CN108805048A - 一种人脸识别模型的调整方法、装置和存储介质 - Google Patents
一种人脸识别模型的调整方法、装置和存储介质 Download PDFInfo
- Publication number
- CN108805048A CN108805048A CN201810517987.2A CN201810517987A CN108805048A CN 108805048 A CN108805048 A CN 108805048A CN 201810517987 A CN201810517987 A CN 201810517987A CN 108805048 A CN108805048 A CN 108805048A
- Authority
- CN
- China
- Prior art keywords
- sample
- distribution curve
- adjustment
- human face
- face recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种人脸识别模型的调整方法、装置和存储介质;本发明实施例可以获取用于训练人脸识别模型的原样本集,以及用于调整模型的调整样本集(少数人群样本集),并据此分别对该人脸识别模型进行训练,进而确定原样本集的相似度分布曲线和调整样本集的相似度分布曲线,然后,通过对原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,来对该人脸识别模型进行调整;该方案以在不增加人脸识别***架构复杂度、以及不影响多数人群人脸识别精度的前提下,对人脸识别模型进行微调,以方便快捷地提高少数人群的人脸识别精度。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种人脸识别模型的调整方法、装置和存储介质。
背景技术
近年来,人脸识别技术得到了长足的发展,但是,对于少数人群,如维族、老人、或黑人等,现有多数人脸识别***常常会出现识别精度不高的情况,具体表现为***计算出的少数人群非同人之间的人脸特征相似度过高,从而产生过多的虚假告警,严重影响人脸识别***在某些场景的使用效果。
针对上述问题,现有也提出了若干种提升少数人群人脸识别精度,以降低少数人群的虚假告警率的方法。例如,通过在训练集中大量增加少数人群的样本占比,来重新训练人脸识别模型,或者,针对不同的人群采用不同的相似度告警阈值,如对于少数人群采用比多数人群更高的告警阈值,等等。但是,在对现有技术的研究和实践过程中,本发明的发明人发现,若重新采集大量少数人群样本对人脸识别模型进行训练,需要耗费较多的时间,而且,少数人群训练样本的大量增加可能会影响人脸识别***对于多数人群的识别精度,而若针对不同人群设置不同的告警阈值,则需要***的架构做较大调整,大大增加***的复杂度,也会对整个人脸识别***的识别精度造成影响。
发明内容
本发明实施例提供一种人脸识别模型的调整方法、装置和存储介质,可以在不增加人脸识别***架构复杂度、以及不影响多数人群人脸识别精度的前提下,对人脸识别模型进行微调,以方便快捷地提高少数人群的人脸识别精度。
本发明实施例提供一种人脸识别模型的调整方法,包括:
获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集;
采用所述人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组;
根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线;
对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型。
相应的,本发明实施例提供一种人脸识别模型的调整装置,包括:
获取单元,用于获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集;
计算单元,用于采用所述人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组;
确定单元,用于根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线;
调整单元,用于对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型。
可选的,在一些实施例中,所述计算单元,具体可以用于对原样本集中的人群样本进行两两组合,得到第一类样本对;对调整样本集中的人群样本进行两两组合,得到第二类样本对;采用所述人脸识别模型分别对第一类样本对和第二类样本对进行计算,得到第一向量组和第二向量组。
可选的,在一些实施例中,所述调整单元,具体可以用于计算原样本集的相似度分布曲线和调整样本集的相似度分布曲线之间的距离,将所述距离作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
可选的,在一些实施例中,所述第一类样本对包括第一类正样本对和第一类负样本对,所述第二类样本对包括第二类正样本对和第二类负样本对,所述计算单元,具体可以用于将所述原样本集中属于同一人的预设数量的样本进行两两组合,以建立第一类正样本对;将所述原样本集中不属于同一人的预设数量的样本进行两两组合,以建立第一类负样本对;将所述调整样本集中属于同一人的预设数量的样本进行两两组合,以建立第二类正样本对;将所述调整样本集中不属于同一人的预设数量的样本进行两两组合,以建立第二类负样本对;采用所述人脸识别模型分别对第一类正样本对进行计算,得到第一类正样本对对应的第一向量组;采用所述人脸识别模型分别对第一类负样本对进行计算,得到第一类负样本对对应的第一向量组;采用所述人脸识别模型分别对第二类正样本对进行计算,得到第二类正样本对对应的第二向量组;采用所述人脸识别模型分别对第二类负样本对进行计算,得到第二类负样本对对应的第二向量组。
可选的,在一些实施例中,所述确定单元,具体可以用于根据第一类正样本对对应的第一向量组确定原样本集中属于同一人的样本的相似度分布曲线,得到第一类同人相似度分布曲线;根据第一类负样本对对应的第一向量组确定原样本集中不属于同一人的样本的相似度分布曲线,得到第一类非同人相似度分布曲线;根据第二类正样本对对应的第二向量组确定调整样本集中属于同一人的样本的相似度分布曲线,得到第二类同人相似度分布曲线;根据第二类负样本对对应的第二向量组确定调整样本集中不属于同一人的样本的相似度分布曲线,得到第二类非同人相似度分布曲线。
可选的,在一些实施例中,所述调整单元,具体可以用于计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;根据所述第一距离、第二距离和重叠度作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
可选的,在一些实施例中,所述调整单元,具体可以用于计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;根据所述第一距离和第二距离作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
可选的,在一些实施例中,所述调整单元,具体可以用于计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;根据所述第二距离和重叠度作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
可选的,在一些实施例中,所述调整单元,具体可以用于获取所述人脸识别模型的训练目标函数;将所述调整信息添加至所述训练目标函数中,以更新所述训练目标函数;根据更新后训练目标函数计算所述人脸识别模型中参数的梯度;基于所述梯度对所述人脸识别模型中的参数信息调整,并返回执行采用所述人脸识别模型分别对第一类样本对和第二类样本对进行计算的步骤,直至更新后训练目标函数的变化小于设定值。
此外,本发明实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种所述的人脸识别模型的调整方法中的步骤。
本发明实施例可以获取用于训练人脸识别模型的原样本集,以及用于调整模型的调整样本集,比如少数人群样本集,并据此分别对该人脸识别模型进行训练,进而确定原样本集的相似度分布曲线和调整样本集的相似度分布曲线,然后,通过对原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,来对该人脸识别模型进行调整,以提升该人脸识别模型对“调整样本”同类型的人群的识别精度;由于该方案无需重新训练人脸识别模型,而仅仅只需增加少量的调整样本来对人脸识别模型进行微调,因此,可以在不增加人脸识别***架构复杂度、以及不影响原有人群如多数人群人脸识别精度的前提下,方便快捷地提高某一特定人群如少数人群的人脸识别精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1a是本发明实施例提供的人脸识别模型的调整方法的场景示意图;
图1b是本发明实施例提供的人脸识别模型的调整方法的流程图;
图2a是本发明实施例提供的人脸识别模型的调整方法的另一流程图;
图2b是本发明实施例中第一类样本对的建立示意图;
图2c是本发明实施例中第二类样本对的建立示意图;
图2d是本发明实施例提供的人脸识别模型的调整方法中调整前相似度分布曲线的示例图;
图2e是本发明实施例提供的人脸识别模型的调整方法中调整后相似度分布曲线的示例图;
图3a是本发明实施例提供的人脸识别模型的调整装置的结构示意图;
图3b是本发明实施例提供的人脸识别模型的调整装置的另一结构示意图;
图4是本发明实施例提供的网络设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种人脸识别模型的调整方法、装置和存储介质。
其中,该人脸识别模型的调整装置具体可以集成在网络设备,如服务器或终端等设备中。例如,以集成在网络设备中为例,参见图1a,该网络设备可以获取用于训练人脸识别模型的原样本集,比如多数人群样本集,以及获取用于调整模型的调整样本集,如少数人群样本集,然后,据此分别对该人脸识别模型进行训练,得到第一向量组和第二向量组,根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线,再然后,通过对原样本集(如多数人群样本集)的相似度分布曲线和调整样本集(如少数人群样本集)的相似度分布曲线进行收敛,来对该人脸识别模型进行调整,使得不同类型的人群样本的识别精度能尽可能接近,进而实现提升该人脸识别模型对某一特定类型人群的识别精度的目的。
