The present invention discloses a system (1) for processing an image (4), which includes a main neural network (2), a preferred convolution based primary neural network (CNN), and at least one preprocessing neural network (6) upstream of the main neural network (2), a pre processing neural network based on convolution, and a preprocessing neural network (6) for the use of the preprocessing neural network (6). Before the main neural network (2) is processed, at least one parameter transformation f with respect to its parameter is differentiable, the transformation is applied to at least part of the pixel of the image and has a form p '= f (V (P),), in the formula, P is a pixel after processing of the original image or a processed pixel after the decomposition of the image, p' The V (P) is a neighborhood of the pixel P for the pixel of the transformed image or the pixel of the transformed image, and the preprocessing neural network (6) makes at least part of the learning of its learning simultaneously with the learning of the main neural network (2).
【技术实现步骤摘要】
用于处理图像的系统
本专利技术涉及利用神经网络处理图像的系统,更特别地但不仅仅涉及用于生物计量学、尤其面部识别的系统。
技术介绍
针对面部或其它目标的识别已提出使用所谓的卷积神经网络(convolutionneuralnetworks,CNN)。YannLeCun等人的文章DeepLearning(436NATURE,第521卷,2015年5月28日)包括对这些神经网络的介绍。另外,设法例如通过伽玛校正或局部对比度校正来进行图像的预处理以便纠正图像的缺陷(例如缺乏对比度)是司空见惯的。面部的生物识别假定多种多样的图像采集和照明条件,这引起对待被进行的纠正的选择上的困难。而且,由于卷积神经网络的性能上的改进与完全学习到的隐藏层相关,故这引起在理解图像处理(在这种网络的上游应用该图像处理将是有用的)上的困难。因此,受越来越强大的处理器的快速发展的支持,当前趋势是加强卷积神经网络的能力,并拓宽它们对多方面变化的图像的学习,以便独立于任何预处理来改进这些网络的性能。然而,尽管这些系统是更加有效的,但这些系统对于伪影的存在以及对于图像质量的下降是不完全鲁棒的。而且,增加计算资源的计算能力是相当昂贵的不总是适合的解决方案。因此,对于图像质量的问题的现有解决方案(与寻求学习的问题无关,该现有解决方案因此要么在于利用有问题的图像的示例来丰富学习库,要么在于在上游进行图像处理)不是完全令人满意的。因此,仍需要进一步加强基于卷积神经网络的生物识别链,尤其以便使得生物识别链对于各种噪音更加鲁棒从而因此改进关于具有较低质量的图像的识别性能。PengXi等人的文章“Learning ...
【技术保护点】
1.一种用于处理图像(4)的系统(1),所述系统(1)包括主神经网络(2)、优选基于卷积的主神经网络(CNN),和至少一个在所述主神经网络(2)的上游的预处理神经网络(6)、优选基于卷积的预处理神经网络,所述预处理神经网络(6)用于在通过所述主神经网络(2)进行处理之前进行至少一种关于其参数是可微分的参数变换f,所述参数变换被应用于所述图像的像素的至少一部分并且具有形式p′=f(V(p),Θ),式中,p为原始图像的处理过的像素或所述图像的分解的处理过的像素,p'为变换后的图像的像素或所述变换后的图像的分解的像素,V(p)为所述像素p的邻域,Θ为参数的向量,所述预处理神经网络(6)使其学习的至少一部分与所述主神经网络(2)的学习同时地进行。
【技术特征摘要】
2016.12.07 FR 16620801.一种用于处理图像(4)的系统(1),所述系统(1)包括主神经网络(2)、优选基于卷积的主神经网络(CNN),和至少一个在所述主神经网络(2)的上游的预处理神经网络(6)、优选基于卷积的预处理神经网络,所述预处理神经网络(6)用于在通过所述主神经网络(2)进行处理之前进行至少一种关于其参数是可微分的参数变换f,所述参数变换被应用于所述图像的像素的至少一部分并且具有形式p′=f(V(p),Θ),式中,p为原始图像的处理过的像素或所述图像的分解的处理过的像素,p'为变换后的图像的像素或所述变换后的图像的分解的像素,V(p)为所述像素p的邻域,Θ为参数的向量,所述预处理神经网络(6)使其学习的至少一部分与所述主神经网络(2)的学习同时地进行。2.根据权利要求1所述的系统,其中,所述变换f使所述像素在所述图像上是空间不变的。3.根据权利要求1所述的系统,其中,所述预处理神经网络(6)被设计成进行逐像素的修正,尤其进行色彩校正、色调补偿或伽玛校正,或噪音阈值化操作。4.根据权利要求1所述的系统,其中,所述预处理神经网络(6)被配置成应用局部操作符,尤其是用于管理局部模糊或局部对比度的局部操作符。5.根据权利要求1所述的系统,其中,所述预处理神经网络(6)被配置成在所述图像的变换之后应用频率空间中的操作符,优选地被配置成降低模拟噪音或数字噪音,尤其被配置成降低压缩伪影、改善所述图像的清晰度、清楚度或对比度,或者被配置成进行滤波,例如直方图均衡化、所述图像的动态摆动的校正、数字水印类型的图案的删除、频率校正和/或图像的清洁。6.根据权利要求1所述的系统,其中,所述预处理神经网络(6)包括一个或多个卷积层CONV和/或一个或多个完全连接层FC。7.根据权利要求1所述的系统,其中,所述预处理神经网络(6)被配置成进行非线性变换,尤其是像素的伽玛校正和/或局部对比度校正。8.根据权利要求1所述的系统,其...
【专利技术属性】
技术研发人员:莎拉·拉奈斯,文森特·德斯皮格尔,扬·拉斐尔·里夫奇兹,史蒂芬·基恩特里克,
申请(专利权)人:法国艾德米亚身份与安全公司,
类型:发明
国别省市:法国,FR
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。