-
Patent Agency Ranking
公开(公告)号：CN105760859B
公开(公告)日：2018-12-21
申请号：CN201610165633.7
申请日：2016-03-22
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于多任务卷积神经网络的网纹人脸图像识别方法及装置。该方法包括：收集网纹人脸图像和对应的清晰人脸图像对，然后利用多任务卷积神经网络，分别设计基于回归和分类的目标函数，训练一个人脸去网纹模型，最后将网纹人脸图像输入到训练好的去网纹模型中，得到去网纹的人脸图像，从而进行后续的人脸识别任务。本发明采用了多任务学习的框架，将由网纹图像恢复清晰图像的任务表达成两个互为辅助的目标函数，并利用卷积神经网络学习其中涉及到的复杂非线性变换。发明所采用的方法不仅有效提高了模型训练时的收敛速度，并能明显提升图像恢复的效果以及泛化能力，大幅度提高了网纹人脸图像的识别准确率。
-
公开(公告)号：CN104281845B
公开(公告)日：2017-08-25
申请号：CN201410594606.2
申请日：2014-10-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开一种基于旋转不变字典学习模型的人脸识别方法，包括：将训练集和测试集图像降采样并展成由列向量为单位构成的训练集矩阵；建立旋转不变字典学习模型，将训练集矩阵输入模型，使用交替迭代的方法对模型进行求解，不断优化目标函数，学习得到字典、分类器和对齐后的训练集图像；基于得到的词典对测试样本进行稀疏编码并通过稀疏编码系数求解对齐参数；对对齐后的测试图像进行稀疏编码，把稀疏编码系数带入线性分类器得到最终分类结果。本发明对字典学习在人脸识别中的应用提出了新的模型和方法，可以应用于一般的模式分类任务中，特别是无约束环境下的人脸识别问题。本发明提出的方法可以显著提高人脸识别的识别正确率。
-
公开(公告)号：CN106548159A
公开(公告)日：2017-03-29
申请号：CN201610982333.8
申请日：2016-11-08
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/00288 , G06K9/00248 , G06K9/00268 , G06K9/6256 , G06K9/6265 , G06N3/084
Abstract: 本发明公开了一种基于全卷积神经网络的网纹人脸图像识别方法与装置。该方法包括：收集网纹人脸图像和对应的清晰人脸图像对，并利用这些图像对训练一个用于从网纹图像中恢复清晰人脸图像(去网纹)的全卷积神经网络。识别时，将网纹人脸图像输入到训练好的去网纹模型中，得到清晰人脸图像用来进行后续的人脸识别任务。本发明采用了全卷积神经网络作为学习框架的主体，利用其具有更大视觉感受野和更快运算速度的特点。在训练目标函数设计上，结合像素级别的重建损失以及人脸特征级别的重建损失，搭配使用空间变换模块在网络中进行人脸区域的精确对准以实现人脸区域特征的准确提取。发明所采用的方法不仅能有效从网纹图像中恢复出清晰人脸图像，并且能够在恢复过程中保持人脸特征相对稳定，可以大幅度提高网纹人脸图像的识别准确率。
-
公开(公告)号：CN105760859A
公开(公告)日：2016-07-13
申请号：CN201610165633.7
申请日：2016-03-22
Applicant: 中国科学院自动化研究所
CPC classification number: G06K9/00288 , G06N3/02
Abstract: 本发明公开了一种基于多任务卷积神经网络的网纹人脸图像识别方法及装置。该方法包括：收集网纹人脸图像和对应的清晰人脸图像对，然后利用多任务卷积神经网络，分别设计基于回归和分类的目标函数，训练一个人脸去网纹模型，最后将网纹人脸图像输入到训练好的去网纹模型中，得到去网纹的人脸图像，从而进行后续的人脸识别任务。本发明采用了多任务学习的框架，将由网纹图像恢复清晰图像的任务表达成两个互为辅助的目标函数，并利用卷积神经网络学习其中涉及到的复杂非线性变换。发明所采用的方法不仅有效提高了模型训练时的收敛速度，并能明显提升图像恢复的效果以及泛化能力，大幅度提高了网纹人脸图像的识别准确率。
-
公开(公告)号：CN104281845A
公开(公告)日：2015-01-14
申请号：CN201410594606.2
申请日：2014-10-29
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开一种基于旋转不变字典学习模型的人脸识别方法，包括：将训练集和测试集图像降采样并展成由列向量为单位构成的训练集矩阵；建立旋转不变字典学习模型，将训练集矩阵输入模型，使用交替迭代的方法对模型进行求解，不断优化目标函数，学习得到字典、分类器和对齐后的训练集图像；基于得到的词典对测试样本进行稀疏编码并通过稀疏编码系数求解对齐参数；对对齐后的测试图像进行稀疏编码，把稀疏编码系数带入线性分类器得到最终分类结果。本发明对字典学习在人脸识别中的应用提出了新的模型和方法，可以应用于一般的模式分类任务中，特别是无约束环境下的人脸识别问题。本发明提出的方法可以显著提高人脸识别的识别正确率。
-
-
-
-
Search Results
5
records
(took 0.027 seconds)