以下分别进行详细说明。需说明的是,以下实施例的序号不作为对实施例优选顺序的限定。
实施例一、
本实施例将从人脸识别模型的调整装置的角度进行描述,该人脸识别模型的调整装置具体可以集成在网络设备中,该网络设备可以是终端或服务器等设备,其中,该终端可以包括手机、平板电脑、个人计算机(PC,Personal Computer)等。
本发明实施例提供一种人脸识别模型的调整方法,包括:获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集,采用该人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组,根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线,对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型。
如图1b所示,该人脸识别模型的调整方法的具体流程可以如下:
101、获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集。
其中,原样本集包括多个一般人群样本,这些一般人群样本为该预设人脸识别模型原有的训练样本,比如,具体可以为多数人群样本,而调整样本集可以包括一定量的特定人群样本,比如数百或数千个少数人群样本,等等。
所谓多数人群样本,指的是在训练该人脸识别模型时,所使用的训练样本中占比较大的人种(具有共同遗传体质特征的人类群体)所对应的人群样本,如蒙古人种、欧罗巴人种、尼格罗人种或澳大利亚人种等;而少数人群样本则指的是除该多数人群样本所属人种以外的其他人种所对应的人群样本。比如,若某个人脸识别模型采用的多数训练样本为“蒙古人种”,则“蒙古人种”所对应的人群样本称为“多数人群样本”,“蒙古人种”所对应的人群称为“多数人群”,而其他的人种如“欧罗巴人种”、“尼格罗人种”和“澳大利亚人种”等所对应的人群样本则称为“少数人群样本”,同理,其所对应的人群称为“少数人群”。
由于不同人种在肤色、眼色、发色、发型、头型、身高等特征上有所区别,因此,若某种人群在训练样本中占比极大,则必然会影响对其他种类人群的识别精度。例如,以中国为例,由于大部分中国人均属于蒙古人种,因此,在训练人脸识别模型时,采集的大部分训练样本为“蒙古人种”,而中国有部分地区的人群属于其他人种,如新疆地区的部分人群就属于“欧罗巴人种”,因此,该采用大量“蒙古人种”人群样本所训练出来的人脸识别模型,对于“欧罗巴人种”等其他人种的识别精度必然会有所影响,所以,需要对人脸识别模型进行调整,来提高少数人群的识别精度。
需说明的是,在本发明实施例中,将均以原样本集包括多个多数人群样本,而调整样本集包括一定量的少数人群样本为例进行说明。
102、采用该人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组;例如,具体可以如下:
对原样本集中的人群样本进行两两组合,得到第一类样本对;对调整样本集中的人群样本进行两两组合,得到第二类样本对;采用该人脸识别模型分别对第一类样本对和第二类样本对进行计算,得到第一向量组和第二向量组。
也就是说,第一向量组和第二向量组指的是将人群样本导入人脸识别模型后,所得到的输出结果的集合;例如,具体可以将多个第一类样本对分别导入该人脸识别模型中,得到每个第一类样本对之间的相似度,将这些相似度依次添加至设定集合中,便可以得到对应的第一向量组;同理,可以将多个第二类样本对分别导入该人脸识别模型中,得到每个第二类样本对之间的相似度,将这些相似度依次添加至设定的另一集合中,便可以得到对应的第二向量组。
其中,样本对指的是两个人群样本所组合成的集合,该样本对可以是正样本对,也可以是负样本对,正样本对指的是属于同一人的人群样本,比如可以是通过对同一人的人脸拍摄得到的两张图像,而负样本对指的是属于不同人的人群样本,比如可以通过对不同人的人脸拍摄得到的两张图像,等等。
若该样本对包括正样本对和负样本对,比如第一类样本对包括第一类正样本对和第一类负样本对,第二类样本对包括第二类正样本对和第二类负样本对,则步骤“对原样本集中的样本进行两两组合,得到第一类样本对,对调整样本集中的样本进行两两组合,得到第二类样本对”可以包括:
将该原样本集中属于同一人的预设数量的样本进行两两组合,以建立第一类正样本对;将该原样本集中不属于同一人的预设数量的样本进行两两组合,以建立第一类负样本对;
将该调整样本集中属于同一人的预设数量的样本进行两两组合,以建立第二类正样本对;将该调整样本集中不属于同一人的预设数量的样本进行两两组合,以建立第二类负样本对。
其中,预设数量可以根据实际应用的需求进行设置,即可以对原样本集中属于同一人的所有样本进行两两组合,也可以取其中的部分样本进行两两组合,可以对原样本集中不属于同一人的所有样本进行两两组合,也可以取其中的部分样本进行两两组合;调整样本集与此类似,在此不作赘述。
相应的,第一向量组也可以包括第一类正样本对对应的第一向量组和第一类负样本对对应的第一向量组,第二向量组可以包括第二类正样本对对应的第二向量组和第二类负样本对对应的第二向量组;即步骤“采用该人脸识别模型分别对第一类样本对和第二类样本对进行计算,得到第一向量组和第二向量组”可以包括:
采用该人脸识别模型分别对第一类正样本对进行计算,得到第一类正样本对对应的第一向量组;
采用该人脸识别模型分别对第一类负样本对进行计算,得到第一类负样本对对应的第一向量组;
采用该人脸识别模型分别对第二类正样本对进行计算,得到第二类正样本对对应的第二向量组;
采用该人脸识别模型分别对第二类负样本对进行计算,得到第二类负样本对对应的第二向量组。
103、根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线。
其中,相似度分布曲线的确定方式可以有多种,比如,具体可以如下:
从原样本集中选择当前人群样本,根据第一向量组确定该当前人群样本与其他人群样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终相似度值,然后返回执行从原样本集中选择当前人群样本的步骤,直至得到该原样本集中所有人群样本的最终相似度值,然后,基于核密度估计算法,估计这些最终相似度值的分布曲线,便可以得到该原样本集的相似度分布曲线。
同理,可以从调整样本集中选择当前人群样本,根据第二向量组确定该当前人群样本与其他人群样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终相似度值,然后返回执行从调整样本集中选择当前人群样本的步骤,直至得到该调整样本集中所有人群样本的最终相似度值,然后,基于核密度估计算法,估计这些最终相似度值的分布曲线,便可以得到该调整样本集的相似度分布曲线。
可选的,当第一类样本对包括第一类正样本对和第一类负样本对,第二类样本对包括第二类正样本对和第二类负样本对时,其所得到的相似度分布曲线也会有所不同,比如,步骤“根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线”具体可以如下:
(1)根据第一类正样本对对应的第一向量组确定原样本集中属于同一人的样本的相似度分布曲线,得到第一类同人相似度分布曲线;例如,具体可以如下:
从原样本集中选择当前人群样本,根据第一类正样本对对应的第一向量组确定该当前人群样本与其他同人样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终同人相似度值,然后返回执行从原样本集中选择当前人群样本的步骤,直至得到该原样本集中所有人群样本的最终同人相似度值,然后,基于核密度估计算法,估计这些最终同人相似度值的分布曲线,便可以得到第一类同人相似度分布曲线。
(2)根据第一类负样本对对应的第一向量组确定原样本集中不属于同一人的样本的相似度分布曲线,得到第一类非同人相似度分布曲线;例如,具体可以如下:
从原样本集中选择当前人群样本,根据第一类负样本对对应的第一向量组确定该当前人群样本与其他非同人样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终非同人相似度值,然后返回执行从原样本集中选择当前人群样本的步骤,直至得到该原样本集中所有人群样本的最终非同人相似度值,然后,基于核密度估计算法,估计这些最终非同人相似度值的分布曲线,便可以得到第一类非同人相似度分布曲线。
(3)根据第二类正样本对对应的第二向量组确定调整样本集中属于同一人的样本的相似度分布曲线,得到第二类同人相似度分布曲线;例如,具体可以如下:
从调整样本集中选择当前人群样本,根据第二类正样本对对应的第二向量组确定该当前人群样本与其他同人样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终同人相似度值,然后返回执行从调整样本集中选择当前人群样本的步骤,直至得到该调整样本集中所有人群样本的最终同人相似度值,然后,基于核密度估计算法,估计这些最终同人相似度值的分布曲线,便可以得到第二类同人相似度分布曲线。
(4)根据第二类负样本对对应的第二向量组确定调整样本集中不属于同一人的样本的相似度分布曲线,得到第二类非同人相似度分布曲线;例如,具体可以如下:
从调整样本集中选择当前人群样本,根据第二类负样本对对应的第二向量组确定该当前人群样本与其他非同人样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终非同人相似度值,然后返回执行从调整样本集中选择当前人群样本的步骤,直至得到该调整样本集中所有人群样本的最终非同人相似度值,然后,基于核密度估计算法,估计这些最终非同人相似度值的分布曲线,便可以得到第二类非同人相似度分布曲线。
104、对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型,例如,具体可以如下:
计算原样本集的相似度分布曲线和调整样本集的相似度分布曲线之间的距离,将该距离作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
