-
公开(公告)号：CN111582008A
公开(公告)日：2020-08-25
申请号：CN201910122211.5
申请日：2019-02-19
Applicant: 富士通株式会社
Abstract: 公开了一种训练分类模型的装置和方法及利用分类模型分类的装置。训练分类模型的装置包括：获得局部区域单元，获得作为样本图像的全局区域中的一部分的预定局部区域；特征提取单元，针对每个样本图像，对于全局区域和每个预定局部区域分别设置相应数量的特征提取层，用以分别提取全局区域的全局特征和每个预定局部区域的局部特征，其中，全局区域和预定局部区域共享针对全局区域和每个预定局部区域分别设置的特征提取层中的至少一个层，以在所共享的所述至少一个层中将全局特征和每个局部特征进行结合；以及损失确定单元，利用损失确定层，基于每个样本图像的结合后的特征来计算该样本图像的损失函数，并基于损失函数来训练所述分类模型。
-
公开(公告)号：CN110032912A
公开(公告)日：2019-07-19
申请号：CN201810027146.3
申请日：2018-01-11
Applicant: 富士通株式会社
Abstract: 本发明涉及人脸验证方法和装置及计算机存储介质。一种人脸验证方法，包括：对待验证图像进行人脸检测和对齐；在得到的人脸图像上划分预定多个面部图像块；利用预先训练的预定多个人脸识别神经网络对人脸图像进行处理，得到所述人脸图像的预定多个面部图像块的预定多个特征；利用预先训练的人脸暴露区域分割神经网络对人脸图像进行分析，基于分析的结果和人脸图像的预定多个面部图像块得到人脸图像的预定多个面部图像块的遮挡区域；基于遮挡区域确定人脸图像的预定多个面部图像块各自的权重；以及根据预定多个特征和对应的权重进行人脸验证。根据本发明的人脸验证方法和装置可以降低由于遮挡引起的人脸验证性能的恶化。
-
公开(公告)号：CN109753850A
公开(公告)日：2019-05-14
申请号：CN201711070481.3
申请日：2017-11-03
Applicant: 富士通株式会社
Abstract: 本发明公开了一种面部识别模型的训练方法和训练设备。该方法包括：去除从实际场景获取的、包含面部的图像组成的第一实际场景数据中的黑眼眶、墨镜，以得到第二实际场景数据；统计第二实际场景数据中戴眼镜的比例；将由包含面部的图像组成的原始训练数据划分为戴眼镜的第一训练数据和不戴眼镜的第二训练数据，其中，原始训练数据中戴眼镜的比例低于第二实际场景数据中戴眼镜的比例；基于眼镜数据和第二训练数据，生成戴眼镜的第三训练数据；基于第三训练数据和原始训练数据，生成其中戴眼镜的比例等于第二实际场景数据中戴眼镜的比例的第四训练数据；以及基于第四训练数据，训练面部识别模型。
-
公开(公告)号：CN108932459A
公开(公告)日：2018-12-04
申请号：CN201710384934.3
申请日：2017-05-26
Applicant: 富士通株式会社
Abstract: 本发明涉及脸部识别模型训练方法和装置及脸部识别方法。该训练方法包括：使用第一种族脸部数据集来训练神经网络模型；基于第一种族脸部数据集和第二种族脸部三维模型进行变换获得类似第二种族脸部数据集；以及使用类似第二种族脸部数据集来进一步训练神经网络模型，对神经网络的权重进行微调，用训练得到的神经网络模型作为脸部识别模型。根据本发明的方法和装置无需花费大量的时间、人力和资源来收集脸部数据，而可以进行跨种族脸部识别模型的训练。
-
公开(公告)号：CN115439705A
公开(公告)日：2022-12-06
申请号：CN202110552029.0
申请日：2021-05-20
Applicant: 富士通株式会社
IPC: G06V10/774 , G06V10/80 , G06V40/16
Abstract: 本公开内容涉及用于训练人脸识别模型的方法、识别人脸的方法及存储介质。根据本公开内容的一个实施例，该用于训练人脸识别模型的方法包括：通过求和确定针对人脸样本图像集的全局特征相似度总损失、关键点位置偏差总损失和分类总损失；通过对全局特征相似度总损失、关键点位置偏差总损失和分类总损失加权求和确定加权损失；确定加权损失是否收敛或小于预定阈值；以及在确定结果为"否"的情况下，通过调整人脸识别模型的参数优化人脸识别模型。本公开内容的方法和存储介质的有益效果至少包括：改善针对有遮挡人脸图像的人脸识别准确度。
-
Patent Agency Ranking
公开(公告)号：CN114898415A
