JP2021530045A - 顔認識方法及び装置 - Google Patents
顔認識方法及び装置 Download PDFInfo
- Publication number
- JP2021530045A JP2021530045A JP2020573005A JP2020573005A JP2021530045A JP 2021530045 A JP2021530045 A JP 2021530045A JP 2020573005 A JP2020573005 A JP 2020573005A JP 2020573005 A JP2020573005 A JP 2020573005A JP 2021530045 A JP2021530045 A JP 2021530045A
- Authority
- JP
- Japan
- Prior art keywords
- image set
- image
- feature extraction
- modal
- images
- 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
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000012549 training Methods 0.000 claims abstract description 159
- 238000000605 extraction Methods 0.000 claims description 274
- 230000006870 function Effects 0.000 claims description 118
- 230000008569 process Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 abstract description 32
- 230000001815 facial effect Effects 0.000 abstract description 21
- 238000010586 diagram Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
Description
本願は、2019年3月22日に提出された、出願番号が201910220321.5である中国特許出願に基づく優先権を主張し、該中国特許出願の全内容が参照として本願に組み込まれる。
例えば、本願は以下の項目を提供する。
(項目1)
顔認識方法であって、前記方法は、
認識待ち画像を取得することと、
クロスモーダル顔認識ネットワークにより、前記認識待ち画像を認識し、前記認識待ち画像の認識結果を得ることであって、前記クロスモーダル顔認識ネットワークは、異なるモーダルの顔画像データに基づいて訓練を行うことで得られたものであることと、を含む、顔認識方法。
(項目2)
異なるモーダルの顔画像データに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得るプロセスは、
第1モーダルネットワーク及び第2モーダルネットワークに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得ることを含むことを特徴とする
項目1に記載の方法。
(項目3)
第1モーダルネットワーク及び第2モーダルネットワークに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得る前に、
第1画像集合及び第2画像集合に基づいて、前記第1モーダルネットワークを訓練することを更に含み、前記第1画像集合における対象は、第1カテゴリに属し、前記第2画像集合における対象は、第2カテゴリに属することを特徴とする
項目2に記載の方法。
(項目4)
第1画像集合及び第2画像集合に基づいて、前記第1モーダルネットワークを訓練することは、
前記第1画像集合及び前記第2画像集合に基づいて、前記第1モーダルネットワークを訓練し、前記第2モーダルネットワークを得ることと、
所定の条件に応じて、前記第1画像集合から、第1数の画像を選択し、前記第2画像集合から、第2数の画像を選択し、前記第1数の画像及び前記第2数の画像に基づいて、第3画像集合を得ることと、
前記第3画像集合に基づいて、前記第2モーダルネットワークを訓練し、前記クロスモーダル顔認識ネットワークを得ることと、を含むことを特徴とする
項目3に記載の方法。
(項目5)
前記所定の条件は、前記第1数が前記第2数と同じであること、前記第1数と前記第2数との比が、前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比に等しいこと、前記第1数と前記第2数との比が、前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比に等しいこと、のうちのいずれか1つを含むことを特徴とする
項目4に記載の方法。
(項目6)
前記第1モーダルネットワークは、第1特徴抽出分岐と、第2特徴抽出分岐と、第3特徴抽出分岐と、を含み、
前記第1画像集合及び前記第2画像集合に基づいて、前記第1モーダルネットワークを訓練し、前記第2モーダルネットワークを得ることは、
前記第1画像集合を前記第1特徴抽出分岐に入力し、前記第2画像集合を前記第2特徴抽出分岐に入力し、第4画像集合を前記第3特徴抽出分岐に入力し、前記第1モーダルネットワークを訓練することであって、前記第4画像集合に含まれる画像は、同一のシーンで収集された画像又は同一の収集方式で収集された画像であることと、
訓練後の第1特徴抽出分岐、訓練後の第2特徴抽出分岐又は訓練後の第3特徴抽出分岐を前記第2モーダルネットワークとすることと、を含むことを特徴とする
項目2又は4に記載の方法。
(項目7)
前記第1画像集合を前記第1特徴抽出分岐に入力し、前記第2画像集合を前記第2特徴抽出分岐に入力し、第4画像集合を前記第3特徴抽出分岐に入力し、前記第1モーダルネットワークを訓練することは、
前記第1画像集合、前記第2画像集合及び前記第4画像集合をそれぞれ前記第1特徴抽出分岐、前記第2特徴抽出分岐及び前記第3特徴抽出分岐に入力し、第1認識結果、第2認識結果及び第3認識結果をそれぞれ得ることと、