可选的,当原样本集的相似度分布曲线包括第一类同人相似度分布曲线和第一类非同人相似度分布曲线,调整样本集的相似度分布曲线包括第二类同人相似度分布曲线和第二类非同人相似度分布曲线时,步骤“对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型”具体可以如下:
计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;根据该第一距离、第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
可选的,除了可以将第一距离、第二距离和重叠度均作为考量因素之外,也可以只考量第一距离和第二距离,或者,只考量第二距离和重叠度,等等。即步骤“对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型”具体也可以如下:
计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;根据该第一距离和第二距离作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
或者,计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;根据该第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
其中,根据调整信息对该人脸识别模型中的参数进行调整的方式可以有多种,比如,可以如下:
获取该人脸识别模型的训练目标函数,将该调整信息添加至该训练目标函数中,以更新该训练目标函数,根据更新后训练目标函数计算该人脸识别模型中参数的梯度,基于该梯度对该人脸识别模型中的参数信息调整,并返回执行采用该人脸识别模型分别对第一类样本对和第二类样本对进行计算的步骤,直至更新后训练目标函数的变化小于设定值。
其中,该设定值可以根据实际应用的需求进行设置,在此不作赘述。
在该人脸识别模型调整完毕之后,便可以基于调整后人脸识别模型对待识别人脸图像进行识别,即在步骤“对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型”之后,该方法还可以包括:
基于调整后人脸识别模型对待识别人脸图像进行识别。例如,具体可以如下:
获取待识别人脸图像,将该待识别人脸图像导入调整后人脸识别模型中,得到识别结果,根据识别结果确定该待识别人脸图像的身份信息。
比如,具体可以获取待识别人脸图像,然后,将该待识别人脸图像与数据库中的参考图像两两组合成“图像对”,将得到的多个图像对分别输入该人脸识别模型中,得到该待识别人脸图像与各个参考图像的相似度预测值,从中选择相似度预测值满足预设条件的参考图像的身份信息,作为该待识别人脸图像所对应的候选身份信息,再然后,基于预设策略,比如对这些候选身份信息进行人工筛选,便可以得到该待识别人脸图像最终的身份信息,进而达到人脸识别的目的,在此不作赘述。
由上可知,本实施例可以获取用于训练人脸识别模型的原样本集,以及用于调整模型的调整样本集,比如少数人群样本集,并据此分别对该人脸识别模型进行训练,进而确定原样本集的相似度分布曲线和调整样本集的相似度分布曲线,然后,通过对原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,来对该人脸识别模型进行调整,以提升该人脸识别模型对“调整样本”同类型的人群的识别精度;由于该方案无需重新训练人脸识别模型,而仅仅只需增加少量的调整样本来对人脸识别模型进行微调,因此,可以在不增加人脸识别***架构复杂度、以及不影响原有人群如多数人群人脸识别精度的前提下,方便快捷地提高某一特定人群如少数人群的人脸识别精度。
实施例二、
根据前面实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该人脸识别模型的调整装置具体集成在网络设备中,原样本集包括多个多数人群样本,且调整样本集包括一定量的少数人群样本为例进行说明
如图2a所示,一种人脸识别模型的调整方法,其具体流程可以如下:
201、网络设备获取用于训练预设人脸识别模型的原样本集,以及用于调整模型(即人脸识别模型)的调整样本集。
其中,原样本集可以包括多个多数人群样本,比如,若该人脸识别模型原本采用的训练样本大部分为“蒙古人种”的人群的人脸图像,则此时,该多数人群样本指的是这部分属于“蒙古人种”的人群的人脸图像;相应的,调整样本集可以包括一定量的少数人群样本,比如,还是以该人脸识别模型原本采用的训练样本大部分为“蒙古人种”的人群的人脸图像为例,则此时,少数人群样本可以为其他的人种如“欧罗巴人种”、“尼格罗人种”和/或“澳大利亚人种”等人群的人脸图像。
需说明的是,在获取调整样本集时,可以通过摄像头来采集所需的“少数人群”的人脸图像来作为少数人群样本,或者,也可以通过从人脸图像数据库或互联网上才收集该“少数人群”的人脸图像作为少数人群样本,其中,具体的采集数量可以根据实际应用的需求而定,该数量可以远低于“多数人群样本”的数量,比如,可以是数百或数千,等等,在此不作赘述。
202、网络设备对原样本集中的人群样本进行两两组合,得到第一类样本对,然后执行步骤203。
例如,以样本对包括正样本对和负样本对为例,则此时,可以将该原样本集中属于同一人的预设数量的样本进行两两组合,以建立第一类正样本对,以及将该原样本集中不属于同一人的预设数量的样本进行两两组合,以建立第一类负样本对。
其中,该预设数量可以根据实际应用的需求进行设置,为了描述方便,在本发明实施例中,以该预设数量为“所有”样本为例进行说明。
比如,如图2b所示,若人群样本A1、人群样本A2和人群样本A3等为某个属于蒙古人种的人“A”的不同人脸图像,人群样本B1、……、以及人群样本Bn为某个属于蒙古人种的人“B”的不同人脸图像,人群样本C为某个属于蒙古人种的人“C”的人脸图像,则网络设备可以对这些人群样本作出如下组合:
将人群样本A1和人群样本A2进行组合,作为第一类正样本对;
将人群样本A1和人群样本A3进行组合,作为第一类正样本对;
将人群样本A1和人群样本B1进行组合,作为第一类负样本对;
……
将人群样本A2和人群样本Bn进行组合,作为第一类负样本对;
将人群样本A2和人群样本C进行组合,作为第一类负样本对。
203、网络设备采用该人脸识别模型对第一类样本对进行计算,得到第一向量组,并执行步骤204。
例如,还是以样本对包括正样本对和负样本对为例,则此时,第一向量组可以包括第一类正样本对对应的第一向量组和第一类负样本对对应的第一向量组,即步骤203具体可以如下:
网络设备采用该人脸识别模型分别对第一类正样本对进行计算,得到第一类正样本对对应的第一向量组;以及,采用该人脸识别模型分别对第一类负样本对进行计算,得到第一类负样本对对应的第一向量组。
比如,具体可以将各个第一类正样本对依次导入人脸识别模型中进行计算,得到每一个第一类正样本对之间的相似度,其中,该第一类正样本对之间的相似度在本发明实施例中称为第一类正样本对对应的第一向量;具体的,可以将多个第一类正样本对对应的第一向量添加至同一集合中,进而形成第一类正样本对对应的第一向量组。
同理,可以将各个第一类负样本对依次导入人脸识别模型中进行计算,得到每一个第一类负样本对之间的相似度,其中,该第一类负样本对之间的相似度在本发明实施例中称为第一类负样本对对应的第一向量;具体的,可以将多个第一类负样本对对应的第一向量添加至同一集合中,进而形成第一类负样本对对应的第一向量组。
204、网络设备根据第一向量组确定原样本集的相似度分布曲线。
例如,以该第一向量组包括第一类正样本对对应的第一向量组和第一类负样本对对应的第一向量组为例,该步骤204具体可以如下:
(1)网络设备根据第一类正样本对对应的第一向量组确定原样本集中属于同一人的样本的相似度分布曲线,得到第一类同人相似度分布曲线;例如,具体可以如下:
网络设备从原样本集(多数人群样本集,如蒙古人种)中选择当前人群样本,根据第一类正样本对对应的第一向量组确定该当前人群样本与其他同人样本的相似度值(使用余弦(cosine)距离或欧式距离等来表示),并从中选择最大的相似度值作为该当前人群样本的最终同人相似度值s~i,然后返回执行从原样本集中选择当前人群样本的步骤,直至得到该原样本集中所有人群样本的最终同人相似度值,如再然后,基于核密度估计算法,估计这些最终同人相似度值的分布曲线,便可以得到第一类同人相似度分布曲线,比如多数人群样本的同人相似度分布曲线,用公式表示即为:
其中,为第一类同人相似度分布曲线,s为人脸特征相似度变量,其取值范围可以设置在[-1,1]之间,M为原样本集中该当前人群样本的其他同人样本的数量,K为任意一种核函数,如可选择高斯核或三角核等。
其中,该多数人群样本的同人相似度分布曲线在本实施例即为“蒙古人种”人群样本的同人相似度分布曲线,具体可参见图2d中“第一类同人”箭头所指示的虚线;需说明的是,在图2d和图2e中,纵坐标“样本对概率密度”指的是各种样本对的概率密度,比如第一类正样本对的概率密度、第一类负样本对的概率密度、第二类正样本对的概率密度、或第二类负样本对的概率密度,各个样本对的概率密度可根据预设的概率密度函数算出,在此不作赘述。
(2)网络设备根据第一类负样本对对应的第一向量组确定原样本集中不属于同一人的样本的相似度分布曲线,得到第一类非同人相似度分布曲线;例如,具体可以如下:
网络设备从原样本集(多数人群样本集,如蒙古人种)中选择当前人群样本,根据第一类负样本对对应的第一向量组确定该当前人群样本与其他非同人样本的相似度值(使用余弦距离或欧式距离等来表示),并从中选择最大的相似度值作为该当前人群样本的最终非同人相似度值si,然后返回执行从原样本集中选择当前人群样本的步骤,直至得到该原样本集中所有人群样本的最终非同人相似度值,如{s1,s2,s3,...,sN},再然后,基于核密度估计算法,估计这些最终非同人相似度值的分布曲线,便可以得到第一类非同人相似度分布曲线,比如多数人群样本的非同人相似度分布曲线,用公式表示即为:
其中,为第一类同人相似度分布曲线,s为人脸特征相似度变量,其取值范围可以设置在[-1,1]之间,N为原样本集中该当前人群样本的其他非同人样本的数量,K为任意一种核函数,如可选择高斯核或三角核等。
其中,该多数人群样本的非同人相似度分布曲线在本实施例即为“蒙古人种”人群样本的非同人相似度分布曲线,具体可参见图2d中“第一类非同人”箭头所指示的实线。