公开(公告)日：2022-08-12
申请号：CN202110105159.X
申请日：2021-01-26
Applicant: 富士通株式会社
Abstract: 本申请公开一种信息处理装置、信息处理方法和面部图像分类装置。该信息处理装置包括：面部模板创建单元，被配置成基于部分地被对象遮挡的部分遮挡面部图像创建部分遮挡面部模板；合成图像获取单元，被配置成基于原始面部图像和经由所述面部模板创建单元创建的部分遮挡面部模板获取合成图像；以及模型训练单元，被配置成利用所述合成图像或者所述原始面部图像和所述合成图像对分类模型进行训练，以获得经训练的分类模型，其中，所述原始面部图像是没有被所述对象遮挡的面部图像。
-
公开(公告)号：CN112819020A
公开(公告)日：2021-05-18
申请号：CN201911119156.0
申请日：2019-11-15
Applicant: 富士通株式会社
Abstract: 公开了一种训练分类模型的方法和装置及分类方法。训练分类模型的方法包括：使用第一样本集和第二样本集对分类模型进行训练，以计算分类模型的分类损失；提取第一样本集和第二样本集中的每个样本的权重向量和特征向量；计算第一样本集中的所有样本的权重向量的平均权重向量和第一样本集中的所有样本的特征向量的平均特征向量；基于第二样本集中的每个样本的权重向量与平均权重向量之间的差来计算权重损失，并且基于第二样本集中的每个样本的特征向量与平均特征向量之间的差来计算特征损失；基于特征损失和权重损失中的至少一个和分类损失来计算分类模型的总损失；以及基于总损失来调整分类模型的参数，直到满足预定条件，以获得经训练的分类模型。
-
公开(公告)号：CN111582009A
公开(公告)日：2020-08-25
申请号：CN201910124176.0
申请日：2019-02-19
Applicant: 富士通株式会社
Abstract: 公开了一种训练分类模型的装置和方法及利用分类模型分类的装置。训练分类模型的装置包括：特征提取单元，被配置成针对第一预定数量的训练集中的每个训练集分别设置特征提取层，并且提取样本图像的特征，至少两个训练集至少部分重叠；特征融合单元，被配置成针对训练集分别设置特征融合层，并且对样本图像的所提取出的特征进行融合；以及损失确定单元，被配置成针对每个训练集分别设置损失确定层，并且基于样本图像的融合后的特征来计算样本图像的损失函数，并基于损失函数来训练分类模型，其中，第一预定数量的训练集共享针对每个训练集分别设置的特征融合层和特征提取层中的至少一个层。
-
公开(公告)号：CN111582009B
公开(公告)日：2023-09-15
申请号：CN201910124176.0
申请日：2019-02-19
Applicant: 富士通株式会社
IPC: G06V40/16 , G06V10/774 , G06V10/80
Abstract: 公开了一种训练分类模型的装置和方法及利用分类模型分类的装置。训练分类模型的装置包括：特征提取单元，被配置成针对第一预定数量的训练集中的每个训练集分别设置特征提取层，并且提取样本图像的特征，至少两个训练集至少部分重叠；特征融合单元，被配置成针对训练集分别设置特征融合层，并且对样本图像的所提取出的特征进行融合；以及损失确定单元，被配置成针对每个训练集分别设置损失确定层，并且基于样本图像的融合后的特征来计算样本图像的损失函数，并基于损失函数来训练分类模型，其中，第一预定数量的训练集共享针对每个训练集分别设置的特征融合层和特征提取层中的至少一个层。
-
公开(公告)号：CN116362313A
公开(公告)日：2023-06-30
申请号：CN202111581419.7
申请日：2021-12-22
Applicant: 富士通株式会社
IPC: G06N3/08 , G06N3/0464 , G06V40/16
Abstract: 公开了一种训练神经网络的方法和设备以及图像识别方法。神经网络包括第一模型和第二模型。该训练神经网络的方法包括：从第一图像中获得第二图像，第二图像的质量低于第一图像；将第一图像输入神经网络的第一模型，并且将第二图像输入神经网络的第二模型；计算第一模型和第二模型各自的注意力图和梯度图；基于第一模型的梯度图和注意力图的点积的矩阵以及第二模型的梯度图和注意力图的点积的矩阵来构建损失函数；和通过使损失函数最小来训练神经网络。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.028 seconds)
