CN110598578A - 身份识别方法、身份识别***的训练方法、装置及设备 - Google Patents
身份识别方法、身份识别***的训练方法、装置及设备 Download PDFInfo
- Publication number
- CN110598578A CN110598578A CN201910782997.3A CN201910782997A CN110598578A CN 110598578 A CN110598578 A CN 110598578A CN 201910782997 A CN201910782997 A CN 201910782997A CN 110598578 A CN110598578 A CN 110598578A
- Authority
- CN
- China
- Prior art keywords
- domain
- difference
- label
- category
- field
- 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
- 238000012549 training Methods 0.000 title claims abstract description 243
- 238000000034 method Methods 0.000 title claims abstract description 124
- 230000008030 elimination Effects 0.000 claims abstract description 118
- 238000003379 elimination reaction Methods 0.000 claims abstract description 118
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 6
- 239000013256 coordination polymer Substances 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 239000000126 substance Substances 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000013526 transfer learning Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 239000011521 glass Substances 0.000 description 5
- 230000005484 gravity Effects 0.000 description 5
- 210000004209 hair Anatomy 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- IAZDPXIOMUYVGZ-UHFFFAOYSA-N Dimethylsulphoxide Chemical compound CS(C)=O IAZDPXIOMUYVGZ-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- 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
- G06V40/168—Feature extraction; Face representation
-
- 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
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种身份识别方法、身份识别***的训练方法、装置及设备,应用于身份识别***中,身份识别***包括领域差异消除模型和身份识别模型,方法包括:获取用户帐号的原始特征、领域差异类别标签和每种领域差异类别的领域标签;调用领域差异消除模型根据领域差异类别标签和领域标签将原始特征映射至共同特征空间,得到原始特征的无偏特征表示;共同特征空间是不同领域的领域差异特征被映射为同一分布且无显著差异的空间;调用身份识别模型对原始特征的无偏特征表示进行身份识别,得到用户帐号的身份标签。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种身份识别方法、身份识别***的 训练方法、装置及设备。
背景技术
身份识别技术是指通过计算机***中的一定手段,对用户身份进行确认的 技术。常见的身份识别技术包括:人脸识别、指纹识别、终端姿态识别等等。
以人脸识别为例,服务器中设置有神经网络模型。当采集到待验证用户的 人脸图像后,调用神经网络模型对人脸图像进行验证;当验证成功时,确定出 待验证用户的身份;当验证失败时,反馈错误通知。其中,神经网络模型是预 先通过训练集训练得到的。
但上述神经网络模型可能会误学习出有偏预测,身份识别在某些场景下的 准确率较差。比如,当用户开始蓄胡子、戴眼镜或因季节改变穿衣时,该神经 网络模型的身份识别就可能失败。
发明内容
本申请实施例提供了一种身份识别方法、对抗生成网络的训练方法、装置 及设备,可以解决相关技术中的神经网络模型可能会误学习出有偏预测,身份 识别在某些场景下的准确率较差的问题。所述技术方案如下:
根据本申请的一个方面,提供了一种身份识别方法,应用于身份识别*** 中,所述身份识别***包括领域差异消除模型和身份识别模型,所述方法包括:
获取用户帐号的原始特征、领域差异类别标签和每种领域差异类别的领域 标签,每个所述领域标签用于指示所述原始特征在一个领域差异类别中存在的 领域差异所对应的领域;
调用所述领域差异消除模型根据所述领域差异类别标签和所述领域标签将 所述原始特征映射至共同特征空间,得到所述原始特征的无偏特征表示;所述 共同特征空间是不同领域的领域差异特征被映射为同一分布且无显著差异的空 间;
调用所述身份识别模型对所述原始特征的无偏特征表示进行身份识别,得 到所述用户帐号的身份标签。
根据本申请的一个方面,提供了一种身份识别***的训练方法,所述身份 识别***包括:领域差异消除模型和身份识别模型,所述方法包括:
获取至少一组训练样本,每组所述训练样本包括:样本输入特征、领域差 异类别标签、每种领域差异类别的领域标签和身份标签;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签和所述身 份标签对所述身份识别***进行身份识别任务的训练;所述身份识别任务是训 练得到具有身份识别能力的所述身份识别模型的任务;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领 域差异消除模型进行消除领域差异任务的训练,所述消除领域差异任务是训练 得到具有消除领域差异能力的所述领域差异消除模型的任务;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领 域差异消除模型进行消除领域差异类别任务的训练,所述消除领域差异类别任 务是训练得到具有消除领域差异类别能力的所述领域差异消除模型的任务。
根据本申请的一个方面,提供了一种身份识别装置,所述装置包括领域差 异消除模型和身份识别模型,所述装置包括:
获取模块,用于获取用户帐号的原始特征、领域差异类别标签和每种领域 差异类别的领域标签,每个所述领域标签用于指示所述原始特征在一个领域差 异类别中存在的领域差异所对应的领域;
调用模块,用于调用所述领域差异消除模型根据所述领域差异类别标签和 所述领域标签将所述原始特征映射至共同特征空间,得到所述原始特征的无偏 特征表示;所述共同特征空间是不同领域的领域差异特征被映射为同一分布且 无显著差异的空间;
识别模块,用于调用所述身份识别模型对所述原始特征的无偏特征表示进 行身份识别,得到所述用户帐号的身份标签。
根据本申请的一个方面,提供了一种身份识别***的训练装置,所述身份 识别***包括:领域差异消除模型和身份识别模型,所述装置包括:
获取模块,用于获取至少一组训练样本,每组所述训练样本包括:样本输 入特征、领域差异类别标签、每种领域差异类别的领域标签和身份标签;
所述训练模块,用于根据所述样本输入特征、所述领域差异类别标签、所 述领域标签和所述身份标签对所述身份识别***进行身份识别任务的训练;所 述身份识别任务是训练得到具有身份识别能力的所述身份识别模型的任务;
所述训练模块,用于根据所述样本输入特征、所述领域差异类别标签、所 述领域标签对所述领域差异消除模型进行消除领域差异任务的训练,所述消除 领域差异任务是训练得到具有消除领域差异能力的所述领域差异消除模型的任 务;
所述训练模块,用于根据所述样本输入特征、所述领域差异类别标签、所 述领域标签对所述领域差异消除模型进行消除领域差异类别任务的训练,所述 消除领域差异类别任务是训练得到具有消除领域差异类别能力的所述领域差异 消除模型的任务。
根据本申请的另一方面,提供了一种计算机设备,所述计算机设备包括: 处理器和存储器,所述存储器存储有至少一条指令、至少一段程序、代码集或 指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述 处理器加载并执行以实现如上所述的身份识别方法、身份识别***的训练方法 中的任一方法。
根据本申请的另一方面,提供了一种计算机可读存储介质,所述计算机可 读存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少 一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行 以实现如上所述的身份识别方法、身份识别***的训练方法中的任一方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
通过提供领域差异消除模型和身份识别模型,在通过低成本的方式获得已 知的领域标签的前提下,能够通过领域差异消除模型中与已知的领域标签对应 的领域转接网络对原始特征中的领域差异进行消除,从而得到原始特征的无偏 特征表示,利用原始特征的无偏特征表示进行身份识别时不会受到领域差异的 干扰,因此能够获得较为准确的身份识别结果。
附图说明
为了更清楚地说明本申请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申请 的一些实施例,对于本领域普通技术人员来讲,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1是本申请一个示意性实施例提供的计算机***的框图;
图2是本申请一个示意性实施例提供的身份识别***的框图;
图3是本申请一个示意性实施例提供的身份识别方法的流程图;
图4是本申请一个示意性实施例提供的身份识别方法的流程图;
图5是本申请一个示意性实施例提供的身份识别***的训练方法的流程图;
图6是本申请一个示意性实施例提供的身份识别***的训练方法的流程图;
图7是本申请一个示意性实施例提供的身份识别***在新增领域时的模型 结构图;
图8是本申请一个示意性实施例提供的身份识别***的训练方法的流程图;
