CN111401277A - 人脸识别模型更新方法、装置、设备和介质 - Google Patents

人脸识别模型更新方法、装置、设备和介质 Download PDF

Info

Publication number
CN111401277A
CN111401277A CN202010202695.7A CN202010202695A CN111401277A CN 111401277 A CN111401277 A CN 111401277A CN 202010202695 A CN202010202695 A CN 202010202695A CN 111401277 A CN111401277 A CN 111401277A
Authority
CN
China
Prior art keywords
client
face recognition
recognition model
identification
face
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.)
Pending
Application number
CN202010202695.7A
Other languages
English (en)
Inventor
吴泽衡
朱振文
周古月
吴学阳
徐倩
杨强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WeBank Co Ltd
Original Assignee
WeBank Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010202695.7A priority Critical patent/CN111401277A/zh
Publication of CN111401277A publication Critical patent/CN111401277A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • 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)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及金融科技领域，并公开了一种人脸识别模型更新方法、装置、设备和介质。方法包括：接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐；将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量；通过预设损失函数处理所述人脸特征向量，获得损失值；若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型。本发明通过联邦进行人脸识别模型训练，是的学习更加充分，同时有效地避免隐私数据泄漏。

Description

人脸识别模型更新方法、装置、设备和介质
技术领域
本发明涉及金融科技(Fintech)技术领域，尤其涉及人脸识别模型更新方法、装置、设备和介质。
背景技术
近年来，互联网金融科技(Fintech)的飞速发展，越来越多的技术(大数据、分布式、区块链Blockchain、人工智能等)应用在金融领域。
金融领域为了保证金融业务的安全性，需要对用户进行身份验证，当前主要采用人脸识别进行身份验证，身份验证通常是通过人脸识别模型实现的，人脸识别模型都是采用本地的数据进行模型训练，人脸识别需要精确抽取人脸的特征，因此需要大量的数据进行训练，且要求同一个人要有尽可能多的不同姿态、不同环境下的数据。然而，在现实场景中，很少有企业能够拥有大量的人脸数据，也很难拥有同一个人不同条件下的数据，这样数据量不足训练出来的模型，往往有很大的局限性，学习的不够准确，为了解决上述问题，目前采用进行数据共享的方案，以获取大量的数据进行模型训练，但是这种数据共享有非常大的风险，人脸数据属于用户隐私数据，共享数据有着巨大的隐私泄露的风险。
发明内容
本发明的主要目的在于提出一种人脸识别模型更新方法、装置、设备和介质，旨在解决当前人脸识别模型训练数据不足，导致的人脸识别模型学习不充分，识别准确率低，同时存在隐私数据泄漏的风险。
为实现上述目的，本发明提供一种基于联邦学习的人脸识别模型更新方法，所述基于联邦学习的人脸识别模型更新方法包括如下步骤：
接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐；
将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量；
通过预设损失函数处理所述人脸特征向量，获得损失值；
若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型。
可选地，所述接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐的步骤之前，所述方法包括：
在接收到模型更新指令时，发送用户标识申请指令至联盟链中的客户端，以使各客户端反馈经过加密处理的用户标识；
所述接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐的步骤，包括：
接收客户端发送的用户标识，解密所述用户标识；
获取解密后的同一类别的用户标识，将同一类别的用户标识进行归类，并根据归类后的用户标识进行数据对齐。
可选地，所述将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量的步骤，包括：
从所述用户标识中随机选择一个用户标识作为锚点标识，根据所述锚点标识选择正例标识和负例标识，将所述锚点标识、所述正例标识和所述负例标识作为一个样本标识组；
从所述用户标识中选择预设数量的样本标识组，获取各所述样本标识组中锚点标识关联的第一标识、正例标识关联的第二标识和负例标识关联的第三标识；
将所述锚点标识发送至第一标识对应的第一客户端，将所述正例标识发送至第二标识对应的第二客户端，将所述负例标识发送至第三标识关联的第三客户端，以通过所述第一客户端处理所述锚点标识对应的人脸图像获得人脸特征向量，通过所述第二客户端处理所述正例标识对应的人脸图像获得人脸特征向量，通过所述第三客户端处理所述负例标识对应的人脸图像，获得人脸特征向量。
可选地，所述通过预设损失函数处理所述人脸特征向量，获得损失值的步骤，包括：
接收客户端发送的所述人脸特征向量，获取所述人脸特征向量中所述锚点标识对应的锚点人脸特征向量，所述正例标识对应的正例人脸特征向量，和所述负例标识对应的负例人脸特征向量；
计算所述锚点人脸特征向量与所述正例人脸特征向量之间的第一欧式距离，计算所述锚点人脸特征向量与所述负例人脸特征向量之间的第二欧式距离；
按照预设损失函数处理所述第一欧式距离与所述第二欧式距离，获得损失值。