需说明的是,在本发明实施例中,相似度可以通过余弦距离(也叫余弦相似度)或欧式距离来体现。
205、网络设备对调整样本集中的人群样本进行两两组合,得到第二类样本对,然后执行步骤206。
例如,以样本对包括正样本对和负样本对为例,则此时,可以将该调整样本集中属于同一人的预设数量的样本进行两两组合,以建立第二类正样本对;将该调整样本集中不属于同一人的预设数量的样本进行两两组合,以建立第二类负样本对。
其中,该预设数量可以根据实际应用的需求进行设置,为了描述方便,在本发明实施例中,以该预设数量为“所有”样本为例进行说明。
比如,如图2c所示,若人群样本D1、人群样本D2和人群样本D3等为某个属于欧罗巴人种的人“D”的不同人脸图像,人群样本E1、……、以及人群样本En为某个属于欧罗巴人种(白种人)的人“E”的不同人脸图像,人群样本F为某个属于尼格罗人种(黑种人)的人“F”的人脸图像,则网络设备可以对这些人群样本作出如下组合:
将人群样本D1和人群样本D2进行组合,作为第二类正样本对;
将人群样本D1和人群样本D3进行组合,作为第二类正样本对;
将人群样本D1和人群样本E1进行组合,作为第二类负样本对;
……
将人群样本D2和人群样本En进行组合,作为第二类负样本对;
将人群样本D2和人群样本F进行组合,作为第二类负样本对。
需说明的是,步骤202和205的执行可以不分先后。
206、网络设备采用该人脸识别模型对第二类样本对进行计算,得到第一向量组和第二向量组,并执行步骤207。
例如,还是以样本对包括正样本对和负样本对为例,则此时,第二向量组可以包括第二类正样本对对应的第二向量组和第二类负样本对对应的第二向量组;即步骤206具体可以如下:
网络设备采用该人脸识别模型分别对第二类正样本对进行计算,得到第二类正样本对对应的第二向量组;以及,采用该人脸识别模型分别对第二类负样本对进行计算,得到第二类负样本对对应的第二向量组。
比如,具体可以将各个第二类正样本对依次导入人脸识别模型中进行计算,得到每一个第二类正样本对之间的相似度,其中,该第二类正样本对之间的相似度在本发明实施例中称为第二类正样本对对应的第二向量;具体的,可以将多个第二类正样本对对应的第二向量添加至同一集合中,进而形成第二类正样本对对应的第二向量组。
同理,可以将各个第二类负样本对依次导入人脸识别模型中进行计算,得到每一个第二类负样本对之间的相似度,其中,该第二类负样本对之间的相似度在本发明实施例中称为第二类负样本对对应的第二向量;具体的,可以将多个第二类负样本对对应的第二向量添加至同一集合中,进而形成第二类负样本对对应的第二向量组。
207、网络设备根据第二向量组确定调整样本集的相似度分布曲线。
例如,以第二向量包括第二类正样本对对应的第二向量组和第二类负样本对对应的第二向量组为例,该步骤207具体可以如下:
(1)网络设备根据第二类正样本对对应的第二向量组确定调整样本集中属于同一人的样本的相似度分布曲线,得到第二类同人相似度分布曲线;例如,具体可以如下:
网络设备从调整样本集(少数人群样本集,如欧罗巴人种或尼格罗人种等)中选择当前人群样本,根据第二类正样本对对应的第二向量组确定该当前人群样本与其他同人样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终同人相似度值然后返回执行从调整样本集中选择当前人群样本的步骤,直至得到该调整样本集中所有人群样本的最终同人相似度值,如再然后,基于核密度估计算法,估计这些最终同人相似度值的分布曲线,便可以得到第二类同人相似度分布曲线,比如少数人群样本的同人相似度分布曲线。用公式表示即为:
其中,为第二类同人相似度分布曲线,s为人脸特征相似度变量,其取值范围可以设置在[-1,1]之间,T为调整样本集中该当前人群样本的其他同人样本的数量,K为任意一种核函数,如可选择高斯核或三角核等。
其中,该少数人群样本的同人相似度分布曲线在本实施例即为“欧罗巴人种”或“尼格罗人种”等其他种类人群样本的同人相似度分布曲线,具体可参见图2d中“第二类同人”箭头所指示的虚线。
(2)网络设备根据第二类负样本对对应的第二向量组确定调整样本集中不属于同一人的样本的相似度分布曲线,得到第二类非同人相似度分布曲线;例如,具体可以如下:
网络设备从调整样本集(少数人群样本集,如欧罗巴人种或尼格罗人种等)中选择当前人群样本,根据第二类负样本对对应的第二向量组确定该当前人群样本与其他非同人样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终非同人相似度值si',然后返回执行从调整样本集中选择当前人群样本的步骤,直至得到该调整样本集中所有人群样本的最终非同人相似度值,如{s1',s2',s3',...,sL'},再然后,基于核密度估计算法,估计这些最终非同人相似度值的分布曲线,便可以得到第二类非同人相似度分布曲线,比如少数人群样本的非同人相似度分布曲线,用公式表示即为:
其中,为第二类同人相似度分布曲线,s为人脸特征相似度变量,其取值范围可以设置在[-1,1]之间,L为调整样本集中该当前人群样本的其他非同人样本的数量,K为任意一种核函数,如可选择高斯核或三角核等。
其中,该少数人群样本的非同人相似度分布曲线在本实施例即为“欧罗巴人种”或“尼格罗人种”等其他种类人群样本的非同人相似度分布曲线,具体可参见图2d中“第二类非同人”箭头所指示的实线。
208、网络设备对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型。
从图2d可以看出,相比于多数人群(即第一类样本),少数人群(即第二类样本)整体的人脸特征相似度偏高(余弦距离较大),且非同人相似度分布曲线与同人相似度分布曲线之间的重合程度较高(即第二类同人相似度分布曲线与第二类非同人相似度分布曲线的重叠度较高)。在实际的1:n应用场景中(即给定一个测试样本,计算其与注册集中n个注册人脸照的特征相似度,对于相似度超过某些阈值的样本对进行特别操作,如告警),该现象即意味着***对于少数人群的虚假告警率偏高,因此,可以通过对多数人群的相似度分布曲线(即原样本集的相似度分布曲线)和少数人群的相似度分布曲线(即调整样本集的相似度分布曲线)进行收敛,来调整该人脸识别模型中的各个参数,进而提高对少数人群的人脸识别精度。
例如,若在步骤204得到了原样本集的相似度分布曲线,如第一类同人相似度分布曲线和第一类非同人相似度分布曲线,而在步骤207中得到了调整样本集的相似度分布曲线,如第二类同人相似度分布曲线和第二类非同人相似度分布曲线,则此时,具体可以通过如下收敛方式来调整该人脸识别模型:
(1)方式一:
计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离distance
计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离
计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度:
根据该第一距离第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
可选的,除了可以将第一距离、第二距离和重叠度均作为考量因素之外,也可以只考量第一距离和第二距离,或者,只考量第二距离和重叠度,等等。即除了方式一之外,也可以采用方式二和三,具体也可以如下:
(2)方式二;
计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离
计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离
根据该第一距离和第二距离作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
(3)方式三;
计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离
计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度:
根据该第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
其中,根据调整信息对该人脸识别模型中的参数进行调整的方式可以有多种,比如,可以如下:
网络设备获取该人脸识别模型的训练目标函数,将该调整信息添加至该训练目标函数中,以更新该训练目标函数,根据更新后训练目标函数计算该人脸识别模型中参数的梯度,基于该梯度对该人脸识别模型中的参数信息调整,比如可以基于随机梯度下降或各类基于梯度的变种优化方法,如带动量项的随机梯度下降、adam(一种梯度下降优化算法)或adagrad(一种梯度下降优化算法)等对该人脸识别模型中的参数信息调整,并返回执行采用该人脸识别模型分别对第一类样本对和第二类样本对进行计算的步骤,直至更新后训练目标函数的变化小于设定值。
其中,该设定值可以根据实际应用的需求进行设置,在此不作赘述。
此外,需说明的是,各分布曲线之间的距离度量可以采用K-L divergence(K-L散度),或者其他任意适用的距离度量,具体也可根据实际应用的需求而定,在此不作赘述
参见图2e,在经过对该原样本集(如多数人群样本集)的相似度分布曲线和调整样本集(如少数人群样本集)的相似度分布曲线进行收敛之后,多数人群和少数人群的非同人相似度曲线基本重合(即第一类非同人相似度分布曲线与第二类非同人相似度分布曲线基本重合),多数人群和少数人群的同人相似度分布曲线基本重合(即第一类同人相似度分布曲线与第二类同人相似度分布曲线基本重合),少数人群非同人相似度分布曲线和同人相似度分别曲线重叠度降低(即第二类同人相似度分布曲线与第二类非同人相似度分布曲线的重叠度较低),这就意味着,在实际应用中,当使用同一个相似度阈值作为告警阈值时,少数人群的虚假告警率可以达到接近于多数人群的虚假告警率水平,也就是说,通过该调整方法,可以提高对少数人群的识别精度。
在该人脸识别模型调整完毕之后,该网络设备便可以基于调整后人脸识别模型对待识别人脸图像进行识别,即在步骤“网络设备对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型”之后,该人脸识别模型的调整方法还可以包括:
网络设备基于调整后人脸识别模型对待识别人脸图像进行识别。例如,具体可以如下:
