-
公开(公告)号：CN109165566B
公开(公告)日：2021-04-27
申请号：CN201810866133.5
申请日：2018-08-01
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于新型损失函数的人脸识别卷积神经网络训练方法，将SoftMax loss、余弦相似度损失、Center Loss相结合，共同作为人脸识别卷积神经网络训练过程中的目标函数，在保证增大类间距、减小类内距离的同时，加入余弦相似度损失来克服由于训练与测试时人脸特征比对的度量方法不同造成的差异性。包括：一：将人脸识别数据行划分为训练样本集与测试样本集；二：对训练样本集中的人脸图像进行数据预处理；三：构建基于新型损失函数的人脸识别卷积神经网络结构；四：将训练样本集输入到人脸识别卷积神经网络中进行训练；五：保存人脸识别模型参数；六：利用经过数据预处理后的测试样本集对人脸识别模型进行测试。
-
公开(公告)号：CN109214286A
公开(公告)日：2019-01-15
申请号：CN201810863541.5
申请日：2018-08-01
Applicant: 中国计量大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于深度神经网络多层特征融合的人脸识别方法，利用一个输出维度为D2的全连接层Fc2替代DeepID网络结构中的softmax层，Fc2层后面连接多层特征融合损失层，将改进的网络结构称为多层特征融合网络，所述多层特征融合损失层是在计算训练样本之间类内距离与类间距离损失的基础上将Fc1层和Fc2层的输出特征也作为损失函数的输入。获得人脸图像A和人脸图像B的人脸特征分别为F1和F2，计算两个特征向量之间的余弦相似度S，设置人脸相似度阈值为T，如果S≥T，则认为人脸图像A和人脸图像B为同一个人，如果S＜T，则认为人脸图像A和人脸图像B为不同人。
-
公开(公告)号：CN109190475A
公开(公告)日：2019-01-11
申请号：CN201810864960.0
申请日：2018-08-01
Applicant: 中国计量大学
IPC: G06K9/00
Abstract: 本发明公开了一种人脸识别网络与行人再识别网络协同训练方法，采用双网络并行网络结构，将人脸与行人进行特征融合，把融合后的特征作为行人输出特征，使其具有更强的人脸特征表达能力，并根据人脸图像清晰度的不同对人脸识别网络与行人再识别网络采用不同的监督信号进行训练，当人脸图像清晰度较低时，用行人再识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导人脸识别网络进行训练；当人脸图像清晰度较高时，将人脸识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导行人再识别网络进行训练，既加强了人脸识别对于行人再识别结果的影响，又能够在人脸图像模糊的情况下利用行人再识别的预测结果指导人脸特征分类。
-
Patent Agency Ranking
公开(公告)号：CN109165566A
公开(公告)日：2019-01-08
申请号：CN201810866133.5
申请日：2018-08-01
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于新型损失函数的人脸识别卷积神经网络训练方法，将SoftMax loss、余弦相似度损失、Center Loss相结合，共同作为人脸识别卷积神经网络训练过程中的目标函数，在保证增大类间距、减小类内距离的同时，加入余弦相似度损失来克服由于训练与测试时人脸特征比对的度量方法不同造成的差异性。包括：一：将人脸识别数据行划分为训练样本集与测试样本集；二：对训练样本集中的人脸图像进行数据预处理；三：构建基于新型损失函数的人脸识别卷积神经网络结构；四：将训练样本集输入到人脸识别卷积神经网络中进行训练；五：保存人脸识别模型参数；六：利用经过数据预处理后的测试样本集对人脸识别模型进行测试。
-
公开(公告)号：CN109325513A
公开(公告)日：2019-02-12
申请号：CN201810867642.X
申请日：2018-08-01
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于海量单类单幅图像的图像分类网络训练方法，采用单类单幅和单类多幅的双数据形式的训练数据集交替循环训练海量单类单幅图像的图像分类网络，将训练数据输入层替换为训练数据集1输入层和训练数据集2输入层两个网络层，当训练的迭代次数为奇数时，将训练数据集1作为基于海量单类单幅图像的图像分类网络的输入数据，基于迭代次数的动态损失函数采用类间距离损失函数，对网络进行训练，当迭代次数为偶数时，将训练数据集2作为基于海量单类单幅图像的图像分类网络的输入数据，基于迭代次数的动态损失函数采用center loss和Soft-max损失函数相结合作为训练网络的损失函数对网络进行训练，得到图像分类模型。
-
公开(公告)号：CN109190475B
公开(公告)日：2021-09-14
申请号：CN201810864960.0
申请日：2018-08-01
Applicant: 中国计量大学
IPC: G06K9/00
Abstract: 本发明公开了一种人脸识别网络与行人再识别网络协同训练方法，采用双网络并行网络结构，将人脸与行人进行特征融合，把融合后的特征作为行人输出特征，使其具有更强的人脸特征表达能力，并根据人脸图像清晰度的不同对人脸识别网络与行人再识别网络采用不同的监督信号进行训练，当人脸图像清晰度较低时，用行人再识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导人脸识别网络进行训练；当人脸图像清晰度较高时，将人脸识别网络的预测结果与真实标签的加权相加的结果作为监督信号，指导行人再识别网络进行训练，既加强了人脸识别对于行人再识别结果的影响，又能够在人脸图像模糊的情况下利用行人再识别的预测结果指导人脸特征分类。
-
公开(公告)号：CN109325513B
公开(公告)日：2021-06-25
申请号：CN201810867642.X
申请日：2018-08-01
Applicant: 中国计量大学
Abstract: 本发明公开了一种基于海量单类单幅图像的图像分类网络训练方法，采用单类单幅和单类多幅的双数据形式的训练数据集交替循环训练海量单类单幅图像的图像分类网络，将训练数据输入层替换为训练数据集1输入层和训练数据集2输入层两个网络层，当训练的迭代次数为奇数时，将训练数据集1作为基于海量单类单幅图像的图像分类网络的输入数据，基于迭代次数的动态损失函数采用类间距离损失函数，对网络进行训练，当迭代次数为偶数时，将训练数据集2作为基于海量单类单幅图像的图像分类网络的输入数据，基于迭代次数的动态损失函数采用center loss和Soft‑max损失函数相结合作为训练网络的损失函数对网络进行训练，得到图像分类模型。
-
公开(公告)号：CN109214286B
公开(公告)日：2021-05-04
申请号：CN201810863541.5
申请日：2018-08-01
Applicant: 中国计量大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于深度神经网络多层特征融合的人脸识别方法，利用一个输出维度为D2的全连接层Fc2替代DeepID网络结构中的softmax层，Fc2层后面连接多层特征融合损失层，将改进的网络结构称为多层特征融合网络，所述多层特征融合损失层是在计算训练样本之间类内距离与类间距离损失的基础上将Fc1层和Fc2层的输出特征也作为损失函数的输入。获得人脸图像A和人脸图像B的人脸特征分别为F1和F2，计算两个特征向量之间的余弦相似度S，设置人脸相似度阈值为T，如果S≥T，则认为人脸图像A和人脸图像B为同一个人，如果S＜T，则认为人脸图像A和人脸图像B为不同人。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