可选地，所述将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量的步骤，包括：
将所述用户标识中的样本标识组发送至客户端，并判断所述客户端中是否存在初始人脸识别模型；
若所述客户端中不存在所述初始人脸识别模型，则获取预存的初始人脸识别模型发送至客户端，以使客户端通过初始的人脸识别模型处理所述样本标识组对应的人脸图像，获得人脸特征向量。
可选地，所述接收客户端发送的所述人脸特征向量，处理所述人脸特征向量获得损失值的步骤之后，所述方法包括：
若所述损失值小于或等于预设阈值，停止更新所述人脸识别模型。
可选地，所述若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型的步骤之后，所述方法还包括：
接收人脸识别指令，获取待识别的目标人脸图像，将所述目标人脸图像发送至客户端，以使客户端通过人脸识别模型处理目标人脸图像，获得人脸识别结果；
接收客户端发送的人脸识别结果，在所述人脸识别结果错误时，触发模型更新指令，以使客户端将所述目标人脸图像作为样本图像，更新人脸识别模型。
此外，为实现上述目的，本发明还提供一种基于联邦学习的人脸识别模型更新装置，所述基于联邦学习的人脸识别模型更新装置包括：
标识接收模块，用于接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐；
标识选择模块，用于将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量；
损失值计算模块，用于通过预设损失函数处理所述人脸特征向量，获得损失值；
损失值发送模块，用于若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型
此外，为实现上述目的，本发明还提供一种基于联邦学习的人脸识别模型更新设备，所述基于联邦学习的人脸识别模型更新设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于联邦学习的人脸识别模型更新对应的计算机程序，所述基于联邦学习的人脸识别模型更新对应的计算机程序被所述处理器执行时实现如上所述的基于联邦学习的人脸识别模型更新方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于联邦学习的人脸识别模型更新对应的计算机程序，所述基于联邦学习的人脸识别模型更新对应的计算机程序被处理器执行时实现如上所述的基于联邦学习的人脸识别模型更新方法的步骤。
本发明提供一种人脸识别模型更新方法、装置、设备和介质，本发明实施例中接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐；将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量；通过预设损失函数处理所述人脸特征向量，获得损失值；若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型。本发明实施例中，基于联邦学习的人脸识别模型更新方法使得多方能够在***露自己数据隐私的情况下，实现人脸识别的联合训练，有效地避免隐私数据泄漏，提高了数据安全性，同时可以保证人脸识别模型识别的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明基于联邦学习的人脸识别模型更新方法第一实施例的流程示意图；
图3为本发明基于联邦学习的人脸识别模型更新方法第一实施例的具体场景示意图；
图4为本发明基于联邦学习的人脸识别模型更新装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例基于联邦学习的人脸识别模型更新设备可以是PC机或服务器设备，如图1所示，该基于联邦学习的人脸识别模型更新设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，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。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作网络通信模块、用户接口模块以及基于联邦学习的人脸识别模型更新对应的计算机程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的基于联邦学习的人脸识别模型更新对应的计算机程序，并执行下述基于联邦学习的人脸识别模型更新方法中的操作。
基于上述硬件结构，提出本发明基于联邦学习的人脸识别模型更新方法实施例。
参照图2，图2为本发明基于联邦学习的人脸识别模型更新方法第一实施例的流程示意图，在本实施例中所述基于联邦学习的人脸识别模型更新方法包括：
步骤S10，接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐。
本实施例中基于联邦学习的人脸识别模型更新方法应用于金融行业的金融机构(银行机构、保险机构、证券机构等)中的人脸识别模型更新设备，但不局限于该领域。
人脸识别模型更新设备是联盟链中的一个第三方节点，人脸识别模型更新设备从联盟链中选择客户端(客户端是联盟链中需要进行人脸识别模型更新的节点)，客户端的数量不作具体限定，客户端的数量最少为两个，人脸识别模型更新设备为中间交互的节点，通过人脸识别模型更新设备控制客户端进行人脸识别模型更新。
人脸识别模型更新设备接收客户端发送的用户标识，人脸识别模型更新设备统一同一类别的用户标识，即，人脸识别模型更新设备将各个客户端发送的用户标识进行组合，获得训练集，训练集中有n个不同的用户标识，在模型训练之前，人脸识别模型更新设备将训练集中的用户标识进行分类，同一个人的图片属于一个类别，不同人的图片属于不同类别，人脸识别模型更新设备统一同一类别的用户标识，人脸识别模型更新设备按统一后的用户标识进行数据对齐。可以理解的是，本实施例中人脸识别模型更新方法具有普适性，既可以适用于用户标识有重叠，还可以适用于用户标识无重叠的场景。
步骤S20，将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量。
人脸识别模型更新设备将从用户标识中选择样本标识组，人脸识别模型更新设备将样本标识组中的标识按照来源发送至客户端。具体地，本实施例中步骤S20包括：
步骤a1，从所述用户标识中随机选择一个用户标识作为锚点标识，根据所述锚点标识选择正例标识和负例标识，将所述锚点标识、所述正例标识和所述负例标识作为一个样本标识组；
步骤a2，从所述用户标识中选择预设数量的样本标识组，获取各所述样本标识组中锚点标识关联的第一标识、正例标识关联的第二标识和负例标识关联的第三标识；
步骤a3，将所述锚点标识发送至第一标识对应的第一客户端，将所述正例标识发送至第二标识对应的第二客户端，将所述负例标识发送至第三标识关联的第三客户端，以通过所述第一客户端处理所述锚点标识对应的人脸图像获得人脸特征向量，通过所述第二客户端处理所述正例标识对应的人脸图像获得人脸特征向量，通过所述第三客户端处理所述负例标识对应的人脸图像，获得人脸特征向量。