前記第1特徴抽出分岐の第1損失関数、前記第2特徴抽出分岐の第2損失関数及び前記第3特徴抽出分岐の第3損失関数を取得することと、
前記第1画像集合、前記第1認識結果及び前記第1損失関数、前記第2画像集合、前記第2認識結果及び前記第2損失関数、前記第4画像集合、前記第3認識結果及び前記第3損失関数に基づいて、前記第1モーダルネットワークのパラメータを調整し、調整された第1モーダルネットワークを得ることであって、前記第1モーダルネットワークのパラメータは、第1特徴抽出分岐パラメータ、第2特徴抽出分岐パラメータ及び第3特徴抽出分岐パラメータを含み、前記調整された第1モーダルネットワークの各分岐パラメータは同じであることと、を含むことを特徴とする
項目6に記載の方法。
(項目8)
前記第1画像集合における画像は、第1アノテーション情報を含み、前記第2画像集合における画像は、第2アノテーション情報を含み、前記第4画像集合における画像は、第3アノテーション情報を含み、
前記第1画像集合、前記第1認識結果及び前記第1損失関数、前記第2画像集合、前記第2認識結果及び前記第2損失関数、前記第4画像集合、前記第3認識結果及び前記第3損失関数に基づいて、前記第1モーダルネットワークのパラメータを調整し、調整された第1モーダルネットワークを得ることは、
前記第1アノテーション情報、前記第1認識結果、前記第1損失関数及び前記第1特徴抽出分岐の初期パラメータに基づいて、第1勾配を得て、前記第2アノテーション情報、前記第2認識結果、前記第2損失関数及び前記第2特徴抽出分岐の初期パラメータに基づいて、第2勾配を得て、前記第3アノテーション情報、前記第3認識結果、前記第3損失関数及び前記第3特徴抽出分岐の初期パラメータに基づいて、第3勾配を得ることと、
前記第1勾配、前記第2勾配及び前記第3勾配の平均値を前記第1モーダルネットワークの逆伝播勾配とし、前記逆伝播勾配により、前記第1モーダルネットワークのパラメータを調整し、前記第1特徴抽出分岐のパラメータ、前記第2特徴抽出分岐のパラメータ及び前記第3特徴抽出分岐のパラメータを同じくすることと、を含むことを特徴とする
項目7に記載の方法。
(項目9)
所定の条件に応じて、前記第1画像集合から、第1数の画像を選択し、前記第2画像集合から、第2数の画像を選択し、第3画像集合を得ることは、
前記第1画像集合及び前記第2画像集合からそれぞれf枚の画像を選択し、前記f枚の画像に含まれる人数を閾値となるようにし、前記第3画像集合を得ること、又は、
前記第1画像集合及び前記第2画像集合から、m枚の画像及びn枚の画像をそれぞれ選択し、前記mと前記nとの比を前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比と同じくし、且つ、前記m枚の画像及び前記n枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得ること、又は、
前記第1画像集合及び前記第2画像集合から、s枚の画像及びt枚の画像をそれぞれ選択し、前記sと前記tとの比を前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比と同じくし、且つ、前記s枚の画像及び前記t枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得ることを含むことを特徴とする
項目4又は5に記載の方法。
(項目10)
前記第3画像集合に基づいて、前記第2モーダルネットワークを訓練し、前記クロスモーダル顔認識ネットワークを得ることは、
前記第3画像集合における画像に対して特徴抽出処理、線形変換、非線形変換を順に行い、第4認識結果を得ることと、
前記第3画像集合における画像、前記第4認識結果及び前記第2モーダルネットワークの第4損失関数に基づいて、前記第2モーダルネットワークのパラメータを調整し、前記クロスモーダル顔認識ネットワークを得ることと、を含むことを特徴とする
項目3に記載の方法。
(項目11)
前記第1カテゴリ及び前記第2カテゴリはそれぞれ異なる人種に対応することを特徴とする
項目1から5、7、8、10のうちいずれか一項に記載の方法。
(項目12)
顔認識装置であって、前記装置は、
認識待ち画像を取得するように構成される取得ユニットと、
クロスモーダル顔認識ネットワークにより、前記認識待ち画像を認識し、前記認識待ち画像の認識結果を得るように構成される認識ユニットであって、前記クロスモーダル顔認識ネットワークは、異なるモーダルの顔画像データに基づいて訓練を行うことで得られたものである認識ユニットと、を備える、顔認識装置。
(項目13)
前記認識ユニットは、
第1モーダルネットワーク及び第2モーダルネットワークに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得るように構成される訓練サブユニットを備えることを特徴とする
項目12に記載の装置。
(項目14)
前記訓練サブユニットは更に、
第1画像集合及び第2画像集合に基づいて、前記第1モーダルネットワークを訓練するように構成され、前記第1画像集合における対象は、第1カテゴリに属し、前記第2画像集合における対象は、第2カテゴリに属することを特徴とする
項目13に記載の装置。
(項目15)
前記訓練サブユニットは更に、
前記第1画像集合及び前記第2画像集合に基づいて、前記第1モーダルネットワークを訓練し、前記第2モーダルネットワークを得て、
所定の条件に応じて、前記第1画像集合から、第1数の画像を選択し、前記第2画像集合から、第2数の画像を選択し、前記第1数の画像及び前記第2数の画像に基づいて、第3画像集合を得て、
前記第3画像集合に基づいて、前記第2モーダルネットワークを訓練し、前記クロスモーダル顔認識ネットワークを得るように構成されることを特徴とする
項目14に記載の装置。
(項目16)
前記所定の条件は、前記第1数が前記第2数と同じであること、前記第1数と前記第2数との比が、前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比に等しいこと、前記第1数と前記第2数との比が、前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比に等しいこと、のうちのいずれか1つを含むことを特徴とする