图9是本申请一个示意性实施例提供的身份识别***在新增领域时的模型 结构图;
图10是本申请一个示意性实施例提供的身份识别***的训练方法的流程图;
图11是本申请一个示意性实施例提供的身份识别方法在实施时的界面示意 图;
图12是本申请一个示意性实施例提供的身份识别装置的框图;
图13是本申请一个示意性实施例提供的身份识别***的训练装置的框图;
图14是本申请一个示意性实施例提供的计算机设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请 实施方式作进一步地详细描述。
1.若干个名词简介:
身份识别技术:是指通过计算机手段,对用户身份进行确认的技术。常见 的身份识别技术包括:人脸识别、指纹识别、声纹识别、虹膜识别、终端姿态 识别、行人重识别中的至少一种。行人重识别是指在视频监控中,重复识别指 定的某个行人的技术。
身份识别模型:是指用于进行身份识别的神经网络模型。
人脸识别:是指通过人脸图像上的特征点,对用户身份进行确认的技术。 人脸图像上的特征点包括但不限于:眉毛特征点、眼睛特征点、嘴巴特征点、 鼻子特征点、耳朵特征点、脸颊特征点中的至少一种。
终端姿态识别:是指用户使用终端(比如手机)时,根据终端内部的传感 器所采集到的用户操作在物理维度上的操作特征,比如按压力度、按压频率、 按压位置、机身震动频率、机身震动周期、机身位移大小等,对用户身份进行 确认的技术。
领域(简称域)差异:对一个训练集中样本子集产生整体性分布偏差的因 素,比如对于人脸识别,不同用户的发色黑、黄和白可视为一种领域差异;不 同用户是否戴有眼镜,也可视为一种领域差异;不同用户是否蓄有胡子,也视 为一种领域差异。每种领域差异包括至少两种领域。
领域差异类别:属于相同维度的领域差异的总称。比如,不同用户的发色 黑、黄和白属于同一种领域差异类别A(发色);不同用户是否戴有眼镜属于同 一种领域差异类别B(眼镜);不同用户是否蓄有胡子属于一种领域差异类别C (胡子)。
迁移学习:当数据中有域的差别时,构建学习***来处理域的差异。
负迁移:迁移学习中的概念,描述由于在训练集上采取了某种迁移学习方 法,导致在测试集上正确率下降的现象。
对抗生成网络(Generative Adversarial Network,GAN):是近几年被广泛研究的一种生成模型,具备捕捉真实数据分布的能力。
生成器(Generator):是GAN中重要的组成部分,负责生成足够真实的数 据。
判别器(Discriminator):是GAN中与生成器相互博弈的部分,负责判断生 成器生成的数据是否接近真实数据。
2.符号与定义
本小节定义下文要用到的一些符号。
[k]:表示下标集合{1,2,…,k}
w:样本数量
n:领域差异类别数量
kj:第j种领域差异类别下的领域数量,j∈[n]
d:特征维数
Y∈Rw:输出/身份标签矩阵,包含w个独立的样本yi,i∈[w]
ky:身份数量
X∈Rw×d:输入/特征矩阵,包含w个独立的样本xi,i∈[w]。
图1示出了本申请一个示例性实施例提供的身份识别***的框图。该身份 识别***包括:终端120、网络140和服务器160。
终端120可以是手机、平板电脑、台式电脑、笔记本电脑、监控摄像头等 设备。终端120是存在身份识别需求(或身份验证需求)的终端,终端120用 于采集身份识别所需的原始特征,原始特征包括:人脸数据、终端传感器数据、 虹膜数据、指纹数据、声纹数据中的至少一种。终端传感器数据包括:重力加 速度传感器和/或陀螺仪传感器在用户操作终端(比如:在终端的屏幕上点击或 滑动)过程中采集的数据。在一些实施例中,终端120上可以登录有用户帐号, 也即终端120可以是私人设备;在另一些实施例中,终端120是具有监控性质 的监控设备。可选地,终端120上运行有存在身份识别需求的应用程序。
终端120可以通过网络140与服务器160相连。网络140可以是有线网络 或无线网络。终端120可以将认证数据传输给服务器160,由服务器160完成身 份识别后,将身份识别结果回传给终端120。
服务器160是用于进行身份识别的后台服务器。服务器160中设置有用于 身份识别的神经网络模型(下文简称:身份识别模型)。该身份识别模型能够基 于原始特征的无偏特征表示进行身份识别。
本申请提出了一个身份识别的无偏特征表示的学习框架。身份识别作为主 学习任务,消除领域差异作为辅助学习任务。本申请考虑当不同的领域差异让 数据中产生多个子分布时,如何消除领域差异,最终实现无偏的身份识别。由 于相关技术中的方案通常假设在预测阶段中领域差异类别是未知的,而在实际 应用中,很多领域差异的类别信息常常是可以低成本获得的。
在这种已知更多信息(已知待识别的原始特征中的领域差异的类别)的情 况下,本申请通过给每种领域差异建模一个领域转接模型,给出更精确的领域 差异消除模型(也称级联残差网络)。同时,本申请可以实现最少的额外训练成 本。也即,当新增加一个领域时,本申请可以不需要训练旧领域对应的模型, 只需要训练新领域对应的模型。而且,当新增加一整个领域差异类别(包含多 个领域),本申请也只需要训练新的领域差异类别对应的模型。当存在多个领域 差异(或领域差异类别)时,本申请通过级联的方法解决领域的组合***的问 题。同时,本申请通过残差连接和迁移学习,使得新增模型的输出和旧模型的输出同分布,使得新模型的前后模型都不需要进行额外训练。
表1 本申请问题假设的范例
用户群1 | 用户群2 | 用户群3 | |
领域1 | 训练 | 测试 | 测试 |
领域2 | 测试 | 测试 | 训练 |
领域3 | 测试 | 训练 | 测试 |
为了更好地理解本申请的问题,本申请展示了一个简单的例子,其中只有 一种类型的领域差异,见表1。在训练阶段,对于每个类别组,本申请只有它们 一个领域上的数据。换言之,不同的领域不会共享领域差异类别(可简称“类 别”)。在测试阶段,本申请需要识别的数据对应于训练阶段没有见过的<类别, 领域>的组合。
除了上述基本的领域差异消除的问题,本方案还考虑新增领域的问题。如 表2所示,当领域1~3已经训练好模型之后,新增了领域4的数据。此时要求 不训练旧模型,仅训练领域4对应的模型。
表2 新增领域的情形
本申请还考虑新增整个领域差异类别的情形。如表3所示,当领域差异类 别1对应的模型已经训练好之后,新增了领域差异类别2。此时已然要求不训练 旧模型,仅训练新增的领域差异类别2对应的模型。
表3 新增整个领域差异类别的情形
图2示出了本申请提出了一个示例性实施例提供的身份识别***200的结 构框图。该身份识别***200包括领域差异消除模型220和身份识别模型240。
领域差异消除模型220包括:级联的输入网络P、n个领域差异类别的领域 转接网络集合和输出网络T;每个领域转接网络集合包括属于同一领域差异类别 且并列排布的至少两个领域转接网络,n为正整数。
每个领域转接网络对应一个领域。每个领域转接网络,用于将输入的特征 表示映射至共同特征空间后,消除相应领域所对应的领域差异。
图2中以三个领域差异类别1、2和3来举例,每个领域差异类别下包括至 少两个领域差异,但对领域差异类别的数量不加以限定。
对于领域差异类别1的领域转接网络集合,包括:领域转接网络G11、领 域转接网络G12和领域转接网络G13。以领域差异类别1为发色为例,领域转 接网络G11与红发色对应;领域转接网络G11与黑发色对应;领域转接网络G11 与黄发色对应。
对于领域差异类别2的领域转接网络集合,包括:领域转接网络G21、领 域转接网络G22和领域转接网络G23。以领域差异类别2为机型型号为例,领 域转接网络G11与机型1对应;领域转接网络G11与机型2对应;领域转接网 络G11与机型3对应。
对于领域差异类别3的领域转接网络集合,包括:领域转接网络G31、领 域转接网络G32和领域转接网络G33。以领域差异类别3为操作***类型为例, 领域转接网络G11与安卓操作***对应;领域转接网络G11与苹果操作***对 应;领域转接网络G11与微软操作***对应。
在一个示例中,n个领域差异类别中的第j个领域差异类别的领域转接网络 集合的输入端与第j+1个领域差异类别的领域转接网络集合的输入端之间存在 残差连接,0<j<j+1≤n。该残差连接用于将第i个领域差异类别的领域转接网 络集合的输入端的输入数据,跨越输入至第j+1个领域差异类别的领域转接网络 集合的输入端中。
图3示出了本申请一个示例性实施例提供的身份识别方法的流程图。应用 于如图2所示的身份识别***中,所述方法包括:
步骤301,获取用户帐号的原始特征、领域差异类别标签和每种领域差异类 别的领域标签,每个领域标签用于指示原始特征在一个领域差异类别中存在的 领域差异所对应的领域;
用户帐号的原始特征是用于表示用户身份所采集的特征。原始特征包括但 不限于:人脸图像、指纹信息、虹膜信息、终端中的传感器(重力加速度传感 器、三轴加速度传感器)所采集的传感器数据中的至少一种。
领域差异类别标签是用于表示原始特征中所存在的领域差异所属类别的标 签。每种领域差异类别的领域标签是指原始特征在当前领域差异所属类别下所 存在的领域差异所对应的领域。
在一个示例中,用户帐号的原始特征包括:人脸图像、终端的机型型号、 终端的操作***。领域差异类别标签和相应的领域标签包括:<发色,红头发>、 <机型,机型2>、<操作***,苹果操作***>。
在一个示例中,将用户帐号的原始特征输入n个领域差异类别对应的领域 差异判别器中,得到每种领域差异类别的领域标签;其中,第i个领域差异判别 器用于识别原始特征在第i种领域差异类别中的领域差异所对应的领域,0<i≤ n。
步骤302,调用领域差异消除模型根据领域差异类别标签和领域标签将原始 特征映射至共同特征空间,得到原始特征的无偏特征表示;
其中,共同特征空间是不同领域的领域差异特征被映射为同一分布且无显 著差异的空间。
领域差异消除模型中存在多个领域转接网络。根据领域标签调用相应的领 域转接网络,能够将原始特征映射至共同特征空间,从而得到原始特征的无偏 特征表示。无偏特征表示是对原始特征中的领域差异进行消除(或削弱)后的 特征表示。
结合图2可知,领域差异消除模型220包括:级联的输入网络P、n个领域 差异类别的领域转接网络集合(1至3)和输出网络T;每个领域转接网络集合 (1至3)包括属于同一领域差异类别且并列排布的至少两个领域转接网络。在 基于图3所示的实施例中,上述步骤302可替代实现成为如下步骤:
步骤302a,调用输入网络将原始特征转换为第0级特征表示f0;
步骤302b,根据第j个领域差异类别标签Cj,调用第j个领域转接网络集合 中与第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级 特征表示映射至共同特征空间,得到第j级特征表示,j为起始值为1的整数;
步骤302c,当j小于n时,将j加一后重复执行上一步骤;
步骤302d,当j等于n时,调用输出网络将第n级特征表示转换为原始特 征的无偏特征表示。
在一个示例中,领域差异类别标签和相应的领域标签是已知的数据,例如, 通过已经训练得到的其他神经网络计算得到。
在一个示例中,当领域差异类别标签和相应的领域标签包括:<发色,红头 发>、<机型,机型2>、<操作***,安卓操作***>时,结合图2所示,依次调 用领域差异消除模型中的:输入网络P、领域转接网络G11(对应红发色)、领 域转接网络G22(对应机型2)、领域转接网络G32(对应苹果操作***)、输出 网络T进行处理后,得到原始特征的无偏特征表示。
