-
公开(公告)号：CN112686083A
公开(公告)日：2021-04-20
申请号：CN201910991629.X
申请日：2019-10-18
Applicant: 复旦大学
Abstract: 本发明提供一种基于组合对抗生成网络的人脸微表情深度学习识别系统，对用于进行人脸微表情识别的模型进行训练从而完成对待识别图像的人脸微表情识别，其特征在于，包括：模型存储部，存储有预先训练完成的用于进行微表情识别、姿态分类以及人脸识别的多功能识别网络以及基于组合对抗生成网络的微表情人脸图像生成网络；待识别图像获取部，用于获取待识别图像；特征提取部，将待识别图像输入多功能识别网络从而得到对应身份、姿态、微表情的特征信息；以及微表情识别部，根据特征信息完成人脸微表情识别。
-
公开(公告)号：CN109858392B
公开(公告)日：2021-02-02
申请号：CN201910026923.7
申请日：2019-01-11
Applicant: 复旦大学
Abstract: 本发明公开了一种用于化妆前后人脸图像自动识别方法，包括如下步骤S1，对人脸数据进行特征提取；S2，使用基于面部关键性区域替换的数据集扩充算法扩充面部化妆数据集；S3，构建多示例的训练数据集；S4，采用关键性局部区域特征辅助学习任务网络进行全局特征和局部特征的提取，其后采用注意力机制的特征信息融合方法获得训练数据的最终特征，并不断训练和微调网络；S5，不断迭代重复步骤S2和步骤S3，直至网络收敛，实现人脸识别网络的训练；S6，在测试数据集上，给定待识别的化妆前后人脸数据，通过训练得到的人脸识别网络进行特征提取和相似度计算，从而实现人脸识别。
-
公开(公告)号：CN107563279B
公开(公告)日：2020-12-22
申请号：CN201710603212.2
申请日：2017-07-22
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉图像处理技术领域，具体为针对人体属性分类的自适应权重调整的多任务模型训练方法。本发明提出一种新颖的多任务模型，通过引入了一个基于验证误差大小及变化趋势从而更新相应任务权重的算法，在训练过程中自适应动态地调整每个任务的相应权重值。具体步骤包括：（1）人脸以及行人图片的收集和属性类别的标注；（2）构建深度神经网络；（3）训练深度神经网络；（4）利用深度网络模型，进行人体属性预测；本发明方法具有速度快、精确度高、鲁棒性好等优点，非常适用于人体相关的检测、识别、分类等实际应用。
-
Patent Agency Ranking
公开(公告)号：CN108537136A
公开(公告)日：2018-09-14
申请号：CN201810224187.1
申请日：2018-03-19
Applicant: 复旦大学
CPC classification number: G06K9/00785 , G06K9/00362 , G06K9/629 , G06N3/08
Abstract: 本发明属于计算机图象识别技术领域，具体为基于姿态归一化图像生成的行人重识别方法。本发明的具体步骤包括：行人平均姿态和属性特征的预测；姿态归一化图像生成模型的构建、训练和测试，生成8张不同姿态的行人图像；行人重识别特征提取网络的构建、训练和测试，得到行人重识别特征；最后行人重识别特征融合，获得待检测行人目标以及所有候选行人目标的特征。本发明方法具有速度快、精确度高、鲁棒性好、泛化能力佳、可扩展性强等优点，非常适用于视频行人监控、视频行人信息检索等实际应用。
-
公开(公告)号：CN114428954A
公开(公告)日：2022-05-03
申请号：CN202111629855.7
申请日：2021-12-28
Applicant: 复旦大学
Abstract: 本发明涉及计算机视觉图像处理领域，具体是一种基于动态化网络结构学习的黑盒攻击方法。提出了在无真实数据参与条件下的对于未知场景的目标黑盒模型的攻击方法。其中针对多样化的目标黑盒模型，提出了动态化网络结构学习的替代模型训练方法，自主性地生成最优的替代模型结构，并提出了基于结构化信息图的优化约束以提升替代模型的学习质量与效率，从而进一步提高其生成的对抗样本的攻击性能。该方法具有查询次数少、学习效率高、攻击成功率高等优点，非常适合无任何先验知识的黑盒攻击场景。
-
公开(公告)号：CN108537136B
公开(公告)日：2020-11-20
申请号：CN201810224187.1
申请日：2018-03-19
Applicant: 复旦大学
Abstract: 本发明属于计算机图像识别技术领域，具体为基于姿态归一化图像生成的行人重识别方法。本发明的具体步骤包括：行人平均姿态和属性特征的预测；姿态归一化图像生成模型的构建、训练和测试，生成8张不同姿态的行人图像；行人重识别特征提取网络的构建、训练和测试，得到行人重识别特征；最后行人重识别特征融合，获得待检测行人目标以及所有候选行人目标的特征。本发明方法具有速度快、精确度高、鲁棒性好、泛化能力佳、可扩展性强等优点，非常适用于视频行人监控、视频行人信息检索等实际应用。
-
公开(公告)号：CN107563279A
公开(公告)日：2018-01-09
申请号：CN201710603212.2
申请日：2017-07-22
Applicant: 复旦大学
Abstract: 本发明属于计算机视觉图像处理技术领域，具体为针对人体属性分类的自适应权重调整的多任务模型训练方法。本发明提出一种新颖的多任务模型，通过引入了一个基于验证误差大小及变化趋势从而更新相应任务权重的算法，在训练过程中自适应动态地调整每个任务的相应权重值。具体步骤包括：（1）人脸以及行人图片的收集和属性类别的标注；（2）构建深度神经网络；（3）训练深度神经网络；（4）利用深度网络模型，进行人体属性预测；本发明方法具有速度快、精确度高、鲁棒性好等优点，非常适用于人体相关的检测、识别、分类等实际应用。
-
公开(公告)号：CN109858392A
公开(公告)日：2019-06-07
申请号：CN201910026923.7
申请日：2019-01-11
Applicant: 复旦大学
Abstract: 本发明公开了一种用于化妆前后人脸图像自动识别方法，包括如下步骤S1，对人脸数据进行特征提取；S2，使用基于面部关键性区域替换的数据集扩充算法扩充面部化妆数据集；S3，构建多示例的训练数据集；S4，采用关键性局部区域特征辅助学习任务网络进行全局特征和局部特征的提取，其后采用注意力机制的特征信息融合方法获得训练数据的最终特征，并不断训练和微调网络；S5，不断迭代重复步骤S2和步骤S3，直至网络收敛，实现人脸识别网络的训练；S6，在测试数据集上，给定待识别的化妆前后人脸数据，通过训练得到的人脸识别网络进行特征提取和相似度计算，从而实现人脸识别。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