項目15に記載の装置。
(項目17)
前記第1モーダルネットワークは、第1特徴抽出分岐と、第2特徴抽出分岐と、第3特徴抽出分岐と、を含み、前記訓練サブユニットは更に、
前記第1画像集合を前記第1特徴抽出分岐に入力し、前記第2画像集合を前記第2特徴抽出分岐に入力し、第4画像集合を前記第3特徴抽出分岐に入力し、前記第1モーダルネットワークを訓練し、前記第4画像集合に含まれる画像は、同一のシーンで収集された画像又は同一の収集方式で収集された画像であり、
訓練後の第1特徴抽出分岐、訓練後の第2特徴抽出分岐又は訓練後の第3特徴抽出分岐を前記第2モーダルネットワークとするように構成されることを特徴とする
項目13又は15に記載の装置。
(項目18)
前記訓練サブユニットは更に、
前記第1画像集合、前記第2画像集合及び前記第4画像集合をそれぞれ前記第1特徴抽出分岐、前記第2特徴抽出分岐及び前記第3特徴抽出分岐に入力し、第1認識結果、第2認識結果及び第3認識結果をそれぞれ得て、
前記第1特徴抽出分岐の第1損失関数、前記第2特徴抽出分岐の第2損失関数及び前記第3特徴抽出分岐の第3損失関数を取得し、
前記第1画像集合、前記第1認識結果及び前記第1損失関数、前記第2画像集合、前記第2認識結果及び前記第2損失関数、前記第4画像集合、前記第3認識結果及び前記第3損失関数に基づいて、前記第1モーダルネットワークのパラメータを調整し、調整された第1モーダルネットワークを得るように構成され、前記第1モーダルネットワークのパラメータは、第1特徴抽出分岐パラメータ、第2特徴抽出分岐パラメータ及び第3特徴抽出分岐パラメータを含み、前記調整された第1モーダルネットワークの各分岐パラメータは同じであることを特徴とする
項目17に記載の装置。
(項目19)
前記第1画像集合における画像は、第1アノテーション情報を含み、前記第2画像集合における画像は、第2アノテーション情報を含み、前記第4画像集合における画像は、第3アノテーション情報を含み、前記訓練サブユニットは更に、
前記第1アノテーション情報、前記第1認識結果、前記第1損失関数及び前記第1特徴抽出分岐の初期パラメータに基づいて、第1勾配を得て、前記第2アノテーション情報、前記第2認識結果、前記第2損失関数及び前記第2特徴抽出分岐の初期パラメータに基づいて、第2勾配を得て、前記第3アノテーション情報、前記第3認識結果、前記第3損失関数及び前記第3特徴抽出分岐の初期パラメータに基づいて、第3勾配を得て、
前記第1勾配、前記第2勾配及び前記第3勾配の平均値を前記第1モーダルネットワークの逆伝播勾配とし、前記逆伝播勾配により、前記第1モーダルネットワークのパラメータを調整し、前記第1特徴抽出分岐のパラメータ、前記第2特徴抽出分岐のパラメータ及び前記第3特徴抽出分岐のパラメータを同じくするように構成されることを特徴とする
項目18に記載の装置。
(項目20)
前記訓練サブユニットは更に、
前記第1画像集合及び前記第2画像集合からそれぞれf枚の画像を選択し、前記f枚の画像に含まれる人数を閾値となるようにし、前記第3画像集合を得るように構成され、又は、
前記第1画像集合及び前記第2画像集合から、m枚の画像及びn枚の画像をそれぞれ選択し、前記mと前記nとの比を前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比と同じくし、且つ、前記m枚の画像及び前記n枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得るように構成され、又は、
前記第1画像集合及び前記第2画像集合から、s枚の画像及びt枚の画像をそれぞれ選択し、前記sと前記tとの比を前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比と同じくし、且つ、前記s枚の画像及び前記t枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得るように構成されることを特徴とする
項目15又は16に記載の装置。
(項目21)
前記訓練サブユニットは更に、
前記第3画像集合における画像に対して特徴抽出処理、線形変換、非線形変換を順に行い、第4認識結果を得て、
前記第3画像集合における画像、前記第4認識結果及び前記第2モーダルネットワークの第4損失関数に基づいて、前記第2モーダルネットワークのパラメータを調整し、前記クロスモーダル顔認識ネットワークを得るように構成されることを特徴とする
項目14に記載の装置。
(項目22)
前記第1カテゴリ及び前記第2カテゴリはそれぞれ異なる人種に対応することを特徴とする
項目12から16、18、19、21のうちいずれか一項に記載の装置。
(項目23)
電子機器であって、前記電子機器は、メモリと、プロセッサと、を備え、前記メモリにコンピュータによる実行可能な命令が記憶されており、前記プロセッサは、前記メモリに記憶されるコンピュータ命令を実行する時、項目1から11のうちいずれか一項に記載の方法を実現する、電子機器。
(項目24)
コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体にコンピュータプログラムが記憶されており、該コンピュータプログラムがプロセッサにより実行される時、項目1から11のうちいずれか一項に記載の方法を実現する、コンピュータ可読記憶媒体。
Claims (24)
- 顔認識方法であって、前記方法は、
認識待ち画像を取得することと、
クロスモーダル顔認識ネットワークにより、前記認識待ち画像を認識し、前記認識待ち画像の認識結果を得ることであって、前記クロスモーダル顔認識ネットワークは、異なるモーダルの顔画像データに基づいて訓練を行うことで得られたものであることと、を含む、顔認識方法。 - 異なるモーダルの顔画像データに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得るプロセスは、