本实施例中人脸识别模型更新设备从用户标识中随机选择一个用户标识作为锚点标识，人脸识别模型更新设备选择与锚点标识相同类别的用户标识作正例标识，人脸识别模型更新设备选择与锚点标识不同类别的用户标识负例标识，人脸识别模型更新设备将锚点标识、正例标识和负例标识作为一个样本标识组；人脸识别模型更新设备从用户标识中选择预设数量(预设数量根据具体场景设置，例如设置为100)的样本标识组，获取各样本标识组中锚点标识关联的第一标识、正例标识关联的第二标识和负例标识关联的第三标识；人脸识别模型更新设备将锚点标识发送至第一标识对应的第一客户端，将正例标识发送至第二标识对应的第二客户端，将负例标识发送至第三标识关联的第三客户端，以通过第一客户端处理所述锚点标识对应的人脸图像获得人脸特征向量，通过第二客户端处理正例标识对应的人脸图像获得人脸特征向量，通过第三客户端处理负例标识对应的人脸图像，获得人脸特征向量。
人脸识别模型更新设备从用户标识中随机选择一个用户标识作为锚点标识，人脸识别模型更新设备选择同一类别的用户标识作为正例标识，人脸识别模型更新设备选择不同类别的用户标识作为负例标识；人脸识别模型更新设备将锚点标识、正例标识和负例标识作为一个样本标识组；例如，每个样本标识组包含三个ID:(锚点标识(ANC_ID)，正例标识(POS_ID),负例标识(NEG_ID))，这3个ID可能来自同一个客户端，也可能来自不同的客户端，ANC_ID和POS_ID是对齐后同一类别的ID，ANC_ID和NEG_ID是两个不同类别ID。
人脸识别模型更新设备从用户标识的集合中选择预设比例(预设比例是指预先设置的样本抽取比例，预设比例可以根据用户标识的数量设置，例如，用户标识数量为100000预设比例设置为10％)的样本标识组，人脸识别模型更新设备将样本标识组按照来源发送至客户端，以使客户端通过初始的人脸识别模型处理样本标识组对应的人脸图像，获得人脸特征向量，客户端将人脸特征向量发送至人脸识别模型更新设备。
步骤S30，通过预设损失函数处理所述人脸特征向量，获得损失值。
人脸识别模型更新设备接收客户端发送的人脸特征向量，人脸识别模型更新设备将人脸特征向量输入至预设损失函数(预设损失函数根据人脸识别模型具体设定)，通过预设损失函数处理各个客户端发送的人脸特征向量，获得损失值，具体地，包括：
步骤b1，接收客户端发送的所述人脸特征向量，获取所述人脸特征向量中所述锚点标识对应的锚点人脸特征向量，所述正例标识对应的正例人脸特征向量，和所述负例标识对应的负例人脸特征向量；
步骤b2，计算所述锚点人脸特征向量与所述正例人脸特征向量之间的第一欧式距离，计算所述锚点人脸特征向量与所述负例人脸特征向量之间的第二欧式距离；
步骤b3，按照预设损失函数处理所述第一欧式距离与所述第二欧式距离，获得损失值；
即，人脸识别模型更新设备接收客户端发送的人脸特征向量，人脸识别模型更新设备获取人脸特征向量中锚点标识对应的锚点人脸特征向量，正例标识对应的正例人脸特征向量，和负例标识对应的负例人脸特征向量，本实施例中锚点人脸特征向量、正例人脸特征向量和负例人脸特征向量可能来自同个客户端，也可能来自不同的客户端，人脸识别模型更新设备计算锚点人脸特征向量与正例人脸特征向量之间的第一欧式距离，计算锚点人脸特征向量与负例人脸特征向量之间的第二欧式距离。
例如，人脸识别模型更新设备将客户端A返回的人脸特征向量记为
Figure BDA0002419915640000061
将客户端B返回的人脸特征向量记为
Figure BDA0002419915640000062
欧式距离的计算公式如下：
Figure BDA0002419915640000063
人脸识别模型更新设备再计算
Figure BDA0002419915640000064
或者
Figure BDA0002419915640000065
本实施例中不作赘述。
人脸识别模型更新设备获得第一欧式距离和第二欧式距离之后，人脸识别模型更新设备将第一欧式距离和第二欧式距离带入预设损失函数计算获得损失值，具体地，预设损失函数为L＝max(d(a,p)-d(a,n)+margin,0)，其中，L表示损失值，d(a，p)表示锚点人脸特征向量和正例人脸特征向量之间的第一欧式距离，d(a，p)表示锚点人脸特征向量和负例人脸特征向量之间的第二欧式距离，margin表示一个预设数据，预设数据可以根据具体场景设置。
步骤S40，若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型。
人脸识别模型更新设备将损失值与预设阈值(预设阈值是指预先设置的临界值，例如，预设阈值设置为0.1)进行比较，若损失值大于预设阈值，人脸识别模型更新设备则将损失值发送至客户端，以使客户端按照损失值计算梯度值，客户端根据梯度值更新各自本地存储中的人脸识别模型，客户端利用更新后的人脸识别模型迭代处理样本标识组对应的人脸图像，获得人脸特征向量，直至损失值小于或等于预设阈值。
例如，参照图3，图3为本发明基于联邦学习的人脸识别模型更新方法第一实施例的具体场景示意图，
第一步：从联盟链中的一个节点作为人脸识别模型更新设备，人脸识别模型更新设备对客户端上传的进行加密数据对齐，具体地：
Step 1：人脸识别模型更新设备拥有每个人脸数据的全局唯一ID(比如身份证信息)，该全局唯一ID将作为数据对齐的密钥，由于客户端不希望人脸识别模型更新设备(服务器Server)知道它所拥有ID的真实值，而对齐也不依赖于真实值，因此在客户端对ID进行映射(比如做MD5映射)，将映射之后的MD5_ID上传到server。
Step 2：人脸识别模型更新设备根据客户端上传的MD5_ID，进行样本对齐，对齐之后人脸识别模型更新设备就知道了每一个ID是由哪几个客户端所拥有。
第二步：训练样本构造及损失函数计算：
Step 1：根据对齐后的MD5_ID，人脸识别模型更新设备可以开始构造测试样本，每个样本标识组包含三个ID:(ANC_ID描点标识，POS_ID正例标识,NEG_ID负例标识)，这3个ID可能来自同一个客户端也可能来自不同的客户端，ANC_ID和POS_ID是对齐后一致的ID，NEG_ID是与上述两个ID不一致的ID。
Step 2：人脸识别模型更新设备将该样本标识组按ID来源分别下发到各自的客户端。
Step 3：客户端A和客户端B根据当前自己的初始人脸识别模型，计算得到数据的人脸特征向量(人脸特征向量是指人脸识别中用来表征用户的稠密向量，一般为128,256或者512维)。客户端A和客户端B对计算得到的人脸特征向量进行同态加密，将加密后的结果返回给人脸识别模型更新设备
Step 4：人脸识别模型更新设备根据返回的同态解密的人脸特征向量，计算得到同态加密后的损失值(loss)。
人脸识别模型更新设备将客户端A返回的人脸特征向量记为
Figure BDA0002419915640000071
将客户端B返回的人脸特征向量记为