步骤303,调用身份识别模型对原始特征的无偏特征表示进行身份识别,得 到用户帐号的身份标签。
综上所述,本实施例提供的方法,通过提供领域差异消除模型和身份识别 模型,在通过低成本的方式获得已知的领域标签(以及领域差异类别标签)的 前提下,能够通过领域差异消除模型中与已知的领域标签对应的领域转接网络 对原始特征中的领域差异进行消除,从而得到原始特征的无偏特征表示,利用 原始特征的无偏特征表示进行身份识别时不会受到领域差异的干扰,因此能够 获得较为准确的身份识别结果。
需要说明的是,上述领域差异消除模型中的领域转接网络(或者说领域) 是可以增量式添加的,上述领域差异消除模型中的领域转接网络集合(或者说 领域差异类别)是可以增量式添加的。
下文介绍上述身份识别***的训练过程,该训练过程包括三种情形:
第一种,根据已知的领域差异类别、以及每个领域差异类别下的领域,对 身份识别***进行训练。
第二种,对于已知的领域差异类别下,新增了一个或多个新增的领域时, 对领域差异消除模型进行训练。
第三种,新增了一个或多个领域差异类别(每个领域差异类别包括至少两 个领域)时,对领域差异消除模型进行训练。
针对第一种训练过程:
图5示出了本申请一个示例性实施例提供的身份识别***的训练方法的流 程图。该方法可以应用于计算机设备中,该方法包括:
步骤501,获取至少一组训练样本,每组训练样本包括:样本输入特征、领 域差异类别标签、每种领域差异类别的领域标签和身份标签;
样本输入特征是用于表示样本用户身份所采集的特征。样本输入特征包括 但不限于:人脸图像、指纹信息、虹膜信息、终端中的传感器(重力加速度传 感器、陀螺仪传感器、三轴加速度传感器和六轴加速度传感器)所采集的传感 器数据中的至少一种。
领域差异类别标签是用于表示原始特征中所存在的领域差异所属类别的标 签。每种领域差异类别的领域标签是指原始特征在当前领域差异所属类别下所 存在的领域差异所对应的领域。
身份标签是用于表示用户身份的标签。
该训练样本可以为多个,比如几百个、几千个或上万个。当存在多组样本 时,可以划分出训练集和测试集。该训练样本是指属于训练集的样本。
表4:示例性的训练样本
步骤502,根据样本输入特征、领域差异类别标签、领域标签和身份标签对 身份识别***进行身份识别任务的训练;
其中,身份识别任务是训练得到具有身份识别能力的身份识别模型的任务。
在一个示例中,本步骤包括如下步骤:
1、调用输入网络将样本输入特征转换为第0级特征表示f0;
2、根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至共同特征空间,得到第j级特征表示,j为起始值为1的整数;
3、当j小于n时,将j加一后重复执行上一步骤;
4、当j等于n时,调用输出网络将第n级特征表示转换为样本输入特征的 样本特征表示;
5、根据样本特征表示和身份标签计算得到误差损失;
6、当不满足训练结束条件时,根据误差损失对输入网络、领域转接网络 Gjki、输出网络进行优化。
训练结束条件包括:误差损失小于设定值,和/或,迭代次数大于预设次数。
当满足训练结束条件时,得到具有身份识别能力的身份识别模型。
步骤503,根据样本输入特征、领域差异类别标签、领域标签对领域差异消 除模型进行消除领域差异任务的训练;
其中,消除领域差异任务是训练得到具有消除领域差异能力的领域差异消 除模型的任务。
在一个示例中,本步骤包括如下步骤:
1、调用输入网络将样本输入特征转换为第0级特征表示f0;
2、根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至共同特征空间,得到第j级特征表示,j为起始值为1的整数;
3、采用与领域转接网络Gjki的领域判别网络Djki对第j级特征表示进行识别, 得到第j级特征表示属于领域标签Ljki对应的领域的第一概率;
4、根据第一概率和第一损失函数计算得到第一误差,根据第一误差对输入 网络和领域转接网络Gjki进行优化;
当不满足训练结束条件时,重复上述过程对领域转接网络Gjki进行优化;当 满足训练结束条件时,确定对领域转接网络Gjki的训练结束。
5、当j小于n时,将j加一后重复执行上一步骤;
6、当j等于n时,结束训练。
重复上述各个步骤,直至将所有领域转接网络Gjki训练完毕。
在一个示例中,在采用与领域转接网络Gjki的领域判别网络Djki对第j级特 征表示进行识别之前,还包括:
采用样本输入特征、领域差异类别标签、每种领域差异类别的领域标签对 领域判别网络Djki进行领域判别任务的训练,领域判别任务是训练得到具有领域 标签Ljki的判别能力的判别器的任务。
步骤504,根据样本输入特征、领域差异类别标签、领域标签对领域差异消 除模型进行消除领域差异类别任务的训练。
其中,消除领域差异类别任务是训练得到具有消除领域差异类别能力的领 域差异消除模型的任务。
在一个示例中,本步骤包括如下步骤:
1、调用输入网络将样本输入特征转换为第0级特征表示f0;
2、根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至共同特征空间,得到第j级特征表示,j为起始值为1的整数;
3、采用与第j个领域差异类别标签Cj的类别判别网络Dj对第j级特征表示 进行识别,得到第j级特征表示属于领域差异类别的第二概率;
4、根据第二概率和第二损失函数计算得到第二误差,根据第二误差对输入 网络和领域转接网络Gjki进行优化;
当不满足训练结束条件时,重复上述过程对领域转接网络Gjki进行优化;当 满足训练结束条件时,确定对领域转接网络Gjki的训练结束。
5、当j小于n时,将j加一后重复执行上一步骤;
6、当j等于n时,结束训练。
在一个示例中,采用样本输入特征、领域差异类别标签、每种领域差异类 别的领域标签对类别判别网络Dj进行领域差异类型判别任务的训练,领域差异 类型判别任务是训练得到具有领域差异类别标签Cj的判别能力的判别器的任务。
综上所述,本实施例提供的方法,通过利用样本输入特征、领域差异类别 标签、领域标签来对领域差异消除模型和身份识别模型进行训练,在通过低成 本的方式获得已知的领域标签(以及领域差异类别标签)的前提下,能够通过 领域差异消除模型中与已知的领域标签对应的领域转接网络对原始特征中的领 域差异进行消除,从而学习得到原始特征的无偏特征表示。利用该训练方式训 练得到的领域差异消除模型和身份识别模型在进行身份识别时,不会受到领域 差异的干扰,因此能够获得较为准确的身份识别结果。
针对第二种训练过程(新增领域):
图6示出了本申请一个示例性实施例提供的身份识别***的训练方法的流 程图。本实施例可以由计算机设备来执行。该方法包括:
步骤505,当第P个领域差异类别中存在新增领域标签Lp*时,在第P个领 域差异类别的领域转接网络集合中,增加与新增领域标签Lp*对应的领域转接网 络Gp*;
示例性的参考图7,当第3个领域差异类别中存在新增领域标签34时,在 第3个领域差异类别的领域转接网络集合中,增加与新增领域标签34对应的领 域转接网络G34。其中,0<p≤n。
步骤506,根据样本输入特征、第P个领域差异类别标签、第P个领域差异 类别的领域标签对领域转接网络Gp*进行消除领域差异任务的训练。
在一个示例中,本步骤包括如下子步骤:
1、调用输入网络将样本输入特征转换为第0级特征表示f0;
2、根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与第j个 领域类别标签Cj的新增领域标签Lj*对应的领域转接网络Gj*将第j-1级特征表示 映射至共同特征空间,得到第j级特征表示,j为起始值为1的整数;
3、当j小于P时,将j加一后重复执行上一步骤;
4、当j等于P时,根据第P个领域差异类别标签CP,调用第P个领域差异 类别中与第P个领域类别标签CP的新增领域标签Lp*对应的领域转接网络Gp*将第P-1级特征表示映射至共同特征空间,得到第P级特征表示;
5、采用与领域转接网络GP*的领域判别网络DP*对第P级特征表示进行识别, 得到第P级特征表示属于新增领域标签Lp*对应的领域的第三概率;
6、根据第三概率和第三损失函数计算得到第三误差,根据第三误差对领域 转接网络GP*进行优化。
当不满足训练结束条件时,重复上述过程对领域转接网络GP*进行优化;当 满足训练结束条件时,确定对领域转接网络GP*的训练结束。
在一个示例中,采用与领域转接网络GP*的领域判别网络DP*对第P级特征 表示进行识别之前,还包括:
根据样本输入特征、第P个领域差异类别标签、第P个领域差异类别的领 域标签对领域判别网络DP*进行领域判别任务的训练,领域判别任务是训练得到 具有新增领域标签LP*的判别能力的判别器的任务。
综上所述,本实施例提供的方法,通过当某个已有领域差异类别中存在新 增的领域差异时,不需要训练已有的其它旧领域对应的模型,只需要训练新领 域对应的模型即可,从而减少了后续训练过程的训练工作量,实现了新增领域 时的可增量式添加的效果。
针对第三种训练过程(新增领域差异类别):
图8示出了本申请一个示例性实施例提供的身份识别***的训练方法的流 程图。该方法包括:
步骤507,当存在新增的第m个领域差异类别时,增加第m个领域差异类 别的领域转接网络集合Gmr;
示例性的参考图9,当存在新增的第4个领域差异类别时,新增第4个领域 差异类别的领域转接网络集合G4*中,在该领域转接网络集合G4*中增加与新 增领域标签41、新增领域标签42和新增领域标签43所对应的三个领域转接网 络G41至G43。
步骤508,根据样本输入特征、第m个领域差异类别标签、第m个领域差 异类别的领域标签对领域转接网络集合Gmr进行消除领域差异任务的训练,消除 领域差异任务是训练得到具有消除第m个领域差异类别领域中的领域差异的任 务;
在一个示例中,本步骤可以包括如下步骤:
1、调用输入网络将样本输入特征转换为第0级特征表示f0;
2、根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至共同特征空间,得到第j级特征表示,j为起始值为1的整数;
3、当j小于m时,将j加一后重复执行上一步骤;
4、当j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域差 异类别中与第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络Gmr将 第m-1级特征表示映射至共同特征空间,得到第m级特征表示;
5、采用与领域转接网络Gmr的领域判别网络Dmr对第m级特征表示进行识 别,得到第m级特征表示属于领域标签Lmr对应的领域的第四概率;
6、根据第四概率和第四损失函数计算得到第四误差,根据第四误差对领域 转接网络集合Gmr进行优化。
在一个示例中,采用与领域转接网络Gmr的领域判别网络Dmr对第m级特 征表示进行识别之前,还包括:
根据样本输入特征、第m个领域差异类别标签、第m个领域差异类别的领 域标签对领域判别网络Dmr进行领域判别任务的训练,领域判别任务是训练得到 具有第m个领域差异类别中的领域标签Lmr的判别能力的判别器的任务。