第1モーダルネットワーク及び第2モーダルネットワークに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得ることを含むことを特徴とする
請求項1に記載の方法。 - 第1モーダルネットワーク及び第2モーダルネットワークに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得る前に、
第1画像集合及び第2画像集合に基づいて、前記第1モーダルネットワークを訓練することを更に含み、前記第1画像集合における対象は、第1カテゴリに属し、前記第2画像集合における対象は、第2カテゴリに属することを特徴とする
請求項2に記載の方法。 - 第1画像集合及び第2画像集合に基づいて、前記第1モーダルネットワークを訓練することは、
前記第1画像集合及び前記第2画像集合に基づいて、前記第1モーダルネットワークを訓練し、前記第2モーダルネットワークを得ることと、
所定の条件に応じて、前記第1画像集合から、第1数の画像を選択し、前記第2画像集合から、第2数の画像を選択し、前記第1数の画像及び前記第2数の画像に基づいて、第3画像集合を得ることと、
前記第3画像集合に基づいて、前記第2モーダルネットワークを訓練し、前記クロスモーダル顔認識ネットワークを得ることと、を含むことを特徴とする
請求項3に記載の方法。 - 前記所定の条件は、前記第1数が前記第2数と同じであること、前記第1数と前記第2数との比が、前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比に等しいこと、前記第1数と前記第2数との比が、前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比に等しいこと、のうちのいずれか1つを含むことを特徴とする
請求項4に記載の方法。 - 前記第1モーダルネットワークは、第1特徴抽出分岐と、第2特徴抽出分岐と、第3特徴抽出分岐と、を含み、
前記第1画像集合及び前記第2画像集合に基づいて、前記第1モーダルネットワークを訓練し、前記第2モーダルネットワークを得ることは、
前記第1画像集合を前記第1特徴抽出分岐に入力し、前記第2画像集合を前記第2特徴抽出分岐に入力し、第4画像集合を前記第3特徴抽出分岐に入力し、前記第1モーダルネットワークを訓練することであって、前記第4画像集合に含まれる画像は、同一のシーンで収集された画像又は同一の収集方式で収集された画像であることと、
訓練後の第1特徴抽出分岐、訓練後の第2特徴抽出分岐又は訓練後の第3特徴抽出分岐を前記第2モーダルネットワークとすることと、を含むことを特徴とする
請求項2又は4に記載の方法。 - 前記第1画像集合を前記第1特徴抽出分岐に入力し、前記第2画像集合を前記第2特徴抽出分岐に入力し、第4画像集合を前記第3特徴抽出分岐に入力し、前記第1モーダルネットワークを訓練することは、
前記第1画像集合、前記第2画像集合及び前記第4画像集合をそれぞれ前記第1特徴抽出分岐、前記第2特徴抽出分岐及び前記第3特徴抽出分岐に入力し、第1認識結果、第2認識結果及び第3認識結果をそれぞれ得ることと、
前記第1特徴抽出分岐の第1損失関数、前記第2特徴抽出分岐の第2損失関数及び前記第3特徴抽出分岐の第3損失関数を取得することと、
前記第1画像集合、前記第1認識結果及び前記第1損失関数、前記第2画像集合、前記第2認識結果及び前記第2損失関数、前記第4画像集合、前記第3認識結果及び前記第3損失関数に基づいて、前記第1モーダルネットワークのパラメータを調整し、調整された第1モーダルネットワークを得ることであって、前記第1モーダルネットワークのパラメータは、第1特徴抽出分岐パラメータ、第2特徴抽出分岐パラメータ及び第3特徴抽出分岐パラメータを含み、前記調整された第1モーダルネットワークの各分岐パラメータは同じであることと、を含むことを特徴とする
請求項6に記載の方法。 - 前記第1画像集合における画像は、第1アノテーション情報を含み、前記第2画像集合における画像は、第2アノテーション情報を含み、前記第4画像集合における画像は、第3アノテーション情報を含み、
前記第1画像集合、前記第1認識結果及び前記第1損失関数、前記第2画像集合、前記第2認識結果及び前記第2損失関数、前記第4画像集合、前記第3認識結果及び前記第3損失関数に基づいて、前記第1モーダルネットワークのパラメータを調整し、調整された第1モーダルネットワークを得ることは、
前記第1アノテーション情報、前記第1認識結果、前記第1損失関数及び前記第1特徴抽出分岐の初期パラメータに基づいて、第1勾配を得て、前記第2アノテーション情報、前記第2認識結果、前記第2損失関数及び前記第2特徴抽出分岐の初期パラメータに基づいて、第2勾配を得て、前記第3アノテーション情報、前記第3認識結果、前記第3損失関数及び前記第3特徴抽出分岐の初期パラメータに基づいて、第3勾配を得ることと、
前記第1勾配、前記第2勾配及び前記第3勾配の平均値を前記第1モーダルネットワークの逆伝播勾配とし、前記逆伝播勾配により、前記第1モーダルネットワークのパラメータを調整し、前記第1特徴抽出分岐のパラメータ、前記第2特徴抽出分岐のパラメータ及び前記第3特徴抽出分岐のパラメータを同じくすることと、を含むことを特徴とする
請求項7に記載の方法。 - 所定の条件に応じて、前記第1画像集合から、第1数の画像を選択し、前記第2画像集合から、第2数の画像を選択し、第3画像集合を得ることは、
前記第1画像集合及び前記第2画像集合からそれぞれf枚の画像を選択し、前記f枚の画像に含まれる人数を閾値となるようにし、前記第3画像集合を得ること、又は、
前記第1画像集合及び前記第2画像集合から、m枚の画像及びn枚の画像をそれぞれ選択し、前記mと前記nとの比を前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比と同じくし、且つ、前記m枚の画像及び前記n枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得ること、又は、
前記第1画像集合及び前記第2画像集合から、s枚の画像及びt枚の画像をそれぞれ選択し、前記sと前記tとの比を前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比と同じくし、且つ、前記s枚の画像及び前記t枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得ることを含むことを特徴とする
