-
公开(公告)号：CN110348320B
公开(公告)日：2021-08-17
申请号：CN201910526316.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于多损失深度联合的人脸防伪方法，通过采用多个局部的并行网络来学习局部特征和微纹理特征，同时为了进一步较少对噪声的学习，提升对多样数据源的鲁棒性能，采用基于分组LASSO正则来加强局部特征稀疏性约束，对学习到的特征进行稀疏处理，达到对特征进行选择的作用；另外，采用ASPP多尺度全局信息模块的特征进行融合以加强模型契合度。与现有技术相比，本发明从数据集差异出发，考虑算法的泛化能力，在保证分类精度的同时提升了算法模型在不同数据集之间的测试精度。
-
公开(公告)号：CN110348319B
公开(公告)日：2021-05-04
申请号：CN201910525961.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于人脸深度信息和边缘图像融合的人脸防伪方法，通过双流网络分别提取人脸图像的边缘信息和深度图信息，将两类特征进行融合后通过特征融合分类网络学习并分类。其中，Sobel算子用于人脸图像的边缘信息提取，PRNe被用于获取预处理后的活体对象的人脸的三维结构信息，随后采用Z‑Buffer算法投影得到对应的活体人脸深度标签。双流网络中的深度信息提取网络分支提取活体与非活体人脸的区分性深度信息，并采用加权矩阵和熵损失监督方式加强人脸区域与背景区域之间的深度区分性。与现有技术相比，本发明受图像质量、光照等因素影响小，改善了硬件提取深度信息成本高的问题，扩大了背景信息的特征并减弱了冗余噪声的学习。
-
公开(公告)号：CN110348320A
公开(公告)日：2019-10-18
申请号：CN201910526316.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于多损失深度联合的人脸防伪方法，通过采用多个局部的并行网络来学习局部特征和微纹理特征，同时为了进一步较少对噪声的学习，提升对多样数据源的鲁棒性能，采用基于分组LASSO正则来加强局部特征稀疏性约束，对学习到的特征进行稀疏处理，达到对特征进行选择的作用；另外，采用ASPP多尺度全局信息模块的特征进行融合以加强模型契合度。与现有技术相比，本发明从数据集差异出发，考虑算法的泛化能力，在保证分类精度的同时提升了算法模型在不同数据集之间的测试精度。
-
公开(公告)号：CN110348319A
公开(公告)日：2019-10-18
申请号：CN201910525961.7
申请日：2019-06-18
Applicant: 武汉大学
Abstract: 本发明提出了一种基于人脸深度信息和边缘图像融合的人脸防伪方法，通过双流网络分别提取人脸图像的边缘信息和深度图信息，将两类特征进行融合后通过特征融合分类网络学习并分类。其中，Sobel算子用于人脸图像的边缘信息提取，PRNe被用于获取预处理后的活体对象的人脸的三维结构信息，随后采用Z-Buffer算法投影得到对应的活体人脸深度标签。双流网络中的深度信息提取网络分支提取活体与非活体人脸的区分性深度信息，并采用加权矩阵和熵损失监督方式加强人脸区域与背景区域之间的深度区分性。与现有技术相比，本发明受图像质量、光照等因素影响小，改善了硬件提取深度信息成本高的问题，扩大了背景信息的特征并减弱了冗余噪声的学习。
-
-
-
Search Results
4
records
(took 0.018 seconds)