步骤509,根据样本输入特征、第m个领域差异类别标签、第m个领域差 异类别的领域标签对领域转接网络集合Gmr进行消除领域差异类别任务的训练, 消除领域差异类别任务是训练得到具有消除第m个领域差异类别的任务。
在一个示例中,本步骤可以包括如下步骤:
1、调用输入网络将样本输入特征转换为第0级特征表示f0;
2、根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至共同特征空间,得到第j级特征表示,j为起始值为1的整数;
3、当j小于m时,将j加一后重复执行上一步骤;
4、当j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域差 异类别中与第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络Gmr将 第m-1级特征表示映射至共同特征空间,得到第m级特征表示;
5、采用与第m个领域差异类别标签Cm的类别判别网络Dm对第m级特征 表示进行识别,得到第m级特征表示属于领域差异类别的第五概率;
6、根据第五概率和第五损失函数计算得到第五误差,根据第五误差对领域 转接网络集合Gmr进行优化。
当不满足训练结束条件时,重复上述过程对领域转接网络Gmr进行优化;当 满足训练结束条件时,确定对领域转接网络Gmr的训练结束。
在一个示例中,采用与第m个领域差异类别标签Cm的类别判别网络Dm对 第m级特征表示进行识别之前,还包括:
根据样本输入特征、第m个领域差异类别标签、第m个领域差异类别的领 域标签对类别判别网络Dm进行领域差异类别判别任务的训练,领域差异类别判 别任务是训练得到具有第m个领域差异类别的判别能力的判别器的任务。
综上所述,本实施例提供的方法,通过当某个已有领域差异类别中存在新 增的领域差异时,不需要训练已有的其它旧领域对应的模型,只需要训练新领 域对应的模型即可,从而减少了后续训练过程的训练工作量,实现了新增领域 时的可增量式添加的效果。
对于输入的一个训练样本x,首先经过一个输入网络P,转换为隐层特征f0。 固定一种领域差异(比如手机机型)j时,j∈[m],本申请给每一个领域(比如 手机型号4)r,r∈[kj],构建一个转接网络Gjr,使得包含这个领域差异的隐层特 征f0经过转接网络Gjr后,映射到同一空间里,变为隐层特征fj。不同领域(比如 手机型号1、手机型号2、手机型号3、手机型号4)在变换后的共同特征空间 里的特征不再有显著区别。最后,隐层特征fj通过输出网络T,变换为最终的特 征h来做身份识别模型的输入。
而已知领域信息的好处就在于:当有新增领域(比如手机型号5)r’时,本申 请只需要训练新增领域对应的领域转接网络Gjr′即可。训练目标是使得新增领域 的特征在经过转接网络Gjr′后与旧领域的特征在同一空间中无明显差别。如此, 旧领域的网络Gj1,…,Gj(r′-1)是不用训练的。
进一步,对于多种类型的领域差异(比如手机机型、操作模式等),本申请 采取级联式的建模来避免组合***的问题:本申请级联地给多个类型的领域差 异构建转接网络集合。如图2所示,每一竖列的转接网络对应于一种 类型的领域差异类别j。当存在新增的领域差异类别j’时,本申请只需训练新增 的领域差异类别j’对应的转接网络集合因此额外训练的网络数量最 少。
当有新增的领域差异类别j’时,本申请需要保证输出网络T是无需训练的。 换言之,在新增的领域差异类别前后,输出网络h的输入分布是不变的,即fj′-1和 fj′的整体分布没有明显差异。本申请采用了两种策略来保证这一点:第一,本申 请通过残差式的连接使得新增的领域差异类别对应的输入分布和输出分布在同 一空间:其中为样本x对应于领域差异类别j’的具 体领域序号;其次,本申请通过迁移学习方法,使得新增的领域差异类别j’对应 的输入分布和输出分布无明显差异。
一、对于已知领域的学习阶段;
具体地,本申请的学习步骤如下:
步骤811:收集已有的原始特征、身份标签、领域差异类别标签、每种类型 的领域差异的领域标签。
步骤812:搭建级联残差网络、身份识别网络、领域判别网络、领域差异判 别网络;
搭建级联残差网络是如图2所示的级联残差网络。该级联残差网络的输入 是用户的样本输入特征x,该级联残差网络的输出是h。级联残差网络包括:级 联的输入网络P、多个转接网络和输出网络T。
搭建身份识别网络。身份识别网络是用于身份识别的机器学习模型。该身 份识别网络的输入是h,该身份识别网络的输出是身份标签。
搭建每一种领域差异类别j对应的判别网络Dj,用于对抗式迁移学习,消除 领域差异。
搭建领域差异类别的判别网络Q,用于对抗式迁移学习,消除领域差异类 别整体造成的差异。
步骤813:学习身份识别任务:仅优化输入网络P,所有领域转接网络{Gjr},输 出网络T,以及身份识别网络R,使得身份识别网络R可以识别xi对应的特征 h(xi)是属于身份yi∈[ky]。求解如下的优化问题。
其中,为身份识别网络的损失函数,h(xi)为xi对应的输出特征,yi为xi对 应的身份标签。
步骤814:学习领域判别任务:仅优化所有判别网络{Dj},使得每个判别网 络Dj可以判别xi对应的特征fj(xi)是来自于领域rij∈[kj]。求解如下的优化问题。
其中,是领域差异判别的损失函数。
步骤815:消除领域差异:仅优化输入网络P,所有领域转接网络{Gjr},使 得每个判别网络Dj不可以判别xi对应的特征fj(xi)是来自于领域rij∈[kj]。求解 如下的优化问题。
其中,是对抗领域判别的损失函数,rij是领域标签rij的独热编码向量, 1是全1向量。
步骤816:学习领域差异类别(domain-difference type,DDT)判别任务:仅 优化领域差异类别判别网络Q,使得Q可以判别xi对应的特征fj(xi)是来自于领 域差异类别j∈[m]。求解如下的优化问题。
其中,是领域类型判别损失函数。
步骤817:消除领域差异类别导致的差异:仅优化输入网络P,所有转接网 络{Gjr},使得领域差异类别判别网络Q不可以判别xi对应的特征fj(xi)是来自于 领域差异类别j∈[m]。求解如下的优化问题。
其中,是对抗领域类型判别的损失函数,ej是领域标签j的独热编码 向量,1是全1向量。
步骤818,当满足迭代停止条件时,停止训练。
二、新增领域的学习
新增领域时,本申请构建和优化对应领域的转接网络,后续本申请仅需保 存该转接网络;同时,本申请临时构建和优化对应的领域判别网络。
步骤821:输入新领域对应的数据和旧领域对应的数据。
确定新增领域的领域标签j*。令kj*←kj*+1。确定新增领域的领域标签(序 号)kj*。
步骤822:构建新增领域的领域转接网络临时的领域判别网络D′j*。
步骤823:(可选)学习身份识别任务:仅优化转接网络使得身份识 别网络R可以识别xi对应的特征h(xi)是属于身份yi∈[ky]。求解如下优化问题。
其中,为身份识别的损失函数。
步骤824:学习领域差异类别的判别任务:仅优化所有判别网络D′j*,使得 判别网络D′j*可以判别xi对应的特征是来自于领域求解如下的 优化问题。
其中,勾领域差异判别的损失函数。
步骤825:消除领域差异:仅优化领域转接网络使得判别网络D′j*不 可以判别xi对应的特征是来自于领域求解如下的优化问题。
其中,为对抗领域差异判别的损失函数。
步骤826,当满足迭代停止条件时,停止训练。
三、新增领域差异类别的学习
新增整个领域差异类别时,本申请构建和优化对应的转接网络,后续本申 请仅需保存这些转接网络;同时,本申请临时构建和优化对应的领域判别网络 以及领域差异类别判别网络。
步骤831:输入旧的特征、新增的领域标签。
令m|←|m+1。确定新增的领域差异类别标签(序号)m。
步骤832:构建新增领域的转接网络{Gmr}、临时的领域判别网络Dm、临时 的领域差异类别判别网络Q′。
步骤833:(可选)学习身份识别任务:仅优化转接网络{Gmr},使得身份识 别网络R可以识别xi对应的特征h(xi)是属于身份yi∈[ky]。求解如下优化问题。
其中,为身份识别的损失函数。
步骤834:学习领域判别任务:仅优化所有判别网络Dm,使得判别网络Dm可 以判别xi对应的特征fm(xi)是来自于领域rim∈[km]。求解如下的优化问题。
其中,为领域差异识别的损失函数。
步骤835:消除领域差异:仅优化领域转接网络{Gmr},使得判别网络Dm不 可以判别xi对应的特征fm(xi)是来自于领域rim∈[km]。求解如下的优化问题。
其中,勾对抗领域判别的损失函数
步骤836:学习领域差异类别判别任务:仅优化领域差异类别判别网络Q′, 使得Q′可以判别xi对应的特征fj(xi)是来自于领域差异类别j∈[m]。求解如下的 优化问题。
其中,是领域差异类型判别损失函数。
步骤837:消除领域差异类别导致的差异:仅转接网络{Gmr},使得Q′不可 以判别xi对应的特征fj(xi)是来自于领域差异类别j∈[m]。求解如下的优化问题。
其中,是对抗领域差异类型判别的损失函数。
步骤828,当满足迭代停止条件时,停止训练。
在一个示例性的例子中,身份认证考虑学习与验证数据样本与人的身份之 间的匹配关系。近年来,身份识别技术取得了巨大进展,包括指纹验证、人脸 验证、声纹/虹膜验证、行人重识别等。然而,数据驱动的身份认证过程经常会 面临数据中的偏差,例如领域差异,即一个模型在一个领域中训练却在另一个 领域中进行验证。例如在行人重识别领域中,当季节导致人们穿衣变化时或者 人与摄像机的相对角度发生变化时,验证都可能受到影响。
特别地,随着智能终端的不断普及,基于智能终端的身份识别技术也飞速 发展。而上述情况在基于智能终端的身份识别上也会发生。比如,对于某个具 体用户(由一个虚拟账号关联),设备类型(由硬件特性或软件编码决定)可能 会发生变化,操作模式(左手、右手、双手)可能会发生变化,身体状态(坐、 卧、躺)可能会发生变化,所处环境(办公室、公交车、地铁、的士、火车、 飞机)也可能发生变化。当本申请用旧的数据分布上训练的模型用来在新的数 据分布上进行预测时,就可能输出错误的认证结果。
在实际应用中,很多领域差异信息是可以低成本获得的。首先,有些领域 差异信息是天然有数据记录的,比如智能终端的设备类型:手机型号、***版 本等。其次,对于没有数据记录的领域差异信息,是可以通过实现采集标注好 的数据,训练一个机器学习模型,然后在新的数据上预测得到领域差异的预测 标签的。比如在行人重识别领域,可以采集数据训练一个分类器预测行人穿的 是春装还是夏装;又如在基于智能终端的身份识别上,可以采集数据训练一个 分类器预测人的运动状态:走路、跑步、静止等。事实上,已经有很多产品可 以做到这些分类任务。那么假设这些领域差异信息是可以低成本获得的,是否可以构建更好的模型来进行无偏的身份识别?
进一步而言,如果某个类型的领域差异里面,出现一种新的领域,该怎么 办?比如苹果手机出了一款新的机型,显然本申请不可能事先就获得这种新机 型下大量的用户数据。那么如果当本申请获得了新机型的数据的时候,之前所 有的模型都要重新训练吗?
不但如此,“领域差异类型”本身也可能有新增。比如本申请已经对所有机 型进行了领域差异消除,现在本申请想消除人的操作模式(左手、右手、双手) 造成的领域差异。那么还是那个问题,本申请所有的模型要重新训练吗?而且 如果考虑多种类型的领域差异,假设考虑M种领域差异,每种领域差异下都有 K种不同的领域,所有不同的领域组合的可能是KM种。那么如何处理这种组 合***的问题?