請求項4又は5に記載の方法。 - 前記第3画像集合に基づいて、前記第2モーダルネットワークを訓練し、前記クロスモーダル顔認識ネットワークを得ることは、
前記第3画像集合における画像に対して特徴抽出処理、線形変換、非線形変換を順に行い、第4認識結果を得ることと、
前記第3画像集合における画像、前記第4認識結果及び前記第2モーダルネットワークの第4損失関数に基づいて、前記第2モーダルネットワークのパラメータを調整し、前記クロスモーダル顔認識ネットワークを得ることと、を含むことを特徴とする
請求項3に記載の方法。 - 前記第1カテゴリ及び前記第2カテゴリはそれぞれ異なる人種に対応することを特徴とする
請求項1から5、7、8、10のうちいずれか一項に記載の方法。 - 顔認識装置であって、前記装置は、
認識待ち画像を取得するように構成される取得ユニットと、
クロスモーダル顔認識ネットワークにより、前記認識待ち画像を認識し、前記認識待ち画像の認識結果を得るように構成される認識ユニットであって、前記クロスモーダル顔認識ネットワークは、異なるモーダルの顔画像データに基づいて訓練を行うことで得られたものである認識ユニットと、を備える、顔認識装置。 - 前記認識ユニットは、
第1モーダルネットワーク及び第2モーダルネットワークに基づいて訓練を行うことで前記クロスモーダル顔認識ネットワークを得るように構成される訓練サブユニットを備えることを特徴とする
請求項12に記載の装置。 - 前記訓練サブユニットは更に、
第1画像集合及び第2画像集合に基づいて、前記第1モーダルネットワークを訓練するように構成され、前記第1画像集合における対象は、第1カテゴリに属し、前記第2画像集合における対象は、第2カテゴリに属することを特徴とする
請求項13に記載の装置。 - 前記訓練サブユニットは更に、
前記第1画像集合及び前記第2画像集合に基づいて、前記第1モーダルネットワークを訓練し、前記第2モーダルネットワークを得て、
所定の条件に応じて、前記第1画像集合から、第1数の画像を選択し、前記第2画像集合から、第2数の画像を選択し、前記第1数の画像及び前記第2数の画像に基づいて、第3画像集合を得て、
前記第3画像集合に基づいて、前記第2モーダルネットワークを訓練し、前記クロスモーダル顔認識ネットワークを得るように構成されることを特徴とする
請求項14に記載の装置。 - 前記所定の条件は、前記第1数が前記第2数と同じであること、前記第1数と前記第2数との比が、前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比に等しいこと、前記第1数と前記第2数との比が、前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比に等しいこと、のうちのいずれか1つを含むことを特徴とする
請求項15に記載の装置。 - 前記第1モーダルネットワークは、第1特徴抽出分岐と、第2特徴抽出分岐と、第3特徴抽出分岐と、を含み、前記訓練サブユニットは更に、
前記第1画像集合を前記第1特徴抽出分岐に入力し、前記第2画像集合を前記第2特徴抽出分岐に入力し、第4画像集合を前記第3特徴抽出分岐に入力し、前記第1モーダルネットワークを訓練し、前記第4画像集合に含まれる画像は、同一のシーンで収集された画像又は同一の収集方式で収集された画像であり、
訓練後の第1特徴抽出分岐、訓練後の第2特徴抽出分岐又は訓練後の第3特徴抽出分岐を前記第2モーダルネットワークとするように構成されることを特徴とする
請求項13又は15に記載の装置。 - 前記訓練サブユニットは更に、
前記第1画像集合、前記第2画像集合及び前記第4画像集合をそれぞれ前記第1特徴抽出分岐、前記第2特徴抽出分岐及び前記第3特徴抽出分岐に入力し、第1認識結果、第2認識結果及び第3認識結果をそれぞれ得て、
前記第1特徴抽出分岐の第1損失関数、前記第2特徴抽出分岐の第2損失関数及び前記第3特徴抽出分岐の第3損失関数を取得し、
前記第1画像集合、前記第1認識結果及び前記第1損失関数、前記第2画像集合、前記第2認識結果及び前記第2損失関数、前記第4画像集合、前記第3認識結果及び前記第3損失関数に基づいて、前記第1モーダルネットワークのパラメータを調整し、調整された第1モーダルネットワークを得るように構成され、前記第1モーダルネットワークのパラメータは、第1特徴抽出分岐パラメータ、第2特徴抽出分岐パラメータ及び第3特徴抽出分岐パラメータを含み、前記調整された第1モーダルネットワークの各分岐パラメータは同じであることを特徴とする
請求項17に記載の装置。 - 前記第1画像集合における画像は、第1アノテーション情報を含み、前記第2画像集合における画像は、第2アノテーション情報を含み、前記第4画像集合における画像は、第3アノテーション情報を含み、前記訓練サブユニットは更に、
前記第1アノテーション情報、前記第1認識結果、前記第1損失関数及び前記第1特徴抽出分岐の初期パラメータに基づいて、第1勾配を得て、前記第2アノテーション情報、前記第2認識結果、前記第2損失関数及び前記第2特徴抽出分岐の初期パラメータに基づいて、第2勾配を得て、前記第3アノテーション情報、前記第3認識結果、前記第3損失関数及び前記第3特徴抽出分岐の初期パラメータに基づいて、第3勾配を得て、
前記第1勾配、前記第2勾配及び前記第3勾配の平均値を前記第1モーダルネットワークの逆伝播勾配とし、前記逆伝播勾配により、前記第1モーダルネットワークのパラメータを調整し、前記第1特徴抽出分岐のパラメータ、前記第2特徴抽出分岐のパラメータ及び前記第3特徴抽出分岐のパラメータを同じくするように構成されることを特徴とする
請求項18に記載の装置。 - 前記訓練サブユニットは更に、
前記第1画像集合及び前記第2画像集合からそれぞれf枚の画像を選択し、前記f枚の画像に含まれる人数を閾値となるようにし、前記第3画像集合を得るように構成され、又は、