网络设备获取待识别人脸图像,将该待识别人脸图像导入调整后人脸识别模型中,得到识别结果,根据识别结果确定该待识别人脸图像的身份信息。
比如,网络设备可以获取待识别人脸图像,然后,将该待识别人脸图像与数据库中的参考图像两两组合成“图像对”,将得到的多个图像对分别输入该人脸识别模型中,得到该待识别人脸图像与各个参考图像的相似度预测值,从中选择相似度预测值满足预设条件的参考图像的身份信息,作为该待识别人脸图像所对应的候选身份信息,再然后,基于预设策略,比如对这些候选身份信息进行人工筛选,便可以得到该待识别人脸图像最终的身份信息
其中,该预设策略可以根据实际应用的需求进行设置,在此不作赘述。
由上可知,本实施例可以获取用于训练人脸识别模型的原样本集如多数人群样本集,以及用于调整模型的调整样本集如少数人群样本集,并据此分别对该人脸识别模型进行训练,进而确定原样本集的同人和非同人相似度分布曲线、以及调整样本集的同人和非同人相似度分布曲线,然后,通过对原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,来对该人脸识别模型进行调整,以提升该人脸识别模型对“调整样本”同类型的人群的识别精度;由于该方案无需重新训练人脸识别模型,而仅仅只需增加少量的调整样本来对人脸识别模型进行微调,因此,可以在不增加人脸识别***架构复杂度、以及不影响原有人群如多数人群人脸识别精度的前提下,方便快捷地提高某一特定人群如少数人群的人脸识别精度,降低对某一特定人群如少数人群进行人脸识别时的误报警率。
实施例三、
为了更好地实施以上方法,本发明实施例还提供一种人脸识别模型的调整装置,该人脸识别模型的调整装置具体可以集成在网络设备中,该网络设备可以是终端或服务器等设备。
例如,如图3a所示,该人脸识别模型的调整装置可以包括获取单元301、计算单元302、确定单元303和调整单元304,如下:
(1)获取单元301;
获取单元301,用于获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集。
其中,原样本集包括多个一般人群样本,这些一般人群样本为该预设人脸识别模型原有的训练样本,比如,具体可以为多数人群样本,而调整样本集可以包括一定量的特定人群样本,比如数百或数千个少数人群样本,等等。
(2)计算单元302;
计算单元302,用于采用该人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组。
例如,该计算单元302,具体可以用于对原样本集中的人群样本进行两两组合,得到第一类样本对;对调整样本集中的人群样本进行两两组合,得到第二类样本对;采用该人脸识别模型分别对第一类样本对和第二类样本对进行计算,得到第一向量组和第二向量组。
其中,样本对指的是两个人群样本所组合成的集合,该样本对可以是正样本对,也可以是负样本对,正样本对指的是属于同一人的人群样本,比如可以是通过对同一人的人脸拍摄得到的两张图像,而负样本对指的是属于不同人的人群样本,比如可以通过对不同人的人脸拍摄得到的两张图像,等等。
若该样本对包括正样本对和负样本对,比如第一类样本对包括第一类正样本对和第一类负样本对,第二类样本对包括第二类正样本对和第二类负样本对,则该计算单元302,具体可以用于:
将该原样本集中属于同一人的预设数量的样本进行两两组合,以建立第一类正样本对;将该原样本集中不属于同一人的预设数量的样本进行两两组合,以建立第一类负样本对;
将该调整样本集中属于同一人的预设数量的样本进行两两组合,以建立第二类正样本对;将该调整样本集中不属于同一人的预设数量的样本进行两两组合,以建立第二类负样本对;
采用该人脸识别模型分别对第一类正样本对进行计算,得到第一类正样本对对应的第一向量组;
采用该人脸识别模型分别对第一类负样本对进行计算,得到第一类负样本对对应的第一向量组;
采用该人脸识别模型分别对第二类正样本对进行计算,得到第二类正样本对对应的第二向量组;
采用该人脸识别模型分别对第二类负样本对进行计算,得到第二类负样本对对应的第二向量组。
其中,该预设数量可以根据实际应用的需求进行设置,在此不作赘述。
(3)确定单元303;
确定单元303,用于根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线;
其中,相似度分布曲线的确定方式可以有多种,比如,该确定单元303,具体可以用于从原样本集中选择当前人群样本,根据第一向量组确定该当前人群样本与其他人群样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终相似度值,然后返回执行从原样本集中选择当前人群样本的步骤,直至得到该原样本集中所有人群样本的最终相似度值,然后,基于核密度估计算法,估计这些最终相似度值的分布曲线,便可以得到该原样本集的相似度分布曲线。
同理,该确定单元303也可以从调整样本集中选择当前人群样本,根据第二向量组确定该当前人群样本与其他人群样本的相似度值,并从中选择最大的相似度值作为该当前人群样本的最终相似度值,然后返回执行从调整样本集中选择当前人群样本的步骤,直至得到该调整样本集中所有人群样本的最终相似度值,然后,基于核密度估计算法,估计这些最终相似度值的分布曲线,便可以得到该调整样本集的相似度分布曲线。
可选的,当第一类样本对包括第一类正样本对和第一类负样本对,第二类样本对包括第二类正样本对和第二类负样本对时,其所得到的相似度分布曲线也会有所不同,例如,该确定单元303,具体可以用于:
根据第一类正样本对对应的第一向量组确定原样本集中属于同一人的样本的相似度分布曲线,得到第一类同人相似度分布曲线;
根据第一类负样本对对应的第一向量组确定原样本集中不属于同一人的样本的相似度分布曲线,得到第一类非同人相似度分布曲线;
根据第二类正样本对对应的第二向量组确定调整样本集中属于同一人的样本的相似度分布曲线,得到第二类同人相似度分布曲线;
根据第二类负样本对对应的第二向量组确定调整样本集中不属于同一人的样本的相似度分布曲线,得到第二类非同人相似度分布曲线。
(4)调整单元304;
调整单元304,用于对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型。
例如,该调整单元304,具体可以用于计算原样本集的相似度分布曲线和调整样本集的相似度分布曲线之间的距离,将该距离作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
可选的,当原样本集的相似度分布曲线包括第一类同人相似度分布曲线和第一类非同人相似度分布曲线,调整样本集的相似度分布曲线包括第二类同人相似度分布曲线和第二类非同人相似度分布曲线时,该调整单元304,具体可以用于:
计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;根据该第一距离、第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
可选的,除了可以将第一距离、第二距离和重叠度均作为考量因素之外,也可以只考量第一距离和第二距离,或者,只考量第二距离和重叠度,等等。即
该调整单元304,具体可以用于:计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;根据该第一距离和第二距离作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
或者,该调整单元304,具体可以用于:计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;根据该第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整。
其中,根据调整信息对该人脸识别模型中的参数进行调整的方式可以有多种,比如,该调整单元304可以获取该人脸识别模型的训练目标函数,将该调整信息添加至该训练目标函数中,以更新该训练目标函数,然后,根据更新后训练目标函数计算该人脸识别模型中参数的梯度,基于该梯度对该人脸识别模型中的参数信息调整,并返回执行采用该人脸识别模型分别对第一类样本对和第二类样本对进行计算的步骤,直至更新后训练目标函数的变化小于设定值。
其中,该设定值可以根据实际应用的需求进行设置,在此不作赘述。
在该人脸识别模型调整完毕之后,便可以基于调整后人脸识别模型对待识别人脸图像进行识别,即如图3b所示,该人脸识别模型的调整装置还可以包括识别单元305,如下:
识别单元305,用于基于调整后人脸识别模型对待识别人脸图像进行识别。
例如,该识别单元305,具体可以用于获取待识别人脸图像,将该待识别人脸图像导入调整后人脸识别模型中,得到识别结果,根据识别结果确定该待识别人脸图像的身份信息。
比如,该识别单元305,具体可以用于获取待识别人脸图像,然后,将该待识别人脸图像与数据库中的参考图像两两组合成“图像对”,将得到的多个图像对分别输入该人脸识别模型中,得到该待识别人脸图像与各个参考图像的相似度预测值,从中选择相似度预测值满足预设条件的参考图像的身份信息,作为该待识别人脸图像所对应的候选身份信息,再然后,基于预设策略,比如对这些候选身份信息进行人工筛选,便可以得到该待识别人脸图像最终的身份信息,进而达到人脸识别的目的,其中,该预设策略可以根据实际应用的需求进行设置,在此不作赘述。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不作赘述。
由上可知,本实施例的人脸识别模型的调整装置可以通过获取单元301获取用于训练人脸识别模型的原样本集,以及用于调整模型的调整样本集,比如少数人群样本集,并由计算单元302据此分别对该人脸识别模型进行训练,进而由确定单元303确定原样本集的相似度分布曲线和调整样本集的相似度分布曲线,然后,再由调整单元304通过对原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,来对该人脸识别模型进行调整,以提升该人脸识别模型对“调整样本”同类型的人群的识别精度;由于该方案无需重新训练人脸识别模型,而仅仅只需增加少量的调整样本来对人脸识别模型进行微调,因此,可以在不增加人脸识别***架构复杂度、以及不影响原有人群如多数人群人脸识别精度的前提下,方便快捷地提高某一特定人群如少数人群的人脸识别精度,大大降低对少数人群进行人脸识别时的误报警率。
实施例四、