面临上述的训练和测试数据之间的领域差异的问题以及进一步的新增领域 或领域差异类型的问题,简单地应用数据驱动的模型可能导致模型聚焦于每个 领域的偏差,又或者会导致过度的模型训练成本,即便训练数据是充足的。为 了避免该问题,本申请研究了基于已知领域信息的增量式建模的无偏身份识别。 在这种已知更多信息(已知待识别的原始特征中的领域差异的类别)的情况下, 本申请通过给每种领域差异建模一个领域转接模型,给出更精确的领域差异消 除模型(也称级联残差网络)。同时,本申请可以实现最少的额外训练成本。也 即,当新增加一个领域时,本申请可以不需要训练旧领域对应的模型,只需要 训练新领域对应的模型。而且,当新增加一整个领域差异类别(包含多个领域), 本申请也只需要训练新的领域差异类别对应的模型。当存在多个领域差异(或 领域差异类别)时,本申请通过级联的方法解决领域的组合***的问题。同时, 本申请通过残差连接和迁移学习,使得新增模型的输出和旧模型的输出同分布, 使得新模型的前后模型都不需要进行额外训练。
本申请可以应用于手机主人识别的换机场景以及多操作模式场景。在图11 所示出的示意性例子中,采用终端传感器数据进行身份认证。以终端为智能手 机为例,智能手机中设置有重力加速度传感器和陀螺仪传感器,当用户点击屏 幕上的密码“171718”时,重力加度度传感器和陀螺仪传感器会采集到用户的 操作特征,进而产生传感器数据,该传感器数据能够用于验证用户身份。但是 由于每个终端的操作***和机身厚度是不同的,不同操作***会采用不同的数 据形式来上报传感器数据,不同的机身厚度也会影响传感器所采集到的传感器 数据。终端将用户操作而产生的多维的终端传感器数据作为行为特征数据(包 括加速度、陀螺仪等)。该终端传感器数据上报后用来训练该用户的身份识别模 型。该识别模型用来验证输入密码或者验证码的人是否是手机主人。
换机场景:当用户换手机时,需要在新的手机上验证该用户的身份,需要 用该用户在旧手机的模型来进行验证。然而,由于新旧手机有差异,会导致同 一个用户的数据有分布差异。故而需要一种方案来消除不同手机造成的分布差 异,从而在旧手机上训练的模型可以成功验证在新手机上采集到的数据。
多操作模式场景:用户操作可能是左手单手、右手单手、双手操作等多种 模式。这样的操作模式没有标注信息,可以通过事先采集标注好的数据训练分 类器来给新的样本预测是属于哪种操作模式。
本申请提供的身份识别方法,还能够应用于如下场景:
1、基于人脸识别的身份识别场景;
在采用人脸识别技术进行身份识别时,终端会采集用户的人脸图像进行身 份识别。对于同一个用户,该用户可能会选择留胡子或不留胡子,留长发或短 发,戴眼镜或不戴眼镜,从而使得同一个用户的不同人脸图像中存在领域差异 特征。这些领域差异特征均会影响身份识别的验证结果是否正确。为了消除这 些领域差异特征对身份识别过程的影响,可以采用上述实施例中的身份识别方 法,从而在存在领域差异特征时,也能够较为准确地得到身份识别结果。
2、基于传感器数据的身份识别场景;
在采用传感器数据进行身份识别时,终端内设置有加速度传感器和/或陀螺 仪传感器,通过传感器来采集用户使用终端时的行为特征。行为特征包括:用 户点击终端的力度、用户点击终端的频率、用户连续点击终端时的停顿节奏特 征。由于不同传感器上报的传感器数据的格式不同,不同操作***对传感器数 据的格式要求不同,不同形状和厚度的终端(安装有相同的传感器)所采集到 的行为特征也存在不同,而目前的用户可能会一年更换一次新的终端(比如手 机),导致同一用户帐号在不同终端上进行身份识别时存在领域差异特征。这些 领域差异特征均会影响身份识别的验证结果是否正确。为了消除这些领域差异 特征对身份识别过程的影响,可以采用上述实施例中的身份识别方法,从而在 存在领域差异特征时,也能够较为准确地得到身份识别结果。
3、基于指纹数据的身份识别场景;
在采用指纹数据进行身份识别时,终端内设置有指纹传感器,通过指纹传 感器来采集用户使用终端时的指纹特征。由于不同指纹传感器上报的指纹数据 的格式不同,因此当用户更换终端后,导致同一用户帐号在不同终端上进行身 份识别时存在领域差异特征。这些领域差异特征均会影响身份识别的验证结果 是否正确。为了消除这些领域差异特征对身份识别过程的影响,可以采用上述 实施例中的身份识别方法,从而在存在领域差异特征时,也能够较为准确地得 到身份识别结果。
4、基于虹膜识别的身份识别场景。
在采用虹膜识别技术进行身份识别时,终端会采集用户的虹膜图像进行身 份识别。对于同一个用户,该用户可能会带有隐形眼镜或不带有隐形眼镜,不 同的隐形眼镜上还可能有不同的花纹,这种隐形眼镜所导致的领域差异会影响 身份识别的验证结果是否正确。为了消除这些领域差异特征对身份识别过程的 影响,可以采用上述实施例中的身份识别方法,从而在存在领域差异特征时, 也能够较为准确地得到身份识别结果。
以下为本申请实施例提供的装置实施例,对于装置实施例中未详细描述的 细节,可以参考上述一一对应的方法实施例。
图12示出了本申请一个示例性实施例提供的身份识别装置的框图。该装置 包括领域差异消除模型和身份识别模型,所述装置包括:
获取模块920,用于获取用户帐号的原始特征、领域差异类别标签和每种领 域差异类别的领域标签,每个所述领域标签用于指示所述原始特征在一个领域 差异类别中存在的领域差异所对应的领域;
调用模块940,用于调用所述领域差异消除模型根据所述领域差异类别标签 和所述领域标签将所述原始特征映射至共同特征空间,得到所述原始特征的无 偏特征表示;所述共同特征空间是不同领域的领域差异特征被映射为同一分布 且无显著差异的空间;
识别模块960,用于调用所述身份识别模型对所述原始特征的无偏特征表示 进行身份识别,得到所述用户帐号的身份标签。
在一个示例性的实施例中,所述领域差异消除模型包括:级联的输入网络、 n个领域差异类别的领域转接网络集合和输出网络;每个所述领域转接网络集合 包括属于同一领域差异类别且并列排布的至少两个领域转接网络,n为正整数;
所述调用模块940,用于调用所述输入网络将所述原始特征转换为第0级特 征表示f0;根据第j个领域差异类别标签Cj,调用第j个领域转接网络集合中与 所述第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级 特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整 数;当j小于n时,将j加一后重复执行上一步骤;当j等于n时,调用所述输 出网络将第n级特征表示转换为所述原始特征的无偏特征表示。
在一个示例性的实施例中,所述n个领域差异类别中的第j个领域差异类别 的领域转接网络集合的输入端与第j+1个领域差异类别的领域转接网络集合的 输入端之间存在残差连接,0<j<j+1≤n。
在一个示例性的实施例中,所述获取模块920,用于将用户帐号的原始特征 输入n个领域差异类别对应的领域差异判别器中,得到每种领域差异类别的领 域标签;
其中,第i个领域差异判别器用于识别原始特征在第i种领域差异类别中的 领域差异所对应的领域。
在一个示例性的实施例中,所述获取模块920,还用于获取至少一组训练样 本,每组所述训练样本包括:样本输入特征、领域差异类别标签、每种领域差 异类别的领域标签和身份标签;
所述装置还包括:训练模块980;
所述训练模块980,用于根据所述样本输入特征、所述领域差异类别标签、 所述领域标签和所述身份标签对所述身份识别***进行身份识别任务的训练; 所述身份识别任务是训练得到具有身份识别能力的所述身份识别模型的任务;
所述训练模块980,用于根据所述样本输入特征、所述领域差异类别标签、 所述领域标签对所述领域差异消除模型进行消除领域差异任务的训练,所述消 除领域差异任务是训练得到具有消除领域差异能力的所述领域差异消除模型的 任务;
所述训练模块980,用于根据所述样本输入特征、所述领域差异类别标签、 所述领域标签对所述领域差异消除模型进行消除领域差异类别任务的训练,所 述消除领域差异类别任务是训练得到具有消除领域差异类别能力的所述领域差 异消除模型的任务。
在一个示例性的实施例中,所述领域差异消除模型包括:级联的输入网络、 n个领域差异类别的领域转接网络集合和输出网络;每个所述领域转接网络集合 包括属于同一领域差异类别且并列排布的至少两个领域转接网络,n为正整数。
在一个示例性的实施例中,所述训练模块980,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当j小于n时,将j加一后重复执行上一步骤;
当j等于n时,调用所述输出网络将第n级特征表示转换为所述样本输入特 征的样本特征表示;
根据所述样本特征表示和所述身份标签计算得到第一误差损失;
当不满足训练结束条件时,根据所述第一误差损失对所述输入网络、所述 领域转接网络Gjki、所述输出网络进行优化。
在一个示例性的实施例中,所述训练模块980,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
采用与所述领域转接网络Gjki的领域判别网络Djki对所述第j级特征表示进 行识别,得到所述第j级特征表示属于所述领域标签Ljki对应的领域的第一概率;
根据所述第一概率和第一损失函数计算得到第一误差,根据所述第一误差 对所述输入网络和所述领域转接网络Gjki进行优化;
当所述j小于n时,将j加一后重复执行上一步骤;
当所述j等于n时,结束训练。
在一个示例性的实施例中,所述训练模块980,用于:
采用所述样本输入特征、所述领域差异类别标签、所述每种领域差异类别 的领域标签对所述领域判别网络Djki进行领域判别任务的训练,所述领域判别任 务是训练得到具有所述领域标签Ljki的判别能力的判别器的任务。
在一个示例性的实施例中,所述训练模块980,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
采用与所述第j个领域差异类别标签Cj的类别判别网络Dj对所述第j级特 征表示进行识别,得到所述第j级特征表示属于所述领域差异类别的第二概率;
根据所述第二概率和第二损失函数计算得到第二误差,根据所述第二误差 对所述输入网络和所述领域转接网络Gjki进行优化;
当所述j小于n时,将j加一后重复执行上一步骤;
当所述j等于n时,结束训练。
在一个示例性的实施例中,所述训练模块980,用于:
采用所述样本输入特征、所述领域差异类别标签、所述每种领域差异类别 的领域标签对所述类别判别网络Dj进行领域差异类型判别任务的训练,所述领 域差异类型判别任务是训练得到具有所述领域差异类别标签Cj的判别能力的判 别器的任务。
在一个示例性的实施例中,所述训练模块980,用于:
当第P个领域差异类别中存在新增领域标签Lp*时,在所述第P个领域差异 类别的领域转接网络集合中,增加与所述新增领域标签Lp*对应的领域转接网络 Gp*;
根据所述样本输入特征、所述第P个领域差异类别标签、所述第P个领域 差异类别的领域标签对所述领域转接网络Gp*进行所述消除领域差异任务的训 练。
在一个示例性的实施例中,所述训练模块980,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的新增领域标签Lj*对应的领域转接网络Gj*将第j-1级特征表示 映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于P时,将j加一后重复执行上一步骤;
当所述j等于P时,根据第P个领域差异类别标签CP,调用第P个领域差 异类别中与所述第P个领域类别标签CP的新增领域标签Lp*对应的领域转接网 络Gp*将第P-1级特征表示映射至所述共同特征空间,得到第P级特征表示;
采用与所述领域转接网络GP*的领域判别网络DP*对所述第P级特征表示进 行识别,得到所述第P级特征表示属于所述新增领域标签Lp*对应的领域的第三 概率;
根据所述第三概率和第三损失函数计算得到第三误差,根据所述第三误差 对所述领域转接网络GP*进行优化。
在一个示例性的实施例中,所述训练模块980,用于:
根据所述样本输入特征、所述第P个领域差异类别标签、所述第P个领域 差异类别的领域标签对所述领域判别网络DP*进行领域判别任务的训练,所述领 域判别任务是训练得到具有所述新增领域标签LP*的判别能力的判别器的任务。
在一个示例性的实施例中,所述训练模块980,用于:
当存在新增的第m个领域差异类别时,增加所述第m个领域差异类别的领 域转接网络集合Gmr;
根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异 类别的领域标签对所述领域转接网络集合Gmr进行所述消除领域差异任务的训 练,所述消除领域差异任务是训练得到具有消除所述第m个领域差异类别领域 中的领域差异的任务;
根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异 类别的领域标签对所述领域转接网络集合Gmr进行消除领域差异类别任务的训 练,所述消除领域差异类别任务是训练得到具有消除所述第m个领域差异类别 的任务。
在一个示例性的实施例中,所述训练模块980,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于m时,将j加一后重复执行上一步骤;
当所述j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域 差异类别中与所述第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络 Gmr将第m-1级特征表示映射至所述共同特征空间,得到第m级特征表示;
采用与所述领域转接网络Gmr的领域判别网络Dmr对所述第m级特征表示 进行识别,得到所述第m级特征表示属于所述领域标签Lmr对应的领域的第四 概率;
根据所述第四概率和第四损失函数计算得到第四误差,根据所述第四误差 对所述领域转接网络集合Gmr进行优化。
在一个示例性的实施例中,所述训练模块980,用于:
所述根据所述样本输入特征、所述第m个领域差异类别标签、所述第m个 领域差异类别的领域标签对所述领域判别网络Dmr进行领域判别任务的训练,所 述领域判别任务是训练得到具有所述第m个领域差异类别中的领域标签Lmr的 判别能力的判别器的任务。
在一个示例性的实施例中,所述训练模块980,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于m时,将j加一后重复执行上一步骤;