前記第1画像集合及び前記第2画像集合から、m枚の画像及びn枚の画像をそれぞれ選択し、前記mと前記nとの比を前記第1画像集合に含まれる画像の数と前記第2画像集合に含まれる画像の数との比と同じくし、且つ、前記m枚の画像及び前記n枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得るように構成され、又は、
前記第1画像集合及び前記第2画像集合から、s枚の画像及びt枚の画像をそれぞれ選択し、前記sと前記tとの比を前記第1画像集合に含まれる人数と前記第2画像集合に含まれる人数との比と同じくし、且つ、前記s枚の画像及び前記t枚の画像に含まれる人数をいずれも前記閾値となるようにし、前記第3画像集合を得るように構成されることを特徴とする
請求項15又は16に記載の装置。 - 前記訓練サブユニットは更に、
前記第3画像集合における画像に対して特徴抽出処理、線形変換、非線形変換を順に行い、第4認識結果を得て、
前記第3画像集合における画像、前記第4認識結果及び前記第2モーダルネットワークの第4損失関数に基づいて、前記第2モーダルネットワークのパラメータを調整し、前記クロスモーダル顔認識ネットワークを得るように構成されることを特徴とする
請求項14に記載の装置。 - 前記第1カテゴリ及び前記第2カテゴリはそれぞれ異なる人種に対応することを特徴とする
請求項12から16、18、19、21のうちいずれか一項に記載の装置。 - 電子機器であって、前記電子機器は、メモリと、プロセッサと、を備え、前記メモリにコンピュータによる実行可能な命令が記憶されており、前記プロセッサは、前記メモリに記憶されるコンピュータ命令を実行する時、請求項1から11のうちいずれか一項に記載の方法を実現する、電子機器。
- コンピュータ可読記憶媒体であって、前記コンピュータ可読記憶媒体にコンピュータプログラムが記憶されており、該コンピュータプログラムがプロセッサにより実行される時、請求項1から11のうちいずれか一項に記載の方法を実現する、コンピュータ可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910220321.5A CN109934198B (zh) | 2019-03-22 | 2019-03-22 | 人脸识别方法及装置 |
CN201910220321.5 | 2019-03-22 | ||
PCT/CN2019/114432 WO2020192112A1 (zh) | 2019-03-22 | 2019-10-30 | 人脸识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021530045A true JP2021530045A (ja) | 2021-11-04 |
JP7038867B2 JP7038867B2 (ja) | 2022-03-18 |
Family
ID=66988039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020573005A Active JP7038867B2 (ja) | 2019-03-22 | 2019-10-30 | 顔認識方法及び装置 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210334604A1 (ja) |
JP (1) | JP7038867B2 (ja) |
CN (1) | CN109934198B (ja) |
SG (1) | SG11202107826QA (ja) |
TW (1) | TWI727548B (ja) |
WO (1) | WO2020192112A1 (ja) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934198B (zh) * | 2019-03-22 | 2021-05-14 | 北京市商汤科技开发有限公司 | 人脸识别方法及装置 |
KR20190098108A (ko) * | 2019-08-02 | 2019-08-21 | 엘지전자 주식회사 | 지능형 로봇 디바이스를 제어하는 관제 시스템 |
CN110633698A (zh) * | 2019-09-30 | 2019-12-31 | 上海依图网络科技有限公司 | 基于循环生成对抗网络的红外图片识别方法、设备及介质 |
CN110781856B (zh) * | 2019-11-04 | 2023-12-19 | 浙江大华技术股份有限公司 | 异质人脸识别模型训练方法、人脸识别方法及相关装置 |
KR20210067442A (ko) * | 2019-11-29 | 2021-06-08 | 엘지전자 주식회사 | 객체 인식을 위한 자동 레이블링 장치 및 방법 |
CN111539287B (zh) * | 2020-04-16 | 2023-04-07 | 北京百度网讯科技有限公司 | 训练人脸图像生成模型的方法和装置 |
CN112052792B (zh) * | 2020-09-04 | 2022-04-26 | 恒睿(重庆)人工智能技术研究院有限公司 | 一种跨模型人脸识别方法、装置、设备及介质 |
CN112183480B (zh) * | 2020-10-29 | 2024-06-04 | 奥比中光科技集团股份有限公司 | 一种人脸识别方法、装置、终端设备及存储介质 |
CN112614199A (zh) * | 2020-11-23 | 2021-04-06 | 上海眼控科技股份有限公司 | 语义分割图像转换方法、装置、计算机设备和存储介质 |
CN115761833B (zh) * | 2022-10-10 | 2023-10-24 | 荣耀终端有限公司 | 人脸识别方法、电子设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015219648A (ja) * | 2014-05-15 | 2015-12-07 | カシオ計算機株式会社 | 年齢推定装置、撮像装置、年齢推定方法及びプログラム |
JP2017102671A (ja) * | 2015-12-01 | 2017-06-08 | キヤノン株式会社 | 識別装置、調整装置、情報処理方法及びプログラム |