本发明实施例还提供一种网络设备,该网络设备具体可以为服务器,也可以为终端,如图4所示,其示出了本发明实施例所涉及的网络设备的结构示意图,具体来讲:
该网络设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的网络设备结构并不构成对网络设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该网络设备的控制中心,利用各种接口和线路连接整个网络设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行网络设备的各种功能和处理数据,从而对网络设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据网络设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
网络设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理***与处理器401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该网络设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,网络设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,网络设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集,采用该人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组,根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线,对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型。
例如,具体可以将该原样本集中属于同一人的预设数量的样本进行两两组合,以建立第一类正样本对;将该原样本集中不属于同一人的预设数量的样本进行两两组合,以建立第一类负样本对;将该调整样本集中属于同一人的预设数量的样本进行两两组合,以建立第二类正样本对;将该调整样本集中不属于同一人的预设数量的样本进行两两组合,以建立第二类负样本对;然后,将这四种类型的样本对分别输入人脸识别模型中进行计算,得到第一类正样本对对应的第一向量组、第一类负样本对对应的第一向量组、第二类正样本对对应的第二向量组和第二类负样本对对应的第二向量组,再然后,根据这些向量组分别确定相应的相似度分布曲线,得到第一类同人相似度分布曲线、第一类非同人相似度分布曲线、第二类同人相似度分布曲线和二类非同人相似度分布曲线,并对这些相似度分布曲线进行收敛,以对人脸识别模型进行调整,比如,具体可以计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离,计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离,计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度,根据该第一距离、第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整,等等。
可选的,除了可以将第一距离、第二距离和重叠度均作为考量因素之外,也可以只考量第一距离和第二距离,或者,只考量第二距离和重叠度,等等,详见前面的实施例,在此不作赘述。
以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
由上可知,本实施例的网络设备可以获取用于训练人脸识别模型的原样本集,以及用于调整模型的调整样本集,比如少数人群样本集,并据此分别对该人脸识别模型进行训练,进而确定原样本集的相似度分布曲线和调整样本集的相似度分布曲线,然后,通过对原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,来对该人脸识别模型进行调整,以提升该人脸识别模型对“调整样本”同类型的人群的识别精度;由于该方案无需重新训练人脸识别模型,而仅仅只需增加少量的调整样本来对人脸识别模型进行微调,因此,可以在不增加人脸识别***架构复杂度、以及不影响原有人群如多数人群人脸识别精度的前提下,方便快捷地提高某一特定人群如少数人群的人脸识别精度。
实施例五、
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种人脸识别模型的调整方法中的步骤。例如,该指令可以执行如下步骤:
获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集,采用该人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组,根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线,对该原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整该人脸识别模型。
例如,具体可以将该原样本集中属于同一人的预设数量的样本进行两两组合,以建立第一类正样本对;将该原样本集中不属于同一人的预设数量的样本进行两两组合,以建立第一类负样本对;将该调整样本集中属于同一人的预设数量的样本进行两两组合,以建立第二类正样本对;将该调整样本集中不属于同一人的预设数量的样本进行两两组合,以建立第二类负样本对;然后,将这四种类型的样本对分别输入人脸识别模型中进行计算,得到第一类正样本对对应的第一向量组、第一类负样本对对应的第一向量组、第二类正样本对对应的第二向量组和第二类负样本对对应的第二向量组,再然后,根据这些向量组分别确定相应的相似度分布曲线,得到第一类同人相似度分布曲线、第一类非同人相似度分布曲线、第二类同人相似度分布曲线和二类非同人相似度分布曲线,并对这些相似度分布曲线进行收敛,以对人脸识别模型进行调整,比如,具体可以计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离,计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离,计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度,根据该第一距离、第二距离和重叠度作为调整信息,并根据该调整信息对该人脸识别模型中的参数进行调整,等等。
可选的,除了可以将第一距离、第二距离和重叠度均作为考量因素之外,也可以只考量第一距离和第二距离,或者,只考量第二距离和重叠度,等等,详见前面的实施例,在此不作赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的任一种人脸识别模型的调整方法中的步骤,因此,可以实现本发明实施例所提供的任一种人脸识别模型的调整方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种人脸识别模型的调整方法、装置和存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种人脸识别模型的调整方法,其特征在于,包括:
获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集;
采用所述人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组;
根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线;
对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型。
2.根据权利要求1所述的方法,其特征在于,所述采用所述人脸识别模型分别对原样本集和调整样本集中的样本进行计算,得到第一向量组和第二向量组,包括:
对原样本集中的人群样本进行两两组合,得到第一类样本对;
对调整样本集中的人群样本进行两两组合,得到第二类样本对;
采用所述人脸识别模型分别对第一类样本对和第二类样本对进行计算,得到第一向量组和第二向量组。
3.根据权利要求2所述的方法,其特征在于,所述对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型,包括:
计算原样本集的相似度分布曲线和调整样本集的相似度分布曲线之间的距离;
将所述距离作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
4.根据权利要求2所述的方法,其特征在于,所述第一类样本对包括第一类正样本对和第一类负样本对,所述第二类样本对包括第二类正样本对和第二类负样本对;
所述对原样本集中的样本进行两两组合,得到第一类样本对,包括:将所述原样本集中属于同一人的预设数量的样本进行两两组合,以建立第一类正样本对;将所述原样本集中不属于同一人的预设数量的样本进行两两组合,以建立第一类负样本对;
所述对调整样本集中的样本进行两两组合,得到第二类样本对,包括:将所述调整样本集中属于同一人的预设数量的样本进行两两组合,以建立第二类正样本对;将所述调整样本集中不属于同一人的预设数量的样本进行两两组合,以建立第二类负样本对。
5.根据权利要求4所述的方法,其特征在于,所述采用所述人脸识别模型分别对第一类样本对和第二类样本对进行计算,得到第一向量组和第二向量组,包括:
采用所述人脸识别模型分别对第一类正样本对进行计算,得到第一类正样本对对应的第一向量组;
采用所述人脸识别模型分别对第一类负样本对进行计算,得到第一类负样本对对应的第一向量组;
采用所述人脸识别模型分别对第二类正样本对进行计算,得到第二类正样本对对应的第二向量组;
采用所述人脸识别模型分别对第二类负样本对进行计算,得到第二类负样本对对应的第二向量组。
6.根据权利要求5所述的方法,其特征在于,所述根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线,包括:
根据第一类正样本对对应的第一向量组确定原样本集中属于同一人的样本的相似度分布曲线,得到第一类同人相似度分布曲线;
根据第一类负样本对对应的第一向量组确定原样本集中不属于同一人的样本的相似度分布曲线,得到第一类非同人相似度分布曲线;