当所述j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域 差异类别中与所述第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络 Gmr将第m-1级特征表示映射至所述共同特征空间,得到第m级特征表示;
采用与所述第m个领域差异类别标签Cm的类别判别网络Dm对所述第m级 特征表示进行识别,得到所述第m级特征表示属于所述领域差异类别的第五概 率;
根据所述第五概率和第五损失函数计算得到第五误差,根据所述第五误差 对所述领域转接网络集合Gmr进行优化。
在一个示例性的实施例中,所述训练模块980,用于:
根据所述样本输入特征、所述第m个领域差异类别标签、所述第m个领域 差异类别的领域标签对所述类别判别网络Dm进行领域差异类别判别任务的训 练,所述领域差异类别判别任务是训练得到具有所述第m个领域差异类别的判 别能力的判别器的任务。
图13示出了本申请一个示例性实施例提供的身份识别***的训练装置的框 图。该身份识别***包括领域差异消除模型和身份识别模型,所述装置包括:
获取模块1020,用于获取至少一组训练样本,每组所述训练样本包括:样 本输入特征、领域差异类别标签、每种领域差异类别的领域标签和身份标签;
所述训练模块1040,用于根据所述样本输入特征、所述领域差异类别标签、 所述领域标签和所述身份标签对所述身份识别***进行身份识别任务的训练; 所述身份识别任务是训练得到具有身份识别能力的所述身份识别模型的任务;
所述训练模块1040,用于根据所述样本输入特征、所述领域差异类别标签、 所述领域标签对所述领域差异消除模型进行消除领域差异任务的训练,所述消 除领域差异任务是训练得到具有消除领域差异能力的所述领域差异消除模型的 任务;
所述训练模块1040,用于根据所述样本输入特征、所述领域差异类别标签、 所述领域标签对所述领域差异消除模型进行消除领域差异类别任务的训练,所 述消除领域差异类别任务是训练得到具有消除领域差异类别能力的所述领域差 异消除模型的任务。
在一个示例性的实施例中,所述领域差异消除模型包括:级联的输入网络、 n个领域差异类别的领域转接网络集合和输出网络;每个所述领域转接网络集合 包括属于同一领域差异类别且并列排布的至少两个领域转接网络,n为正整数。
在一个示例性的实施例中,所述训练模块1040,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当j小于n时,将j加一后重复执行上一步骤;
当j等于n时,调用所述输出网络将第n级特征表示转换为所述样本输入特 征的样本特征表示;
根据所述样本特征表示和所述身份标签计算得到第一误差损失;
当不满足训练结束条件时,根据所述第一误差损失对所述输入网络、所述 领域转接网络Gjki、所述输出网络进行优化。
在一个示例性的实施例中,所述训练模块1040,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
采用与所述领域转接网络Gjki的领域判别网络Djki对所述第j级特征表示进 行识别,得到所述第j级特征表示属于所述领域标签Ljki对应的领域的第一概率;
根据所述第一概率和第一损失函数计算得到第一误差,根据所述第一误差 对所述输入网络和所述领域转接网络Gjki进行优化;
当所述j小于n时,将j加一后重复执行上一步骤;
当所述j等于n时,结束训练。
在一个示例性的实施例中,所述训练模块1040,用于:
采用所述样本输入特征、所述领域差异类别标签、所述每种领域差异类别 的领域标签对所述领域判别网络Djki进行领域判别任务的训练,所述领域判别任 务是训练得到具有所述领域标签Ljki的判别能力的判别器的任务。
在一个示例性的实施例中,所述训练模块1040,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
采用与所述第j个领域差异类别标签Cj的类别判别网络Dj对所述第j级特 征表示进行识别,得到所述第j级特征表示属于所述领域差异类别的第二概率;
根据所述第二概率和第二损失函数计算得到第二误差,根据所述第二误差 对所述输入网络和所述领域转接网络Gjki进行优化;
当所述j小于n时,将j加一后重复执行上一步骤;
当所述j等于n时,结束训练。
在一个示例性的实施例中,所述训练模块1040,用于:
采用所述样本输入特征、所述领域差异类别标签、所述每种领域差异类别 的领域标签对所述类别判别网络Dj进行领域差异类型判别任务的训练,所述领 域差异类型判别任务是训练得到具有所述领域差异类别标签Cj的判别能力的判 别器的任务。
在一个示例性的实施例中,所述训练模块1040,用于:
当第P个领域差异类别中存在新增领域标签Lp*时,在所述第P个领域差异 类别的领域转接网络集合中,增加与所述新增领域标签Lp*对应的领域转接网络 Gp*;
根据所述样本输入特征、所述第P个领域差异类别标签、所述第P个领域 差异类别的领域标签对所述领域转接网络Gp*进行所述消除领域差异任务的训 练。
在一个示例性的实施例中,所述训练模块1040,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的新增领域标签Lj*对应的领域转接网络Gj*将第j-1级特征表示 映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于P时,将j加一后重复执行上一步骤;
当所述j等于P时,根据第P个领域差异类别标签CP,调用第P个领域差 异类别中与所述第P个领域类别标签CP的新增领域标签Lp*对应的领域转接网 络Gp*将第P-1级特征表示映射至所述共同特征空间,得到第P级特征表示;
采用与所述领域转接网络GP*的领域判别网络DP*对所述第P级特征表示进 行识别,得到所述第P级特征表示属于所述新增领域标签Lp*对应的领域的第三 概率;
根据所述第三概率和第三损失函数计算得到第三误差,根据所述第三误差 对所述领域转接网络GP*进行优化。
在一个示例性的实施例中,所述训练模块1040,用于:
根据所述样本输入特征、所述第P个领域差异类别标签、所述第P个领域 差异类别的领域标签对所述领域判别网络DP*进行领域判别任务的训练,所述领 域判别任务是训练得到具有所述新增领域标签LP*的判别能力的判别器的任务。
在一个示例性的实施例中,所述训练模块1040,用于:
当存在新增的第m个领域差异类别时,增加所述第m个领域差异类别的领 域转接网络集合Gmr;
根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异 类别的领域标签对所述领域转接网络集合Gmr进行所述消除领域差异任务的训 练,所述消除领域差异任务是训练得到具有消除所述第m个领域差异类别领域 中的领域差异的任务;
根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异 类别的领域标签对所述领域转接网络集合Gmr进行消除领域差异类别任务的训 练,所述消除领域差异类别任务是训练得到具有消除所述第m个领域差异类别 的任务。
在一个示例性的实施例中,所述训练模块1040,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于m时,将j加一后重复执行上一步骤;
当所述j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域 差异类别中与所述第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络 Gmr将第m-1级特征表示映射至所述共同特征空间,得到第m级特征表示;
采用与所述领域转接网络Gmr的领域判别网络Dmr对所述第m级特征表示 进行识别,得到所述第m级特征表示属于所述领域标签Lmr对应的领域的第四 概率;
根据所述第四概率和第四损失函数计算得到第四误差,根据所述第四误差 对所述领域转接网络集合Gmr进行优化。
在一个示例性的实施例中,所述训练模块1040,用于:
所述根据所述样本输入特征、所述第m个领域差异类别标签、所述第m个 领域差异类别的领域标签对所述领域判别网络Dmr进行领域判别任务的训练,所 述领域判别任务是训练得到具有所述第m个领域差异类别中的领域标签Lmr的 判别能力的判别器的任务。
在一个示例性的实施例中,所述训练模块1040,用于:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个 领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映 射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于m时,将j加一后重复执行上一步骤;
当所述j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域 差异类别中与所述第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络 Gmr将第m-1级特征表示映射至所述共同特征空间,得到第m级特征表示;
采用与所述第m个领域差异类别标签Cm的类别判别网络Dm对所述第m级 特征表示进行识别,得到所述第m级特征表示属于所述领域差异类别的第五概 率;
根据所述第五概率和第五损失函数计算得到第五误差,根据所述第五误差 对所述领域转接网络集合Gmr进行优化。
在一个示例性的实施例中,所述训练模块1040,用于:
根据所述样本输入特征、所述第m个领域差异类别标签、所述第m个领域 差异类别的领域标签对所述类别判别网络Dm进行领域差异类别判别任务的训 练,所述领域差异类别判别任务是训练得到具有所述第m个领域差异类别的判 别能力的判别器的任务。
需要说明的是:上述实施例提供的装置在身份识别或模型训练时,仅以上 述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能 分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以 完成以上描述的全部或者部分功能。另外,上述实施例提供的身份识别装置, 与身份识别方法的方法实施例属于同一构思,其具体实现过程详见方法实施例, 这里不再赘述。
图14示出了本申请一个实施例提供的计算机设备1100的结构框图。该计 算机设备1100可以是手机、平板电脑、智能电视、多媒体播放设备、可穿戴设 备、台式电脑、服务器等电子设备。该计算机设备1100可用于实施上述实施例 中提供的身份识别方法、第一对抗生成网络的训练方法、第二对抗生成网络的 训练方法中的任意一种。
通常,计算机设备1100包括有:处理器1101和存储器1102。
处理器1101可以包括一个或多个处理核心,比如4核心处理器、8核心处 理器等。处理器1101可以采用DSP(Digital Signal Processing,数字信号处理)、 FPGA(FieldProgrammable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也 可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处 理的处理器,也称CPU(CentralProcessing Unit,中央处理器);协处理器是用 于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器 1101可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负 责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1101还可以 包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关 机器学习的计算操作。
存储器1102可以包括一个或多个计算机可读存储介质,该计算机可读存储 介质可以是非暂态的。存储器1102还可包括高速随机存取存储器,以及非易失 性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中, 存储器1102中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少 一个指令用于被处理器1101所执行以实现本申请中方法实施例提供的身份识别 方法、第一对抗生成网络的训练方法、第二对抗生成网络的训练方法中的任意 一种。
在一些实施例中,计算机设备1100还可选包括有:***设备接口1103和 至少一个***设备。处理器1101、存储器1102和***设备接口1103之间可以 通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与*** 设备接口1103相连。具体地,***设备可以包括:显示屏1104、音频电路1105、 通信接口1106和电源1107中的至少一种。
本领域技术人员可以理解,图11中示出的结构并不构成对计算机设备1100 的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不 同的组件布置。
在示例性实施例中,还提供了一种计算机设备,所述计算机设备包括处理 器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指 令集。所述至少一条指令、至少一段程序、代码集或指令集经配置以由所述处 理器执行,以实现上述身份识别方法、第一对抗生成网络的训练方法、第二对 抗生成网络的训练方法中的任意一种。