Figure BDA0002419915640000072
[[·]]表示同态加密。客户端A和客户端B对各自的人脸特征向量做同态加密，记为
Figure BDA0002419915640000073
和
Figure BDA0002419915640000074
由于是各个客户端同时返回，故返回的结果为
Figure BDA0002419915640000075
和
Figure BDA0002419915640000081
Server接收到结果后，进行损失函数计算，损失函数的计算方式如下：
L＝max(d(a,p)-d(a,n)+margin,0)，
人脸识别模型更新设备计算锚点人脸特征向量与正例人脸特征向量之间的第一欧式距离，计算锚点人脸特征向量与负例人脸特征向量之间的第二欧式距离；欧式距离的计算公式如下：
Figure BDA0002419915640000082
人脸识别模型更新设备按照相同的算法计算
Figure BDA0002419915640000083
或者
Figure BDA0002419915640000084
本实施不作具体赘述。
第三步：人脸识别模型更新设备根据损失值进行模型更新：
Step 1：人脸识别模型更新设备将计算好的加密损失值分别发送给客户端A和客户端B，客户端A和客户端B通过密钥进行解密，得到与自己参数相关的损失值，进行梯度计算。客户端A和客户端B根据梯度计算的结果进行模型更新。
本发明实施例中，基于联邦学习的人脸识别模型更新方法使得多方能够在***露自己数据隐私的情况下，实现人脸识别的联合训练，有效地避免隐私数据泄漏，提高了数据安全性，同时可以保证人脸识别模型识别的准确率。在进行人脸识别模型训练时，通过训练的人脸识别模型进行人脸识别，提高了身份验证的准确率。
进一步地，基于本发明基于联邦学习的人脸识别模型更新方法第一实施例，提出本发明基于联邦学习的人脸识别模型更新方法第二实施例。
本实施例是第一实施例中步骤S10之前的步骤，本实施例与上述实施例的区别在于：
在接收到模型更新指令时，发送用户标识申请指令至联盟链中的客户端，以使各客户端反馈经过加密处理的用户标识。
本实施例中人脸识别模型更新设备接收模型更新指令，模型更新指令的触发方式不作具体限定，即，模型更新指令可以是用户主动触发的，例如，用户点击人脸识别模型更新设备显示界面上的“模型更新”按键，主动触发模型更新指令；此外，模型更新指令还可以是自动触发的，例如，模型更新设备预先设置:模型识别准确率低于预设准确率时，自动触发模型更新指令。
人脸识别模型更新设备接收模型更新指令，人脸识别模型更新设备发送用户标识申请指令至联盟链中的客户端，以使各客户端反馈经过加密处理的用户标识，本实施例中客户端中选择的用户标识可以是用户身份证号码，用户手机号码等唯一标识用户身份的标识信息，此外，客户端将用户标识进行加密，并将加密后的用户标识发送至人脸识别模型更新设备，本实施例中客户端的加密的方式不作具体限定，例如，客户端采用MD5的加密方式。
基于上述步骤，本实施例中步骤S10包括：
接收客户端发送的用户标识，解密所述用户标识；
获取解密后的同一类别的用户标识，将同一类别的用户标识进行归类，并根据归类后的用户标识进行数据对齐。
人脸识别模型更新设备接收客户端发送的用户标识，人脸识别模型更新设备解密用户标识；获取解密后的同一类别的用户标识，人脸识别模型更新设备将同一类别的用户标识进行统一，并根据统一后的用户标识进行数据对齐。本实施例中人脸识别模型更新设备接收到了客户端发送的加密用户标识，人脸识别模型更新设备进行解密处理，由于做了加密处理，所以人脸识别模型更新设备也不知道真实的用户标识，提高了用户标识数据的保密性。
进一步地，基于本发明基于联邦学习的人脸识别模型更新方法上述实施例，提出本发明基于联邦学习的人脸识别模型更新方法第三实施例。
本实施例是第一实施例中步骤S20的细化步骤，本实施例与上述实施例的区别在于：
将所述用户标识中的样本标识组发送至客户端，并判断所述客户端中是否存在初始人脸识别模型；
若所述客户端中不存在所述初始人脸识别模型，则获取预存的初始人脸识别模型发送至客户端，以使客户端通过初始的人脸识别模型处理所述样本标识组对应的人脸图像，获得人脸特征向量。
在本实施例中，人脸识别模型更新设备从用户标识中选择样本标识组，人脸识别模型更新设备获取样本标识组中锚点标识关联的第一标识、正例标识关联的第二标识和负例标识关联的第三标识；将所述锚点标识发送至第一标识对应的第一客户端，将所述正例标识发送至第二标识对应的第二客户端，将所述负例标识发送至第三标识关联的第三客户端，人脸识别模型更新设备判断第一客户端、第二客户端和第三客户端中是否存在初始的人脸识别模型；若第一客户端、第二客户端和/或第三客户端中不存在初始的人脸识别模型，人脸识别模型更新设备将初始人脸识别模型发送至第一客户端、第二客户端和或第三客户端，以使客户端通过初始的人脸识别模型处理样本标识组对应的人脸图像，获得人脸特征向量。
本实施例中人脸识别模型更新设备控制客户端进行人脸识别模型的更新，若客户端中没有初始的人脸识别模型，人脸识别模型更新设备将初始的人脸识别模型发送至客户端，以使各个客户端利用本地的人脸图像，各自进行训练，有效地防止用户信息的泄漏，保证了数据安全性。
进一步地，基于本发明基于联邦学习的人脸识别模型更新方法上述实施例，提出本发明基于联邦学习的人脸识别模型更新方法第四实施例。
本实施例是第一实施例中步骤S30之后的步骤，本实施例与上述实施例的区别在于：
若所述损失值小于或等于预设阈值，则判定所述客户端中的人脸识别模型满足收敛条件，停止更新所述人脸识别模型，发送更新完成提示至客户端。
人脸识别模型更新设备将损失值与预设阈值进行比较，若损失值大于预设阈值，人脸识别模型更新设备则执行第一实施例中步骤S40：将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型；若损失值小于或等于预设阈值，人脸识别模型更新设备则判定客户端中的人脸识别模型满足收敛条件，人脸识别模型更新设备发送更新完成提示至客户端。本实施例中人脸识别模型更新设备根据损失值与预设阈值的大小关系，确定模型训练的终点，使得人脸识别模型简单准确。
进一步地，基于本发明基于联邦学习的人脸识别模型更新方法上述实施例，提出本发明基于联邦学习的人脸识别模型更新方法第五实施例。
本实施例是第一实施例中步骤S40之后的步骤，本实施例与上述实施例的区别在于：
接收人脸识别指令，获取待识别的目标人脸图像，将所述目标人脸图像发送至客户端，以使客户端通过人脸识别模型处理目标人脸图像，获得人脸识别结果；
接收客户端发送的人脸识别结果，在所述人脸识别结果错误时，触发模型更新指令，以使客户端将所述目标人脸图像作为样本图像，更新人脸识别模型。
人脸识别模型更新设备接收人脸识别指令，获取待识别的目标人脸图像，人脸识别模型更新设备将目标人脸图像发送至客户端，以使客户端通过更新的人脸识别模型处理目标人脸图像，获得人脸识别结果；客户端将人脸识别结果发送至人脸识别模型更新设备，人脸识别模型更新设备接收客户端发送的人脸识别结果，人脸识别模型更新设备判断人脸识别结果是否正确，人脸识别结果正确时不作处理，在人脸识别结果错误时，人脸识别模型更新设备触发模型更新指令，以使客户端将目标人脸图像作为样本图像，更新人脸识别模型。