WO2017174982A1 (en) * | 2016-04-06 | 2017-10-12 | Queen Mary University Of London | Method of matching a sketch image to a face image |
US20180293429A1 (en) * | 2017-03-30 | 2018-10-11 | George Mason University | Age invariant face recognition using convolutional neural networks and set distances |
JP2019510325A (ja) * | 2016-06-01 | 2019-04-11 | 三菱電機株式会社 | マルチモーダルデジタル画像を生成する方法及びシステム |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1967561A (zh) * | 2005-11-14 | 2007-05-23 | 株式会社日立制作所 | 性别识别处理器的制作方法、性别识别方法和性别识别装置 |
US9660995B2 (en) * | 2013-02-20 | 2017-05-23 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for combating device theft with user notarization |
CN104143079B (zh) * | 2013-05-10 | 2016-08-17 | 腾讯科技(深圳)有限公司 | 人脸属性识别的方法和*** |
WO2015074157A1 (en) * | 2013-11-25 | 2015-05-28 | Ehsan Fazl Ersi | System and method for face recognition |
CN105138973B (zh) * | 2015-08-11 | 2018-11-09 | 北京天诚盛业科技有限公司 | 人脸认证的方法和装置 |
CN105426860B (zh) * | 2015-12-01 | 2019-09-27 | 北京眼神智能科技有限公司 | 人脸识别的方法和装置 |
CN105608450B (zh) * | 2016-03-01 | 2018-11-27 | 天津中科智能识别产业技术研究院有限公司 | 基于深度卷积神经网络的异质人脸识别方法 |
CN106056083B (zh) * | 2016-05-31 | 2019-08-13 | 腾讯科技(深圳)有限公司 | 一种信息处理方法及终端 |
CN106022317A (zh) * | 2016-06-27 | 2016-10-12 | 北京小米移动软件有限公司 | 人脸识别方法及装置 |
CN106650573B (zh) * | 2016-09-13 | 2019-07-16 | 华南理工大学 | 一种跨年龄的人脸验证方法及*** |
CN106909905B (zh) * | 2017-03-02 | 2020-02-14 | 中科视拓(北京)科技有限公司 | 一种基于深度学习的多模态人脸识别方法 |
CN108985135A (zh) * | 2017-06-02 | 2018-12-11 | 腾讯科技(深圳)有限公司 | 一种人脸检测器训练方法、装置及电子设备 |
CN107679451A (zh) * | 2017-08-25 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 建立人脸识别模型的方法、装置、设备和计算机存储介质 |
CN108596138A (zh) * | 2018-05-03 | 2018-09-28 | 南京大学 | 一种基于迁移层次网络的人脸识别方法 |
CN109934198B (zh) * | 2019-03-22 | 2021-05-14 | 北京市商汤科技开发有限公司 | 人脸识别方法及装置 |
-
2019
- 2019-03-22 CN CN201910220321.5A patent/CN109934198B/zh active Active
- 2019-10-30 JP JP2020573005A patent/JP7038867B2/ja active Active
- 2019-10-30 WO PCT/CN2019/114432 patent/WO2020192112A1/zh active Application Filing
- 2019-10-30 SG SG11202107826QA patent/SG11202107826QA/en unknown
- 2019-12-12 TW TW108145586A patent/TWI727548B/zh active
-
2021
- 2021-07-08 US US17/370,352 patent/US20210334604A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015219648A (ja) * | 2014-05-15 | 2015-12-07 | カシオ計算機株式会社 | 年齢推定装置、撮像装置、年齢推定方法及びプログラム |
JP2017102671A (ja) * | 2015-12-01 | 2017-06-08 | キヤノン株式会社 | 識別装置、調整装置、情報処理方法及びプログラム |
WO2017174982A1 (en) * | 2016-04-06 | 2017-10-12 | Queen Mary University Of London | Method of matching a sketch image to a face image |
JP2019510325A (ja) * | 2016-06-01 | 2019-04-11 | 三菱電機株式会社 | マルチモーダルデジタル画像を生成する方法及びシステム |
US20180293429A1 (en) * | 2017-03-30 | 2018-10-11 | George Mason University | Age invariant face recognition using convolutional neural networks and set distances |