在示例性实施例中,还提供了一种计算机可读存储介质,所述存储介质中 存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、 所述至少一段程序、所述代码集或所述指令集在被计算机设备的处理器执行时 实现上述身份识别方法。可选地,上述计算机可读存储介质可以是ROM (Read-Only Memory,只读存储器)、RAM(RandomAccess Memory,随机存 取存储器)、CD-ROM(Compact Disc Read-Only Memory,只读光盘)、磁带、 软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,当该计算机程序产品 被执行时,其用于实现上述身份识别方法、身份识别***的训练方法中的任意 一种。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描 述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示: 单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后 关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过 硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于 一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或 光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的 精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的 保护范围之内。
Claims (24)
1.一种身份识别方法,其特征在于,应用于身份识别***中,所述身份识别***包括领域差异消除模型和身份识别模型,所述方法包括:
获取用户帐号的原始特征、领域差异类别标签和每种领域差异类别的领域标签,每个所述领域标签用于指示所述原始特征在一个领域差异类别中存在的领域差异所对应的领域;
调用所述领域差异消除模型根据所述领域差异类别标签和所述领域标签将所述原始特征映射至共同特征空间,得到所述原始特征的无偏特征表示;所述共同特征空间是不同领域的领域差异特征被映射为同一分布且无显著差异的空间;
调用所述身份识别模型对所述原始特征的无偏特征表示进行身份识别,得到所述用户帐号的身份标签。
2.根据权利要求1所述的方法,其特征在于,所述领域差异消除模型包括:级联的输入网络、n个领域差异类别的领域转接网络集合和输出网络;每个所述领域转接网络集合包括属于同一领域差异类别且并列排布的至少两个领域转接网络,n为正整数;
所述调用所述领域差异消除模型根据所述领域差异类别标签和所述领域标签将所述原始特征映射至共同特征空间,得到所述原始特征的无偏特征表示,包括:
调用所述输入网络将所述原始特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域转接网络集合中与所述第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当j小于n时,将j加一后重复执行上一步骤;
当j等于n时,调用所述输出网络将第n级特征表示转换为所述原始特征的无偏特征表示。
3.根据权利要求2所述的方法,其特征在于,所述n个领域差异类别中的第j个领域差异类别的领域转接网络集合的输入端与第j+1个领域差异类别的领域转接网络集合的输入端之间存在残差连接,0<j<j+1≤n。
4.根据权利要求1至3任一所述的方法,其特征在于,所述获取用户帐号的每种领域差异类别的领域标签,包括:
将所述用户帐号的原始特征输入n个领域差异类别对应的领域差异判别器中,得到每种领域差异类别的领域标签;
其中,第i个所述领域差异判别器用于识别所述原始特征在第i种领域差异类别中的领域差异所对应的领域,0<i≤n。
5.根据权利要求1至3任一所述的方法,其特征在于,所述身份识别***是通过如下方式训练得到的:
获取至少一组训练样本,每组所述训练样本包括:样本输入特征、领域差异类别标签、每种领域差异类别的领域标签和身份标签;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签和所述身份标签对所述身份识别***进行身份识别任务的训练;所述身份识别任务是训练得到具有身份识别能力的所述身份识别模型的任务;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异任务的训练,所述消除领域差异任务是训练得到具有消除领域差异能力的所述领域差异消除模型的任务;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异类别任务的训练,所述消除领域差异类别任务是训练得到具有消除领域差异类别能力的所述领域差异消除模型的任务。
6.根据权利要求5所述的方法,其特征在于,所述领域差异消除模型包括:级联的输入网络、n个领域差异类别的领域转接网络集合和输出网络;每个所述领域转接网络集合包括属于同一领域差异类别且并列排布的至少两个领域转接网络,n为正整数。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本输入特征、所述领域差异类别标签、所述领域标签和所述身份标签对所述身份识别***进行身份识别任务的训练,包括:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当j小于n时,将j加一后重复执行上一步骤;
当j等于n时,调用所述输出网络将第n级特征表示转换为所述样本输入特征的样本特征表示;
根据所述样本特征表示和所述身份标签计算得到误差损失;
当不满足训练结束条件时,根据所述误差损失对所述输入网络、所述领域转接网络Gjki、所述输出网络进行优化。
8.根据权利要求6所述的方法,其特征在于,所述根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异任务的训练,包括:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
采用与所述领域转接网络Gjki的领域判别网络Djki对所述第j级特征表示进行识别,得到所述第j级特征表示属于所述领域标签Ljki对应的领域的第一概率;
根据所述第一概率和第一损失函数计算得到第一误差,根据所述第一误差对所述输入网络和所述领域转接网络Gjki进行优化;
当所述j小于n时,将j加一后重复执行上一步骤;
当所述j等于n时,结束训练。
9.根据权利要求8所述的方法,其特征在于,所述采用与所述领域转接网络Gjki的领域判别网络Djki对所述第j级特征表示进行识别之前,还包括:
采用所述样本输入特征、所述领域差异类别标签、所述每种领域差异类别的领域标签对所述领域判别网络Djki进行领域判别任务的训练,所述领域判别任务是训练得到具有所述领域标签Ljki的判别能力的判别器的任务。
10.根据权利要求6所述的方法,其特征在于,所述根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异类别任务的训练,包括:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
采用与所述第j个领域差异类别标签Cj的类别判别网络Dj对所述第j级特征表示进行识别,得到所述第j级特征表示属于所述领域差异类别的第二概率;
根据所述第二概率和第二损失函数计算得到第二误差,根据所述第二误差对所述输入网络和所述领域转接网络Gjki进行优化;
当所述j小于n时,将j加一后重复执行上一步骤;
当所述j等于n时,结束训练。
11.根据权利要求10所述的方法,其特征在于,所述采用与所述第j个领域差异类别标签Cj的类别判别网络Dj对所述第j级特征表示进行识别之前,还包括:
采用所述样本输入特征、所述领域差异类别标签、所述每种领域差异类别的领域标签对所述类别判别网络Dj进行领域差异类型判别任务的训练,所述领域差异类型判别任务是训练得到具有所述领域差异类别标签Cj的判别能力的判别器的任务。
12.根据权利要求5至11任一所述的方法,其特征在于,所述方法还包括:
当第P个领域差异类别中存在新增领域标签Lp*时,在所述第P个领域差异类别的领域转接网络集合中,增加与所述新增领域标签Lp*对应的领域转接网络Gp*;
根据所述样本输入特征、所述第P个领域差异类别标签、所述第P个领域差异类别的领域标签对所述领域转接网络Gp*进行所述消除领域差异任务的训练,其中,0<p≤n。
13.根据权利要求12所述的方法,其特征在于,所述根据所述样本输入特征、所述第P个领域差异类别标签、所述第P个领域差异类别的领域标签对所述领域转接网络Gp*进行所述消除领域差异任务的训练,包括:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个领域类别标签Cj的新增领域标签Lj*对应的领域转接网络Gj*将第j-1级特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于P时,将j加一后重复执行上一步骤;
当所述j等于P时,根据第P个领域差异类别标签CP,调用第P个领域差异类别中与所述第P个领域类别标签CP的新增领域标签Lp*对应的领域转接网络Gp*将第P-1级特征表示映射至所述共同特征空间,得到第P级特征表示;
采用与所述领域转接网络GP*的领域判别网络DP*对所述第P级特征表示进行识别,得到所述第P级特征表示属于所述新增领域标签Lp*对应的领域的第三概率;
根据所述第三概率和第三损失函数计算得到第三误差,根据所述第三误差对所述领域转接网络GP*进行优化。
14.根据权利要求13所述的方法,其特征在于,所述采用与所述领域转接网络GP*的领域判别网络DP*对所述第P级特征表示进行识别之前,还包括:
根据所述样本输入特征、所述第P个领域差异类别标签、所述第P个领域差异类别的领域标签对所述领域判别网络DP*进行领域判别任务的训练,所述领域判别任务是训练得到具有所述新增领域标签LP*的判别能力的判别器的任务。
15.根据权利要求5至11任一所述的方法,其特征在于,所述方法还包括:
当存在新增的第m个领域差异类别时,增加所述第m个领域差异类别的领域转接网络集合Gmr;
根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异类别的领域标签对所述领域转接网络集合Gmr进行所述消除领域差异任务的训练,所述消除领域差异任务是训练得到具有消除所述第m个领域差异类别领域中的领域差异的任务;
根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异类别的领域标签对所述领域转接网络集合Gmr进行消除领域差异类别任务的训练,所述消除领域差异类别任务是训练得到具有消除所述第m个领域差异类别的任务,0<m≤n。
16.根据权利要求15所述的方法,其特征在于,所述根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异类别的领域标签对所述领域转接网络集合Gmr进行所述消除领域差异任务的训练,包括:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于m时,将j加一后重复执行上一步骤;
当所述j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域差异类别中与所述第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络Gmr将第m-1级特征表示映射至所述共同特征空间,得到第m级特征表示;
采用与所述领域转接网络Gmr的领域判别网络Dmr对所述第m级特征表示进行识别,得到所述第m级特征表示属于所述领域标签Lmr对应的领域的第四概率;
根据所述第四概率和第四损失函数计算得到第四误差,根据所述第四误差对所述领域转接网络集合Gmr进行优化。
17.根据权利要求16所述的方法,其特征在于,所述方法还包括:
所述根据所述样本输入特征、所述第m个领域差异类别标签、所述第m个领域差异类别的领域标签对所述领域判别网络Dmr进行领域判别任务的训练,所述领域判别任务是训练得到具有所述第m个领域差异类别中的领域标签Lmr的判别能力的判别器的任务。
18.根据权利要求15所述的方法,其特征在于,所述根据所述样本输入特征、第m个领域差异类别标签、所述第m个领域差异类别的领域标签对所述领域转接网络集合Gmr进行消除领域差异类别任务的训练,包括:
调用所述输入网络将所述样本输入特征转换为第0级特征表示f0;
根据第j个领域差异类别标签Cj,调用第j个领域差异类别中与所述第j个领域类别标签Cj的领域标签Ljki对应的领域转接网络Gjki将第j-1级特征表示映射至所述共同特征空间,得到第j级特征表示,j为起始值为1的整数;
当所述j小于m时,将j加一后重复执行上一步骤;
当所述j等于m时,根据第m个领域差异类别标签Cm,调用第m个领域差异类别中与所述第m个领域类别标签Cm的领域标签Lmr对应的领域转接网络Gmr将第m-1级特征表示映射至所述共同特征空间,得到第m级特征表示;
采用与所述第m个领域差异类别标签Cm的类别判别网络Dm对所述第m级特征表示进行识别,得到所述第m级特征表示属于所述领域差异类别的第五概率;
根据所述第五概率和第五损失函数计算得到第五误差,根据所述第五误差对所述领域转接网络集合Gmr进行优化。
19.根据权利要求18所述的方法,其特征在于,所述采用与所述第m个领域差异类别标签Cm的类别判别网络Dm对所述第m级特征表示进行识别之前,还包括:
根据所述样本输入特征、所述第m个领域差异类别标签、所述第m个领域差异类别的领域标签对所述类别判别网络Dm进行领域差异类别判别任务的训练,所述领域差异类别判别任务是训练得到具有所述第m个领域差异类别的判别能力的判别器的任务。
20.一种身份识别***的训练方法,其特征在于,所述身份识别***包括:领域差异消除模型和身份识别模型,所述方法包括:
获取至少一组训练样本,每组所述训练样本包括:样本输入特征、领域差异类别标签、每种领域差异类别的领域标签和身份标签;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签和所述身份标签对所述身份识别***进行身份识别任务的训练;所述身份识别任务是训练得到具有身份识别能力的所述身份识别模型的任务;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异任务的训练,所述消除领域差异任务是训练得到具有消除领域差异能力的所述领域差异消除模型的任务;
根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异类别任务的训练,所述消除领域差异类别任务是训练得到具有消除领域差异类别能力的所述领域差异消除模型的任务。