本实施例中客户端通过人脸识别模型进行人脸识别，出现识别错误时，人脸识别模型更新设备进行二次训练，提高了人脸识别模型的训练准确性。
参照图4，本发明还提供一种基于联邦学习的人脸识别模型更新装置，所述基于联邦学习的人脸识别模型更新装置包括：
标识接收模块10，用于接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐；
标识选择模块20，用于将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量；
损失值计算模块30，用于通过预设损失函数处理所述人脸特征向量，获得损失值；
损失值发送模块40，用于若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型。
在一实施例中，所述的基于联邦学习的人脸识别模型更新装置，包括：
指令发送模块，用于在接收到模型更新指令时，发送用户标识申请指令至联盟链中的客户端，以使各客户端反馈经过加密处理的用户标识；
所述标识接收模块10，包括：
接收解密单元，用于接收客户端发送的用户标识，解密所述用户标识；
统一对齐单元，用于获取解密后的同一类别的用户标识，将同一类别的用户标识进行归类，并根据归类后的用户标识进行数据对齐。
在一实施例中，所述标识选择模块20，包括：
标识选择单元，用于从所述用户标识中随机选择一个用户标识作为锚点标识，根据所述锚点标识选择正例标识和负例标识，将所述锚点标识、所述正例标识和所述负例标识作为一个样本标识组；
关联获取单元，用于从所述用户标识中选择预设数量的样本标识组，获取各所述样本标识组中锚点标识关联的第一标识、正例标识关联的第二标识和负例标识关联的第三标识；
标识反馈单元，用于将所述锚点标识发送至第一标识对应的第一客户端，将所述正例标识发送至第二标识对应的第二客户端，将所述负例标识发送至第三标识关联的第三客户端，以通过所述第一客户端处理所述锚点标识对应的人脸图像获得人脸特征向量，通过所述第二客户端处理所述正例标识对应的人脸图像获得人脸特征向量，通过所述第三客户端处理所述负例标识对应的人脸图像，获得人脸特征向量。
在一实施例中，所述损失值计算模块30，包括：
向量选择单元，用于接收客户端发送的所述人脸特征向量，获取所述人脸特征向量中所述锚点标识对应的锚点人脸特征向量，所述正例标识对应的正例人脸特征向量，和所述负例标识对应的负例人脸特征向量；
距离计算单元，用于计算所述锚点人脸特征向量与所述正例人脸特征向量之间的第一欧式距离，计算所述锚点人脸特征向量与所述负例人脸特征向量之间的第二欧式距离；
损失值计算单元，用于按照预设损失函数处理所述第一欧式距离与所述第二欧式距离，获得损失值。
在一实施例中，所述标识选择模块20，包括：
标识发送单元，用于将所述用户标识中的样本标识组发送至客户端，并判断所述客户端中是否存在初始人脸识别模型；
模型发送单元，用于若所述客户端中不存在初始的人脸识别模型，则将初始的人脸识别模型发送至客户端，以使客户端通过初始的人脸识别模型处理所述样本标识组对应的人脸图像，获得人脸特征向量。
在一实施例中，所述的基于联邦学习的人脸识别模型更新装置，包括：
更新提示模块，用于若所述损失值小于或等于预设阈值，停止更新所述人脸识别模型。
在一实施例中，所述的基于联邦学习的人脸识别模型更新装置，还包括：
识别接收模块，用于接收人脸识别指令，获取待识别的目标人脸图像，将所述目标人脸图像发送至客户端，以使客户端通过人脸识别模型处理目标人脸图像，获得人脸识别结果；
接收触发模块，用于接收客户端发送的人脸识别结果，在所述人脸识别结果错误时，触发模型更新指令，以使客户端将所述目标人脸图像作为样本图像，更新人脸识别模型。
其中，在所述处基于联邦学习的人脸识别模型更新装置被执行时所实现的方法可参照本发明基于联邦学习的人脸识别模型更新方法各个实施例，此处不再赘述。
本发明实施例中，基于联邦学习的人脸识别模型更新装置使得多方能够在***露自己数据隐私的情况下，实现人脸识别的联合训练，有效地避免隐私数据泄漏，提高了数据安全性，同时可以保证人脸识别模型识别的准确率。在银行机构等金融机构内采用上述基于联邦学习的人脸识别模型更新方式，进行人脸识别模型训练，通过训练的人脸识别模型进行人脸识别，提高了身份验证的准确率。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有基于联邦学习的人脸识别模型更新对应的计算机程序，所述基于联邦学习的人脸识别模型更新对应的计算机程序被处理器执行时实现如上所述的基于联邦学习的人脸识别模型更新方法的步骤。
其中，在所述处理器上运行的基于联邦学习的人脸识别模型更新对应的计算机程序被执行时所实现的方法可参照本发明基于联邦学习的人脸识别模型更新方法各个实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于联邦学习的人脸识别模型更新方法，其特征在于，所述基于联邦学习的人脸识别模型更新方法包括如下步骤：
接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐；
将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量；
通过预设损失函数处理所述人脸特征向量，获得损失值；
若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型。
2.如权利要求1所述的基于联邦学习的人脸识别模型更新方法，其特征在于，所述接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐的步骤之前，所述方法包括：
在接收到模型更新指令时，发送用户标识申请指令至联盟链中的客户端，以使各客户端反馈经过加密处理的用户标识；
所述接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐的步骤，包括：
接收客户端发送的用户标识，解密所述用户标识；
获取解密后的同一类别的用户标识，将同一类别的用户标识进行归类，并根据归类后的用户标识进行数据对齐。
3.如权利要求1所述的基于联邦学习的人脸识别模型更新方法，其特征在于，所述将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量的步骤，包括：
从所述用户标识中随机选择一个用户标识作为锚点标识，根据所述锚点标识选择正例标识和负例标识，将所述锚点标识、所述正例标识和所述负例标识作为一个样本标识组；
从所述用户标识中选择预设数量的样本标识组，获取各所述样本标识组中锚点标识关联的第一标识、正例标识关联的第二标识和负例标识关联的第三标识；