Non-Patent Citations (3)
Title |
---|
今岡 仁、外2名: ""3 安心安全を守るバイオメトリクス技術"", 情報処理, vol. 51, no. 12, JPN6022000509, 15 December 2010 (2010-12-15), JP, pages 1547 - 1554, ISSN: 0004678257 * |
加藤 博之、外2名: ""被認証顔の属性の多様性に対する個人認証システムのロバスト性の評価 −GaborJet法とEigen", 映像情報メディア学会技術報告, vol. 29, no. 8, JPN6022000506, 3 February 2005 (2005-02-03), JP, pages 87 - 92, ISSN: 0004718941 * |
大林 慎太郎、外3名: ""SVMを用いた顔認証実験の検証"", 電子情報通信学会技術研究報告, vol. 113, no. 432, JPN6022000507, 6 February 2014 (2014-02-06), JP, pages 31 - 34, ISSN: 0004678256 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020192112A1 (zh) | 2020-10-01 |
CN109934198A (zh) | 2019-06-25 |
JP7038867B2 (ja) | 2022-03-18 |
TWI727548B (zh) | 2021-05-11 |
TW202036367A (zh) | 2020-10-01 |
US20210334604A1 (en) | 2021-10-28 |
CN109934198B (zh) | 2021-05-14 |
SG11202107826QA (en) | 2021-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7038867B2 (ja) | 顔認識方法及び装置 | |
EP3779774B1 (en) | Training method for image semantic segmentation model and server | |
US11138903B2 (en) | Method, apparatus, device and system for sign language translation | |
US11429809B2 (en) | Image processing method, image processing device, and storage medium | |
CN107209864B (zh) | 人脸识别方法和装置 | |
CN110751069A (zh) | 一种人脸活体检测方法及装置 | |
US10133955B2 (en) | Systems and methods for object recognition based on human visual pathway | |
CN110414593B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
CN111340213B (zh) | 神经网络的训练方法、电子设备、存储介质 | |
CN113936298A (zh) | 一种特征识别方法及装置、计算机可读存储介质 | |
CN111108508A (zh) | 脸部情感识别方法、智能装置和计算机可读存储介质 | |
US20240054760A1 (en) | Image detection method and apparatus | |
CN114330565A (zh) | 一种人脸识别方法及装置 | |
CN112949506A (zh) | 一种低成本实时骨骼关键点识别方法和装置 | |
WO2019091988A1 (en) | Change-aware person identification | |
CN114882314A (zh) | 模型训练方法及相关产品、图像处理方法及相关产品 | |
CN108496174A (zh) | 用于面部识别的方法和*** | |
CN111507289A (zh) | 视频匹配方法、计算机设备和存储介质 | |
CN110633647A (zh) | 活体检测方法及装置 | |
CN114332993A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN112070022A (zh) | 人脸图像识别方法、装置、电子设备和计算机可读介质 | |
CN110795972A (zh) | 行人身份识别方法、装置、设备及存储介质 | |
CN111079704A (zh) | 一种基于量子计算的人脸识别方法及装置 | |
CN111488476A (zh) | 图像推送方法、模型训练方法及对应装置 | |
CN109101992A (zh) | 图像匹配方法、装置和计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201225 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201225 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220107 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220221 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220303 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220308 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7038867 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |