |
WO2023005161A1 (zh) * | 2021-07-27 | 2023-02-02 | 平安科技(深圳)有限公司 | 人脸图像相似度的计算方法、装置、设备及存储介质 |
-
2023
- 2023-03-21 CN CN202310272773.4A patent/CN115984949B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190303754A1 (en) * | 2018-03-28 | 2019-10-03 | University Of Maryland, College Park | L2 constrained softmax loss for discriminative face verification |
CN110781784A (zh) * | 2019-10-18 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于双路注意力机制的人脸识别方法、装置及设备 |
GB202007052D0 (en) * | 2020-05-13 | 2020-06-24 | Facesoft Ltd | Facial re-enactment |
CN112200161A (zh) * | 2020-12-03 | 2021-01-08 | 北京电信易通信息技术股份有限公司 | 一种基于混合注意力机制的人脸识别检测方法 |
CN112949565A (zh) * | 2021-03-25 | 2021-06-11 | 重庆邮电大学 | 基于注意力机制的单样本部分遮挡人脸识别方法及*** |
WO2023005161A1 (zh) * | 2021-07-27 | 2023-02-02 | 平安科技(深圳)有限公司 | 人脸图像相似度的计算方法、装置、设备及存储介质 |
CN113724203A (zh) * | 2021-08-03 | 2021-11-30 | 唯智医疗科技(佛山)有限公司 | 一种oct图像中目标特征的分割方法及装置 |
CN113688783A (zh) * | 2021-09-10 | 2021-11-23 | 柚皮(重庆)科技有限公司 | 人脸特征提取方法、低分辨率人脸识别方法及设备 |
CN114360030A (zh) * | 2022-01-17 | 2022-04-15 | 重庆锐云科技有限公司 | 一种基于卷积神经网络的人脸识别方法 |
CN114998958A (zh) * | 2022-05-11 | 2022-09-02 | 华南理工大学 | 一种基于轻量化卷积神经网络的人脸识别方法 |
CN115100720A (zh) * | 2022-07-04 | 2022-09-23 | 威海职业学院(威海市技术学院) | 一种低分辨率人脸识别方法 |
CN115439329A (zh) * | 2022-11-10 | 2022-12-06 | 四川轻化工大学 | 人脸图像超分辨率重建方法及计算机可读取的存储介质 |
CN115661911A (zh) * | 2022-12-23 | 2023-01-31 | 四川轻化工大学 | 一种人脸特征提取方法、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
HUILIN GE 等: "Facial expression recognition based on deep learning", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》, vol. 215, pages 1 - 9 * |
任飞凯 等: "基于LBP和数据扩充的CNN人脸识别研究", 《计算机技术与发展》, vol. 30, no. 3, pages 62 - 66 * |
朱思雨: "基于深度残差网络的无监督行人重识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 2022, no. 3, pages 138 - 1648 * |
罗金梅 等: "基于多特征融合CNN的人脸识别算法研究", 《航空计算技术》, vol. 49, no. 3, pages 40 - 45 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311479A (zh) * | 2023-05-16 | 2023-06-23 | 四川轻化工大学 | 一种用于汽车解锁的人脸识别方法、***和存储介质 |
CN116311479B (zh) * | 2023-05-16 | 2023-07-21 | 四川轻化工大学 | 一种用于汽车解锁的人脸识别方法、***和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115984949B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Detect globally, refine locally: A novel approach to saliency detection | |
CN110532859B (zh) | 基于深度进化剪枝卷积网的遥感图像目标检测方法 | |
CN109191382B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN108648197B (zh) | 一种基于图像背景掩膜的目标候选区域提取方法 | |
CN105138973B (zh) | 人脸认证的方法和装置 | |
CN103020935B (zh) | 一种自适应在线字典学习的图像超分辨率方法 | |
CN110059728B (zh) | 基于注意力模型的rgb-d图像视觉显著性检测方法 | |
CN112116601B (zh) | 基于生成对抗残差网络的压缩感知采样重建方法及*** | |
CN113159051A (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN109727195B (zh) | 一种图像超分辨率重构方法 | |
CN110245683B (zh) | 一种少样本目标识别的残差关系网络构建方法及应用 | |
CN112396645A (zh) | 一种基于卷积残差学习的单目图像深度估计方法和*** | |
KR102042168B1 (ko) | 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치 | |
CN110210492B (zh) | 一种基于深度学习的立体图像视觉显著性检测方法 | |
CN111127538A (zh) | 一种基于卷积循环编码-解码结构的多视影像三维重建方法 | |
CN114332466B (zh) | 图像语义分割网络持续学习方法、***、设备及存储介质 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及*** | |
CN111210382A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN115984949A (zh) | 一种带有注意力机制的低质量人脸图像识别方法及设备 | |
CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、***、装置及介质 | |
CN114663880A (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
CN115331259A (zh) | 一种三维人体姿态估计方法、***及存储介质 | |
CN110991563A (zh) | 一种基于特征融合的胶囊网络随机路由算法 | |
CN108810551B (zh) | 一种视频帧预测方法、终端及计算机存储介质 | |
CN110135428A (zh) | 图像分割处理方法和装置 |
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 |