将所述锚点标识发送至第一标识对应的第一客户端，将所述正例标识发送至第二标识对应的第二客户端，将所述负例标识发送至第三标识关联的第三客户端，以通过所述第一客户端处理所述锚点标识对应的人脸图像获得人脸特征向量，通过所述第二客户端处理所述正例标识对应的人脸图像获得人脸特征向量，通过所述第三客户端处理所述负例标识对应的人脸图像，获得人脸特征向量。
4.如权利要求3所述的基于联邦学习的人脸识别模型更新方法，其特征在于，所述通过预设损失函数处理所述人脸特征向量，获得损失值的步骤，包括：
接收客户端发送的所述人脸特征向量，获取所述人脸特征向量中所述锚点标识对应的锚点人脸特征向量，所述正例标识对应的正例人脸特征向量，和所述负例标识对应的负例人脸特征向量；
计算所述锚点人脸特征向量与所述正例人脸特征向量之间的第一欧式距离，计算所述锚点人脸特征向量与所述负例人脸特征向量之间的第二欧式距离；
按照预设损失函数处理所述第一欧式距离与所述第二欧式距离，获得损失值。
5.如权利要求1所述的基于联邦学习的人脸识别模型更新方法，其特征在于，所述将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量的步骤，包括：
将所述用户标识中的样本标识组发送至客户端，并判断所述客户端中是否存在初始人脸识别模型；
若所述客户端中不存在所述初始人脸识别模型，则获取预存的初始人脸识别模型发送至客户端，以使客户端通过初始的人脸识别模型处理所述样本标识组对应的人脸图像，获得人脸特征向量。
6.如权利要求1所述的基于联邦学习的人脸识别模型更新方法，其特征在于，所述接收客户端发送的所述人脸特征向量，处理所述人脸特征向量获得损失值的步骤之后，所述方法包括：
若所述损失值小于或等于预设阈值，停止更新所述人脸识别模型。
7.如权利要求1至6任意一项所述的基于联邦学习的人脸识别模型更新方法，其特征在于，所述若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型的步骤之后，所述方法还包括：
接收人脸识别指令，获取待识别的目标人脸图像，将所述目标人脸图像发送至客户端，以使客户端通过人脸识别模型处理目标人脸图像，获得人脸识别结果；
接收客户端发送的人脸识别结果，在所述人脸识别结果错误时，触发模型更新指令，以使客户端将所述目标人脸图像作为样本图像，更新人脸识别模型。
8.一种基于联邦学习的人脸识别模型更新装置，其特征在于，所述基于联邦学习的人脸识别模型更新装置包括：
标识接收模块，用于接收客户端发送的用户标识，对同一类别的所述用户标识进行样本对齐；
标识选择模块，用于将所述用户标识中的样本标识组发送至客户端，并获取所述客户端训练人脸识别模型后生成的人脸特征向量；
损失值计算模块，用于通过预设损失函数处理所述人脸特征向量，获得损失值；
损失值发送模块，用于若所述损失值大于预设阈值，则将所述损失值发送至客户端，以使所述客户端按照所述损失值计算梯度值，并根据所述梯度值更新所述人脸识别模型。
9.一种基于联邦学习的人脸识别模型更新设备，其特征在于，所述基于联邦学习的人脸识别模型更新设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于联邦学习的人脸识别模型更新对应的计算机程序，所述基于联邦学习的人脸识别模型更新对应的计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的人脸识别模型更新方法的步骤。
10.一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上存储有基于联邦学习的人脸识别模型更新对应的计算机程序，所述基于联邦学习的人脸识别模型更新对应的计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的人脸识别模型更新方法的步骤。
CN202010202695.7A 2020-03-20 2020-03-20 人脸识别模型更新方法、装置、设备和介质 Pending CN111401277A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010202695.7A CN111401277A (zh) 2020-03-20 2020-03-20 人脸识别模型更新方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202695.7A CN111401277A (zh) 2020-03-20 2020-03-20 人脸识别模型更新方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN111401277A true CN111401277A (zh) 2020-07-10

Family

ID=71432753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202695.7A Pending CN111401277A (zh) 2020-03-20 2020-03-20 人脸识别模型更新方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN111401277A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414636A (zh) * 2020-03-20 2020-07-14 深圳前海微众银行股份有限公司 识别模型的更新方法、装置、设备及存储介质
CN112068866A (zh) * 2020-09-29 2020-12-11 支付宝(杭州)信息技术有限公司 更新业务模型的方法及装置
CN112381000A (zh) * 2020-11-16 2021-02-19 深圳前海微众银行股份有限公司 基于联邦学习的人脸识别方法、装置、设备及存储介质
CN112668472A (zh) * 2020-12-28 2021-04-16 中国科学院自动化研究所 基于联邦学习的虹膜图像特征提取方法、***和装置
CN112686129A (zh) * 2020-12-28 2021-04-20 湖北亿咖通科技有限公司 一种人脸识别***及方法
CN112686100A (zh) * 2020-12-16 2021-04-20 天津中科智能识别产业技术研究院有限公司 一种联邦制人脸图像特征学习方法
CN112766164A (zh) * 2021-01-20 2021-05-07 深圳力维智联技术有限公司 人脸识别模型训练方法、装置、设备及可读存储介质
CN113673476A (zh) * 2021-09-02 2021-11-19 京东科技控股股份有限公司 人脸识别模型训练方法、装置、存储介质与电子设备
CN114978623A (zh) * 2022-05-06 2022-08-30 支付宝(杭州)信息技术有限公司 一种基于隐私保护的人脸比对方法及装置
CN117010026A (zh) * 2023-06-30 2023-11-07 北京交通大学 一种基于联邦知识网络的异常人物关系检测与识别方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203533A (zh) * 2016-07-26 2016-12-07 厦门大学 基于混合训练的深度学习人脸验证方法
US20170310643A1 (en) * 2014-10-24 2017-10-26 National Ict Australia Limited Gradients over distributed datasets
CN107844784A (zh) * 2017-12-08 2018-03-27 广东美的智能机器人有限公司 人脸识别方法、装置、计算机设备和可读存储介质
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN108154133A (zh) * 2018-01-10 2018-06-12 西安电子科技大学 基于非对称联合学习的人脸画像-照片识别方法
CN109165515A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的模型参数获取方法、***及可读存储介质
CN109165725A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于迁移学习的神经网络联邦建模方法、设备及存储介质
CN109189825A (zh) * 2018-08-10 2019-01-11 深圳前海微众银行股份有限公司 横向数据切分联邦学习建模方法、服务器及介质
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN109993125A (zh) * 2019-04-03 2019-07-09 腾讯科技（深圳）有限公司 模型训练方法、人脸识别方法、装置、设备及存储介质
US20190227980A1 (en) * 2018-01-22 2019-07-25 Google Llc Training User-Level Differentially Private Machine-Learned Models
CN110070037A (zh) * 2019-04-22 2019-07-30 深圳力维智联技术有限公司 人脸识别模型的平滑升级方法、装置和可读存储介质
CN110309923A (zh) * 2019-07-03 2019-10-08 深圳前海微众银行股份有限公司 横向联邦学习方法、装置、设备及计算机存储介质
CN110516544A (zh) * 2019-07-19 2019-11-29 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质
CN110610140A (zh) * 2019-08-23 2019-12-24 平安科技（深圳）有限公司 人脸识别模型的训练方法、装置、设备及可读存储介质
CN110765866A (zh) * 2019-09-18 2020-02-07 新疆爱华盈通信息技术有限公司 人脸识别方法和人脸识别设备
CN110826525A (zh) * 2019-11-18 2020-02-21 天津高创安邦技术有限公司 一种人脸识别的方法及***
CN110851785A (zh) * 2019-11-14 2020-02-28 深圳前海微众银行股份有限公司 纵向联邦学习优化方法、装置、设备及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170310643A1 (en) * 2014-10-24 2017-10-26 National Ict Australia Limited Gradients over distributed datasets
CN106203533A (zh) * 2016-07-26 2016-12-07 厦门大学 基于混合训练的深度学习人脸验证方法
CN107844784A (zh) * 2017-12-08 2018-03-27 广东美的智能机器人有限公司 人脸识别方法、装置、计算机设备和可读存储介质
CN108009528A (zh) * 2017-12-26 2018-05-08 广州广电运通金融电子股份有限公司 基于Triplet Loss的人脸认证方法、装置、计算机设备和存储介质
CN108154133A (zh) * 2018-01-10 2018-06-12 西安电子科技大学 基于非对称联合学习的人脸画像-照片识别方法
US20190227980A1 (en) * 2018-01-22 2019-07-25 Google Llc Training User-Level Differentially Private Machine-Learned Models
CN109165515A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于联邦学习的模型参数获取方法、***及可读存储介质
CN109165725A (zh) * 2018-08-10 2019-01-08 深圳前海微众银行股份有限公司 基于迁移学习的神经网络联邦建模方法、设备及存储介质
CN109189825A (zh) * 2018-08-10 2019-01-11 深圳前海微众银行股份有限公司 横向数据切分联邦学习建模方法、服务器及介质
CN109359541A (zh) * 2018-09-17 2019-02-19 南京邮电大学 一种基于深度迁移学习的素描人脸识别方法
CN109993125A (zh) * 2019-04-03 2019-07-09 腾讯科技（深圳）有限公司 模型训练方法、人脸识别方法、装置、设备及存储介质
CN110070037A (zh) * 2019-04-22 2019-07-30 深圳力维智联技术有限公司 人脸识别模型的平滑升级方法、装置和可读存储介质
CN110309923A (zh) * 2019-07-03 2019-10-08 深圳前海微众银行股份有限公司 横向联邦学习方法、装置、设备及计算机存储介质
CN110516544A (zh) * 2019-07-19 2019-11-29 平安科技（深圳）有限公司 基于深度学习的人脸识别方法、装置及计算机可读存储介质
CN110610140A (zh) * 2019-08-23 2019-12-24 平安科技（深圳）有限公司 人脸识别模型的训练方法、装置、设备及可读存储介质
CN110765866A (zh) * 2019-09-18 2020-02-07 新疆爱华盈通信息技术有限公司 人脸识别方法和人脸识别设备
CN110851785A (zh) * 2019-11-14 2020-02-28 深圳前海微众银行股份有限公司 纵向联邦学习优化方法、装置、设备及存储介质
CN110826525A (zh) * 2019-11-18 2020-02-21 天津高创安邦技术有限公司 一种人脸识别的方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
QIANG YANG 等: "federated machine learning:concept and applications", ACM TRANS. INTELL. SYST. TECHNOL, 28 February 2019 (2019-02-28) *
WEI ZHOU等: "Real-Time Data Processing Architecture for Multi- Robots Based on Differential Federated Learning", 2018 IEEE SMARTWORLD, 12 October 2018 (2018-10-12) *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414636A (zh) * 2020-03-20 2020-07-14 深圳前海微众银行股份有限公司 识别模型的更新方法、装置、设备及存储介质
CN112068866A (zh) * 2020-09-29 2020-12-11 支付宝(杭州)信息技术有限公司 更新业务模型的方法及装置
CN112381000A (zh) * 2020-11-16 2021-02-19 深圳前海微众银行股份有限公司 基于联邦学习的人脸识别方法、装置、设备及存储介质
CN112686100A (zh) * 2020-12-16 2021-04-20 天津中科智能识别产业技术研究院有限公司 一种联邦制人脸图像特征学习方法
CN112686100B (zh) * 2020-12-16 2022-05-10 天津中科智能识别产业技术研究院有限公司 一种联邦制人脸图像特征学习方法
CN112686129B (zh) * 2020-12-28 2022-05-13 亿咖通(湖北)技术有限公司 一种人脸识别***及方法
CN112668472A (zh) * 2020-12-28 2021-04-16 中国科学院自动化研究所 基于联邦学习的虹膜图像特征提取方法、***和装置
CN112686129A (zh) * 2020-12-28 2021-04-20 湖北亿咖通科技有限公司 一种人脸识别***及方法
CN112668472B (zh) * 2020-12-28 2021-08-31 中国科学院自动化研究所 基于联邦学习的虹膜图像特征提取方法、***和装置
CN112766164A (zh) * 2021-01-20 2021-05-07 深圳力维智联技术有限公司 人脸识别模型训练方法、装置、设备及可读存储介质
CN113673476A (zh) * 2021-09-02 2021-11-19 京东科技控股股份有限公司 人脸识别模型训练方法、装置、存储介质与电子设备
CN113673476B (zh) * 2021-09-02 2023-11-07 京东科技控股股份有限公司 人脸识别模型训练方法、装置、存储介质与电子设备
CN114978623A (zh) * 2022-05-06 2022-08-30 支付宝(杭州)信息技术有限公司 一种基于隐私保护的人脸比对方法及装置
CN114978623B (zh) * 2022-05-06 2023-11-17 支付宝(杭州)信息技术有限公司 一种基于隐私保护的人脸比对方法及装置
CN117010026A (zh) * 2023-06-30 2023-11-07 北京交通大学 一种基于联邦知识网络的异常人物关系检测与识别方法
CN117010026B (zh) * 2023-06-30 2024-04-09 北京交通大学 一种基于联邦知识网络的异常人物关系检测与识别方法

Similar Documents

Publication Publication Date Title
CN111401277A (zh) 人脸识别模型更新方法、装置、设备和介质
US20210232974A1 (en) Federated-learning based method of acquiring model parameters, system and readable storage medium
CN109886417B (zh) 基于联邦学习的模型参数训练方法、装置、设备及介质
CN109255444B (zh) 基于迁移学习的联邦建模方法、设备及可读存储介质
CN109471844B (zh) 文件共享方法、装置、计算机设备和存储介质
WO2020238677A1 (zh) 数据处理方法、装置和计算机可读存储介质
CN109802942B (zh) 一种隐私保护的声纹认证方法
CN106709963B (zh) 验证图像真伪的方法和装置
US11223478B2 (en) Biometric authentication with template privacy and non-interactive re-enrollment
WO2021159798A1 (zh) 纵向联邦学习***优化方法、设备及可读存储介质
US9230135B2 (en) Secure access for sensitive digital information
CN109347620B (zh) 样本对齐方法、***及计算机可读存储介质
CN111325352B (zh) 基于纵向联邦学习的模型更新方法、装置、设备及介质
EP3206329A1 (en) Security check method, device, terminal and server
US20240163279A1 (en) Systems and methods for securing login access
CN112567441A (zh) 信息处理***、信息处理方法和信息处理装置
CN114117386A (zh) 会议管理方法及装置、计算机可读存储介质、电子设备
CN116015945A (zh) 基于电子签名的电子档案安全传输方法、***及介质
CN112381000A (zh) 基于联邦学习的人脸识别方法、装置、设备及存储介质
CN113779534B (zh) 一种基于数字身份的个人信息提供方法和业务平台
CN114996727A (zh) 基于掌纹掌静脉识别的生物特征隐私加密方法及***
CN114048453A (zh) 用户特征的生成方法、装置、计算机设备和存储介质
CN114222288A (zh) 设备标识生成方法、设备标识校验方法和装置
CN107133517B (zh) 一种基于内存中数据加密和计算的数据还原方法
CN111414636A (zh) 识别模型的更新方法、装置、设备及存储介质

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