根据第二类正样本对对应的第二向量组确定调整样本集中属于同一人的样本的相似度分布曲线,得到第二类同人相似度分布曲线;
根据第二类负样本对对应的第二向量组确定调整样本集中不属于同一人的样本的相似度分布曲线,得到第二类非同人相似度分布曲线。
7.根据权利要求6所述的方法,其特征在于,所述对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型,包括:
计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;
计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;
计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;
根据所述第一距离、第二距离和重叠度作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
8.根据权利要求6所述的方法,其特征在于,所述对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型,包括:
计算第一类同人相似度分布曲线和第二类同人相似度分布曲线之间的距离,得到第一距离;
计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;
根据所述第一距离和第二距离作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
9.根据权利要求6所述的方法,其特征在于,所述对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型,包括:
计算第一类非同人相似度分布曲线和第二类非同人相似度分布曲线之间的距离,得到第二距离;
计算第二类同人相似度分布曲线和第二类非同人相似度分布曲线之间的重叠度;
根据所述第二距离和重叠度作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
10.根据权利要求3、7、8或9所述的方法,其特征在于,所述根据所述调整信息对所述人脸识别模型中的参数进行调整,包括:
获取所述人脸识别模型的训练目标函数;
将所述调整信息添加至所述训练目标函数中,以更新所述训练目标函数;
根据更新后训练目标函数计算所述人脸识别模型中参数的梯度;
基于所述梯度对所述人脸识别模型中的参数信息调整,并返回执行采用所述人脸识别模型分别对第一类样本对和第二类样本对进行计算的步骤,直至更新后训练目标函数的变化小于设定值。
11.一种人脸识别模型的调整装置,其特征在于,包括:
获取单元,用于获取用于训练预设人脸识别模型的原样本集,以及用于调整模型的调整样本集;
计算单元,用于采用所述人脸识别模型分别对原样本集和调整样本集中的人群样本进行计算,得到第一向量组和第二向量组;
确定单元,用于根据第一向量组确定原样本集的相似度分布曲线,以及根据第二向量组确定调整样本集的相似度分布曲线;
调整单元,用于对所述原样本集的相似度分布曲线和调整样本集的相似度分布曲线进行收敛,以调整所述人脸识别模型。
12.根据权利要求11所述的装置,其特征在于,
所述计算单元,具体用于对原样本集中的人群样本进行两两组合,得到第一类样本对;对调整样本集中的人群样本进行两两组合,得到第二类样本对;采用所述人脸识别模型分别对第一类样本对和第二类样本对进行计算,得到第一向量组和第二向量组。
13.根据权利要求12所述的装置,其特征在于,
所述调整单元,具体用于计算原样本集的相似度分布曲线和调整样本集的相似度分布曲线之间的距离,将所述距离作为调整信息,并根据所述调整信息对所述人脸识别模型中的参数进行调整。
14.根据权利要求13所述的装置,其特征在于,所述调整单元,具体用于:
获取所述人脸识别模型的训练目标函数;
将所述调整信息添加至所述训练目标函数中,以更新所述训练目标函数;
根据更新后训练目标函数计算所述人脸识别模型中参数的梯度;
基于所述梯度对所述人脸识别模型中的参数信息调整,并返回执行采用所述人脸识别模型分别对第一类样本对和第二类样本对进行计算的步骤,直至更新后训练目标函数的变化小于设定值。
15.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至10任一项所述的人脸识别模型的调整方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810517987.2A CN108805048B (zh) | 2018-05-25 | 2018-05-25 | 一种人脸识别模型的调整方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810517987.2A CN108805048B (zh) | 2018-05-25 | 2018-05-25 | 一种人脸识别模型的调整方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805048A true CN108805048A (zh) | 2018-11-13 |
CN108805048B CN108805048B (zh) | 2020-01-31 |
Family
ID=64089166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810517987.2A Active CN108805048B (zh) | 2018-05-25 | 2018-05-25 | 一种人脸识别模型的调整方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805048B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918992A (zh) * | 2019-01-09 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种基于人脸考勤场景的模型评估方法、装置和计算机设备 |
CN110163265A (zh) * | 2019-04-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及计算机设备 |
CN110162596A (zh) * | 2019-04-01 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 自然语言处理的训练方法、装置、自动问答方法和装置 |
CN111273953A (zh) * | 2018-11-19 | 2020-06-12 | Oppo广东移动通信有限公司 | 模型处理方法、装置、终端及存储介质 |
WO2020147408A1 (zh) * | 2019-01-16 | 2020-07-23 | 平安科技(深圳)有限公司 | 一种人脸识别模型的评价方法、装置、存储介质及计算机设备 |
CN111476222A (zh) * | 2020-06-11 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
CN111783752A (zh) * | 2020-08-21 | 2020-10-16 | 北京市商汤科技开发有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
CN111898495A (zh) * | 2020-07-16 | 2020-11-06 | 云从科技集团股份有限公司 | 一种动态阈值管理方法、***、设备及介质 |
WO2020238534A1 (zh) * | 2019-05-24 | 2020-12-03 | 深圳壹账通智能科技有限公司 | 数据凭证授权方法、装置、计算机设备和存储介质 |
CN112364999A (zh) * | 2020-10-19 | 2021-02-12 | 深圳市超算科技开发有限公司 | 冷水机调节模型的训练方法、装置及电子设备 |
CN112508130A (zh) * | 2020-12-25 | 2021-03-16 | 商汤集团有限公司 | 聚类方法及装置、电子设备和存储介质 |
CN112801054A (zh) * | 2021-04-01 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 人脸识别模型的处理方法、人脸识别方法及装置 |
CN112819173A (zh) * | 2019-11-18 | 2021-05-18 | 上海光启智城网络科技有限公司 | 一种样本生成方法和装置、计算机可读存储介质 |
CN113269177A (zh) * | 2021-07-21 | 2021-08-17 | 广州乐盈信息科技股份有限公司 | 一种基于监控设备的目标捕捉*** |
WO2022100337A1 (zh) * | 2020-11-11 | 2022-05-19 | 腾讯科技(深圳)有限公司 | 人脸图像质量评估方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080192991A1 (en) * | 2005-03-18 | 2008-08-14 | Koninklijke Philips Electronics, N.V. | Magnetic Resonance Imaging at Several Rf Frequencies |
CN103927529A (zh) * | 2014-05-05 | 2014-07-16 | 苏州大学 | 一种最终分类器的获得方法及应用方法、*** |
CN105426857A (zh) * | 2015-11-25 | 2016-03-23 | 小米科技有限责任公司 | 人脸识别模型训练方法和装置 |
CN105589806A (zh) * | 2015-12-17 | 2016-05-18 | 北京航空航天大学 | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 |
CN107871100A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 人脸模型的训练方法和装置、人脸认证方法和装置 |
CN107967461A (zh) * | 2017-12-08 | 2018-04-27 | 深圳云天励飞技术有限公司 | Svm 差分模型训练及人脸验证方法、装置、终端及存储介质 |
-
2018
- 2018-05-25 CN CN201810517987.2A patent/CN108805048B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080192991A1 (en) * | 2005-03-18 | 2008-08-14 | Koninklijke Philips Electronics, N.V. | Magnetic Resonance Imaging at Several Rf Frequencies |
CN103927529A (zh) * | 2014-05-05 | 2014-07-16 | 苏州大学 | 一种最终分类器的获得方法及应用方法、*** |
CN105426857A (zh) * | 2015-11-25 | 2016-03-23 | 小米科技有限责任公司 | 人脸识别模型训练方法和装置 |
CN105589806A (zh) * | 2015-12-17 | 2016-05-18 | 北京航空航天大学 | 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法 |
CN107871100A (zh) * | 2016-09-23 | 2018-04-03 | 北京眼神科技有限公司 | 人脸模型的训练方法和装置、人脸认证方法和装置 |
CN107967461A (zh) * | 2017-12-08 | 2018-04-27 | 深圳云天励飞技术有限公司 | Svm 差分模型训练及人脸验证方法、装置、终端及存储介质 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273953A (zh) * | 2018-11-19 | 2020-06-12 | Oppo广东移动通信有限公司 | 模型处理方法、装置、终端及存储介质 |
CN111273953B (zh) * | 2018-11-19 | 2021-07-16 | Oppo广东移动通信有限公司 | 模型处理方法、装置、终端及存储介质 |
CN109918992A (zh) * | 2019-01-09 | 2019-06-21 | 平安科技(深圳)有限公司 | 一种基于人脸考勤场景的模型评估方法、装置和计算机设备 |
CN109918992B (zh) * | 2019-01-09 | 2023-11-03 | 平安科技(深圳)有限公司 | 一种基于人脸考勤场景的模型评估方法、装置和计算机设备 |
WO2020147408A1 (zh) * | 2019-01-16 | 2020-07-23 | 平安科技(深圳)有限公司 | 一种人脸识别模型的评价方法、装置、存储介质及计算机设备 |
CN110162596A (zh) * | 2019-04-01 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 自然语言处理的训练方法、装置、自动问答方法和装置 |
CN110162596B (zh) * | 2019-04-01 | 2023-07-14 | 腾讯科技(深圳)有限公司 | 自然语言处理的训练方法、装置、自动问答方法和装置 |
CN110163265A (zh) * | 2019-04-30 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置及计算机设备 |
WO2020238534A1 (zh) * | 2019-05-24 | 2020-12-03 | 深圳壹账通智能科技有限公司 | 数据凭证授权方法、装置、计算机设备和存储介质 |
CN112819173A (zh) * | 2019-11-18 | 2021-05-18 | 上海光启智城网络科技有限公司 | 一种样本生成方法和装置、计算机可读存储介质 |
CN111476222A (zh) * | 2020-06-11 | 2020-07-31 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
CN111898495A (zh) * | 2020-07-16 | 2020-11-06 | 云从科技集团股份有限公司 | 一种动态阈值管理方法、***、设备及介质 |
CN111783752A (zh) * | 2020-08-21 | 2020-10-16 | 北京市商汤科技开发有限公司 | 人脸识别方法及装置、电子设备和存储介质 |
CN112364999A (zh) * | 2020-10-19 | 2021-02-12 | 深圳市超算科技开发有限公司 | 冷水机调节模型的训练方法、装置及电子设备 |
CN112364999B (zh) * | 2020-10-19 | 2021-11-19 | 深圳市超算科技开发有限公司 | 冷水机调节模型的训练方法、装置及电子设备 |
WO2022100337A1 (zh) * | 2020-11-11 | 2022-05-19 | 腾讯科技(深圳)有限公司 | 人脸图像质量评估方法、装置、计算机设备及存储介质 |
CN112508130A (zh) * | 2020-12-25 | 2021-03-16 | 商汤集团有限公司 | 聚类方法及装置、电子设备和存储介质 |
CN112801054B (zh) * | 2021-04-01 | 2021-06-22 | 腾讯科技(深圳)有限公司 | 人脸识别模型的处理方法、人脸识别方法及装置 |
CN112801054A (zh) * | 2021-04-01 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 人脸识别模型的处理方法、人脸识别方法及装置 |
CN113269177B (zh) * | 2021-07-21 | 2021-09-14 | 广州乐盈信息科技股份有限公司 | 一种基于监控设备的目标捕捉*** |
CN113269177A (zh) * | 2021-07-21 | 2021-08-17 | 广州乐盈信息科技股份有限公司 | 一种基于监控设备的目标捕捉*** |
Also Published As
Publication number | Publication date |
---|---|
CN108805048B (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805048A (zh) | 一种人脸识别模型的调整方法、装置和存储介质 | |
CN112131978B (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
CN106295567B (zh) | 一种关键点的定位方法及终端 | |
WO2019120115A1 (zh) | 人脸识别的方法、装置及计算机装置 | |
CN104239858B (zh) | 一种人脸特征验证的方法和装置 | |
CN111259772B (zh) | 图像标注方法、装置、设备和介质 | |
CN108596277A (zh) | 一种车辆身份识别方法、装置和存储介质 | |
CN108875768A (zh) | 数据标注方法、装置和***及存储介质 | |
WO2019000777A1 (zh) | 基于互联网的人脸美化*** | |
CN112221159B (zh) | 一种虚拟道具推荐方法、装置及计算机可读存储介质 | |
CN112232258B (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
CN110245550A (zh) | 一种基于总体余弦分布的人脸噪音数据集cnn训练方法 | |
CN103262118A (zh) | 属性值估计装置、属性值估计方法、程序和记录介质 | |
CN111159404B (zh) | 文本的分类方法及装置 | |
CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
CN109063584A (zh) | 基于级联回归的面部特征点定位方法、装置、设备及介质 | |
CN111401219B (zh) | 一种手掌关键点检测方法和装置 | |
CN110598019A (zh) | 重复图像识别方法及装置 | |
CN110175519A (zh) | 一种变电站的分合标识仪表识别方法、装置与存储介质 | |
CN112052771A (zh) | 一种对象重识别方法及装置 | |
CN114677730A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN117115595B (zh) | 姿态估计模型的训练方法、装置、电子设备及存储介质 | |
CN112084876B (zh) | 一种目标对象追踪方法、***、装置及介质 | |
CN110163049B (zh) | 一种人脸属性预测方法、装置及存储介质 | |
TWI667054B (zh) | 飛行器飛行控制方法、裝置、飛行器及系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230713 Address after: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee after: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. Patentee after: TENCENT CLOUD COMPUTING (BEIJING) Co.,Ltd. Address before: 518057 Tencent Building, No. 1 High-tech Zone, Nanshan District, Shenzhen City, Guangdong Province, 35 floors Patentee before: TENCENT TECHNOLOGY (SHENZHEN) Co.,Ltd. |