21.一种身份识别装置,其特征在于,所述装置包括领域差异消除模型和身份识别模型,所述装置包括:
获取模块,用于获取用户帐号的原始特征、领域差异类别标签和每种领域差异类别的领域标签,每个所述领域标签用于指示所述原始特征在一个领域差异类别中存在的领域差异所对应的领域;
调用模块,用于调用所述领域差异消除模型根据所述领域差异类别标签和所述领域标签将所述原始特征映射至共同特征空间,得到所述原始特征的无偏特征表示;所述共同特征空间是不同领域的领域差异特征被映射为同一分布且无显著差异的空间;
识别模块,用于调用所述身份识别模型对所述原始特征的无偏特征表示进行身份识别,得到所述用户帐号的身份标签。
22.一种身份识别***的训练装置,其特征在于,所述身份识别***包括:领域差异消除模型和身份识别模型,所述装置包括:
获取模块,用于获取至少一组训练样本,每组所述训练样本包括:样本输入特征、领域差异类别标签、每种领域差异类别的领域标签和身份标签;
所述训练模块,用于根据所述样本输入特征、所述领域差异类别标签、所述领域标签和所述身份标签对所述身份识别***进行身份识别任务的训练;所述身份识别任务是训练得到具有身份识别能力的所述身份识别模型的任务;
所述训练模块,用于根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异任务的训练,所述消除领域差异任务是训练得到具有消除领域差异能力的所述领域差异消除模型的任务;
所述训练模块,用于根据所述样本输入特征、所述领域差异类别标签、所述领域标签对所述领域差异消除模型进行消除领域差异类别任务的训练,所述消除领域差异类别任务是训练得到具有消除领域差异类别能力的所述领域差异消除模型的任务。
23.一种计算机设备,其特征在于,所述计算机设备包括:处理器和存储器,所述存储器存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上权利要求1至19任一所述的身份识别方法,或,如上权利要求20所述的身份识别***的训练方法。
24.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上权利要求1至19任一所述的身份识别方法,或,如上权利要求20所述的身份识别***的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782997.3A CN110598578B (zh) | 2019-08-23 | 2019-08-23 | 身份识别方法、身份识别***的训练方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782997.3A CN110598578B (zh) | 2019-08-23 | 2019-08-23 | 身份识别方法、身份识别***的训练方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598578A true CN110598578A (zh) | 2019-12-20 |
CN110598578B CN110598578B (zh) | 2024-06-28 |
Family
ID=68855244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782997.3A Active CN110598578B (zh) | 2019-08-23 | 2019-08-23 | 身份识别方法、身份识别***的训练方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598578B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187986A (zh) * | 2007-11-27 | 2008-05-28 | 海信集团有限公司 | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 |
WO2009135076A1 (en) * | 2008-05-02 | 2009-11-05 | The Regents Of The University Of California | Estimation based on case-control designs |
US20110170780A1 (en) * | 2010-01-08 | 2011-07-14 | Qualcomm Incorporated | Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes |
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107506799A (zh) * | 2017-09-01 | 2017-12-22 | 北京大学 | 一种基于深度神经网络的开集类别发掘与扩展方法与装置 |
US20180024968A1 (en) * | 2016-07-22 | 2018-01-25 | Xerox Corporation | System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization |
CN107808113A (zh) * | 2017-09-13 | 2018-03-16 | 华中师范大学 | 一种基于差分深度特征的人脸表情识别方法及*** |
CN108318770A (zh) * | 2016-04-08 | 2018-07-24 | 湖南工业大学 | 一种电器分类方法 |
CN108764282A (zh) * | 2018-04-19 | 2018-11-06 | 中国科学院计算技术研究所 | 一种类别增量行为识别方法和*** |
CN109325536A (zh) * | 2018-09-25 | 2019-02-12 | 南京审计大学 | 一种仿生模式识别方法及其装置 |
CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与*** |
CN109829541A (zh) * | 2019-01-18 | 2019-05-31 | 上海交通大学 | 基于学习自动机的深度神经网络增量式训练方法及*** |
CN110059465A (zh) * | 2019-04-24 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 身份验证方法、对抗生成网络的训练方法、装置及设备 |
-
2019
- 2019-08-23 CN CN201910782997.3A patent/CN110598578B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187986A (zh) * | 2007-11-27 | 2008-05-28 | 海信集团有限公司 | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 |
WO2009135076A1 (en) * | 2008-05-02 | 2009-11-05 | The Regents Of The University Of California | Estimation based on case-control designs |
US20110170780A1 (en) * | 2010-01-08 | 2011-07-14 | Qualcomm Incorporated | Scale space normalization technique for improved feature detection in uniform and non-uniform illumination changes |
CN108318770A (zh) * | 2016-04-08 | 2018-07-24 | 湖南工业大学 | 一种电器分类方法 |
US20180024968A1 (en) * | 2016-07-22 | 2018-01-25 | Xerox Corporation | System and method for domain adaptation using marginalized stacked denoising autoencoders with domain prediction regularization |
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107506799A (zh) * | 2017-09-01 | 2017-12-22 | 北京大学 | 一种基于深度神经网络的开集类别发掘与扩展方法与装置 |
CN107808113A (zh) * | 2017-09-13 | 2018-03-16 | 华中师范大学 | 一种基于差分深度特征的人脸表情识别方法及*** |
CN108764282A (zh) * | 2018-04-19 | 2018-11-06 | 中国科学院计算技术研究所 | 一种类别增量行为识别方法和*** |
CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与*** |
CN109325536A (zh) * | 2018-09-25 | 2019-02-12 | 南京审计大学 | 一种仿生模式识别方法及其装置 |
CN109829541A (zh) * | 2019-01-18 | 2019-05-31 | 上海交通大学 | 基于学习自动机的深度神经网络增量式训练方法及*** |
CN110059465A (zh) * | 2019-04-24 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 身份验证方法、对抗生成网络的训练方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
THANH-TUNG NGUYEN ET AL: "Unbiased Feature Selection in Learning Random Forests for High-Dimensional Data", 《THE SCIENTIFIC WORLD JOURNAL》, 31 December 2015 (2015-12-31), pages 1 - 19 * |
张振领等: "考虑性别差异基于SVM的说话人识别研究", 《计算机工程与设计》, no. 6, 1 October 2009 (2009-10-01), pages 1516 - 1518 * |
王鹏: "基于神经网络的手写体字符识别", 《中国优秀博硕士学位论文全文数据库 (硕士)信息科技辑》, vol. 2002, no. 2, 15 December 2002 (2002-12-15), pages 48 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598578B (zh) | 2024-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197532B (zh) | 人脸识别的方法、装置及计算机装置 | |
US12019718B2 (en) | Identity verification method and apparatus, computer device and storage medium | |
CN109583332B (zh) | 人脸识别方法、人脸识别***、介质及电子设备 | |
CN112052186B (zh) | 目标检测方法、装置、设备以及存储介质 | |
CN110097606A (zh) | 面部合成 | |
EP3937076A1 (en) | Activity detection device, activity detection system, and activity detection method | |
CN110363077A (zh) | 手语识别方法、装置、计算机装置及存储介质 | |
CN110866469B (zh) | 一种人脸五官识别方法、装置、设备及介质 | |
CN113723288B (zh) | 基于多模态混合模型的业务数据处理方法及装置 | |
CN110222780A (zh) | 物体检测方法、装置、设备和存储介质 | |
CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
CN115050064A (zh) | 人脸活体检测方法、装置、设备及介质 | |
CN112712068B (zh) | 一种关键点检测方法、装置、电子设备及存储介质 | |
CN112381019B (zh) | 复合表情识别方法、装置、终端设备及存储介质 | |
CN115237802A (zh) | 基于人工智能的模拟测试方法及相关设备 | |
CN114219971A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
CN113569607A (zh) | 动作识别方法、装置、设备以及存储介质 | |
CN114170484B (zh) | 图片属性预测方法、装置、电子设备和存储介质 | |
CN113255701B (zh) | 一种基于绝对-相对学习架构的小样本学习方法和*** | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN114373098B (zh) | 一种图像分类方法、装置、计算机设备及存储介质 | |
CN116468043A (zh) | 嵌套实体识别方法、装置、设备及存储介质 | |
CN110598578B (zh) | 身份识别方法、身份识别***的训练方法、装置及设备 | |
CN114639132A (zh) | 人脸识别场景下的特征提取模型处理方法、装置、设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40019431 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |