CN111783607B - 人脸识别模型的训练方法、装置、电子设备及存储介质 - Google Patents
人脸识别模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111783607B CN111783607B CN202010592670.2A CN202010592670A CN111783607B CN 111783607 B CN111783607 B CN 111783607B CN 202010592670 A CN202010592670 A CN 202010592670A CN 111783607 B CN111783607 B CN 111783607B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- channel
- basic unit
- output
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005728 strengthening Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims description 32
- 230000002787 reinforcement Effects 0.000 claims description 28
- 238000007477 logistic regression Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 230000003014 reinforcing effect Effects 0.000 claims description 14
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种人脸识别模型的训练方法、装置、电子设备及存储介质,涉及人工智能中深度学习、云计算以及计算机视觉领域,具体涉及戴口罩人脸识别方面。具体方案为:将人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至当前基本单元;将当前基本单元输出的图像特征输入至当前特征加强模块,对当前基本单元输出的图像特征进行加强处理;将处理后的图像特征输入至后面一个基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至最后一个基本单元;使用最后一个基本单元输出的图像特征对人脸识别模型进行训练。本申请实施例可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。
Description
技术领域
本申请涉及计算机应用技术领域,进一步涉及人工智能中深度学习、云计算以及计算机视觉领域,具体涉及戴口罩人脸识别方面,尤其是一种人脸识别模型的训练方法、装置、电子设备及存储介质。
背景技术
随着计算机技术的发展,图像处理技术应用到了越来越多的领域。通常,可以使用机器学习方法训练人脸识别模型,利用人脸识别模型对图像中的人脸进行识别。在人脸戴口罩的情况下,对戴口罩的人脸进行识别的难点在于:人脸识别模型既要解决戴口罩情况下的人脸识别,又要解决不戴口罩情况下的人脸识别。戴口罩情况下与不戴带口罩情况下相比,缺少嘴部、鼻子等相关信息,如果在训练模型的过程中不加以修改,则会导致人脸识别模型对戴口罩的人脸进行识别的效果降低。
在现有的人脸识别模型的训练方法中,将口罩数据和非口罩数据同等对待,直接用ID分类的方法进行训练。由于在人脸戴口罩的情况下,人脸识别模型未做特别处理,导致人脸识别模型对戴口罩的人脸进行识别的准确度不高。
发明内容
有鉴于此,本申请提出实施例提供一种人脸识别模型的训练方法、装置、电子设备及存储介质,可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。
第一方面,本申请实施例提供了一种人脸识别模型的训练方法,所述方法包括:
当待训练的人脸识别模型不满足收敛条件时,将所述待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至所述当前基本单元;其中,所述人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像;
将所述当前基本单元输出的图像特征输入至当前特征加强模块,通过所述当前特征加强模块对所述当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;
将所述加强处理后的图像特征输入至所述当前基本单元的后面一个基本单元;将所述后面一个基本单元作为所述当前基本单元;重复执行上述操作,直到将所述当前基本单元输出的图像特征输入至所述待训练的人脸识别模型的最后一个基本单元;
使用所述最后一个基本单元输出的图像特征对所述待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为所述当前用户的人脸图像,重复执行上述操作,直到所述待训练的人脸识别模型满足所述收敛条件。
第二方面,本申请还提供了一种人脸识别模型的训练装置,所述装置包括:输入模块、特征加强模块和训练模块;其中,
所述输入模块,用于当待训练的人脸识别模型不满足收敛条件时,将所述待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至所述当前基本单元;其中,所述人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像;
所述特征加强模块,用于将所述当前基本单元输出的图像特征输入至当前特征加强模块,通过所述当前特征加强模块对所述当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;
所述输入模块,还用于将所述加强处理后的图像特征输入至所述当前基本单元的后面一个基本单元;将所述后面一个基本单元作为所述当前基本单元;重复执行上述操作,直到将所述当前基本单元输出的图像特征输入至所述待训练的人脸识别模型的最后一个基本单元;
所述训练模块,用于使用所述最后一个基本单元输出的图像特征对所述待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为所述当前用户的人脸图像,重复执行上述操作,直到所述待训练的人脸识别模型满足所述收敛条件。
第三方面,本申请实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本申请任意实施例所述的人脸识别模型的训练方法。
第四方面,本申请实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本申请任意实施例所述的人脸识别模型的训练方法。
本申请解决了现有技术中在人脸戴口罩的情况下,人脸识别模型对戴口罩的人脸进行识别的准确度不高的技术问题,本申请提供的技术方案,可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例一提供的人脸识别模型的训练方法的流程示意图;
图2是本申请实施例一提供的人脸识别模型的结构示意图;
图3是本申请实施例一提供的特征加强模块的结构示意图;
图4是本申请实施例二提供的人脸识别模型的训练方法的流程示意图;
图5是本申请实施例二提供的通道注意力模块的结构示意图;
图6是本申请实施例三提供的人脸识别模型的训练装置的结构示意图;
图7是本申请实施例三提供的特征加强模块的结构示意图;
图8是用来实现本申请实施例的人脸识别模型的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
图1是本申请实施例一提供的人脸识别模型的训练方法的流程示意图,该方法可以由人脸识别模型的训练装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,人脸识别模型的训练方法可以包括以下步骤:
S101、当待训练的人脸识别模型不满足收敛条件时,将待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至当前基本单元;其中,人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像。
在本申请的具体实施例中,当待训练的人脸识别模型不满足收敛条件时,电子设备而可以先将待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至当前基本单元;其中,该人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像。具体地,人脸识别模型可以包括N个基本单元(Block)和N-1个特征加强模块(AttentionModule),每两个相邻的基本单元之间设置一个特征加强模块;其中,N为大于等于1的自然数。
图2是本申请实施例一提供的人脸识别模型的结构示意图。如图2所示,人脸识别模型包括四个基本单元和三个特征加强模块,上述四个基本单元分别为基本单元1、基本单元2、基本单元3和基本单元4;上述三个特征加强模块分别为特征加强模块1、特征加强模块2和特征加强模块3;其中,特征加强模块1设置在基本单元1和基本单元2之间;特征加强模块2设置在基本单元2和基本单元3之间;特征加强模块3设置在基本单元3和基本单元4之间。具体地,人脸图像(包括戴口罩的人脸图像和不戴口罩的人脸图像)可以先输入至基本单元1,得到基本单元1输出的图像特征;将基本单元1输出的图像特征输入至特征加强模块1,通过特征加强模块1对基本单元1输出的图像特征进行加强处理,得到特征加强模块1加强处理后的图像特征;将特征加强模块1加强处理后的图像特征再输入至基本单元2,得到基本单元2输出的图像特征;将基本单元2输出的图像特征输入至特征加强模块2,通过特征加强模块2对基本单元2输出的图像特征进行加强处理,得到特征加强模块2加强处理后的图像特征;将特征加强模块2加强处理后的图像特征输入至基本单元3,得到基本单元3输出的图像特征;将基本单元3输出的图像特征输入至特征加强模块3,通过特征加强模块3对基本单元3输出的图像特征进行加强处理,得到特征加强模块3加强处理后的图像特征;将特征加强模块3加强处理后的图像特征输入至基本单元4,得到基本单元4输出的图像特征。
S102、将当前基本单元输出的图像特征输入至当前特征加强模块,通过当前特征加强模块对当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征。
在本申请的具体实施例中,电子设备可以将当前基本单元输出的图像特征输入至当前特征加强模块,通过当前特征加强模块对当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;其中,当前特征加强模块设置在当前基本单元和当前基本单元的后面一个基本单元之间。具体地,电子设备可以先将当前基本单元输出的图像特征转换为N个通道对应的图像特征;其中,N为大于等于1的自然数;然后通过当前特征加强模块的各个通道对与其对应的图像特征进行加强处理,得到当前特征加强模块的各个通道输出的图像特征;再将当前特征加强模块的各个通道输出的图像特征进行合并,得到合并后的图像特征;将合并后的图像特征作为加强处理后的图像特征。例如,电子设备可以先将当前基本单元输出的图像特征转换为红色(R)通道对应的图像特征、绿色(G)通道对应的图像特征和蓝色(B)通道对应的图像特征;然后在R通道中对R通道对应的图像特征进行加强处理;在G通道对G通道对应的图像特征进行加强处理;在B通道对B通道对应的图像特征进行加强处理;再将R通道输出的图像特征、G通道输出的图像特征和B通道输出的图像特征进行合并,得到合并后的图像特征;将合并后的图像特征作为加强处理后的图像特征。
图3是本申请实施例一提供的特征加强模块的结构示意图。如图3所示,特征加强模块可以包括:1个输入模块、N个逻辑回归模块、N个通道注意力模块、N个计算模块和1个输出模块;其中,N为大于等于1的自然数。具体地,逻辑回归模块1、通道注意力模块1和计算模块1设置在通道1中;逻辑回归模块2、通道注意力模块2和计算模块2设置在通道2中;…;逻辑回归模块N、通道注意力模块N和计算模块N设置在通道N中。具体地,电子设备可以通过输入模块将各个通道对应的图像特征输入至各个通道的逻辑回归模块,得到各个逻辑回归模块输出的图像特征;然后将各个通道对应的图像特征输入至各个通道的通道注意力模块,得到各个通道注意力模块输出的通道掩码;再将各个逻辑回归模块输出的图像特征和与其对应的通道注意力模块输出的通道掩码进行逐元素相乘,得到各个逐元素相乘后的图像特征;将各个逐元素相乘后的图像特征作为当前特征加强模块的各个通道输出的图像特征。
S103、将加强处理后的图像特征输入至当前基本单元的后面一个基本单元中;将后面一个基本单元作为当前基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至待训练的人脸识别模型的最后一个基本单元。
在本申请的具体实施例中,电子设备可以将加强处理后的图像特征输入至当前基本单元的后面一个基本单元;将后面一个基本单元作为当前基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至待训练的人脸识别模型的最后一个基本单元。例如,电子设备在得到特征加强模块1加强处理后的图像特征之后,将特征加强模块1加强处理后的图像特征输入至基本单元2;将基本单元2作为当前基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至待训练的人脸识别模型的最后一个基本单元。
S104、使用最后一个基本单元输出的图像特征对待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为当前用户的人脸图像,重复执行上述操作,直到待训练的人脸识别模型满足收敛条件。
在本申请的具体实施例中,电子设备可以使用最后一个基本单元输出的图像特征对待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为当前用户的人脸图像,重复执行上述操作,直到待训练的人脸识别模型满足收敛条件。由于戴口罩的人脸图像和不戴口罩的人脸图像是同一个人的人脸图像,而将戴口罩的人脸图像输入至待训练的人脸识别模型得到的图像特征与将不戴口罩的人脸图像输入至待训练的人脸识别模型得到的图像特征存在一定的差距,因此需要通过损失函数Additive AngularMargin Loss计算两者的差距,根据这两个图像特征的差距对待训练的人脸识别模型的参数进行调整。
较佳地,在本申请的具体实施例中,电子设备可以先训练非口罩人脸识别模型;然后在非口罩人脸识别模型中增加特征加强模块;此时需要固定住非口罩人脸识别模型,只学习特征加强模块;特征加强模块的结构相同,可以嵌入至主流的神经网络(如Backbone、Resnet等)的Block中间。每个Block输出的图像特征依次在各个通道上乘以通道注意力模块输出的通道掩码,输出的图像特征就有了侧重和抑制,从而可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。
本申请实施例提出的人脸识别模型的训练方法,当待训练的人脸识别模型不满足收敛条件时,先将待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至当前基本单元;然后将当前基本单元输出的图像特征输入至当前特征加强模块,通过当前特征加强模块对当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;接着将加强处理后的图像特征输入至当前基本单元的后面一个基本单元;将后面一个基本单元作为当前基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至待训练的人脸识别模型的最后一个基本单元;再使用最后一个基本单元输出的图像特征对待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为当前用户的人脸图像,重复执行上述操作,直到待训练的人脸识别模型满足收敛条件。也就是说,本申请在当前基本单元和当前基本单元的后面一个基本单元之间设置一个当前特征加强模块,通过当前特征加强模块可以对当前基本单元输出的图像特征进行侧重和抑制,从而可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。而在现有的人脸识别模型的训练方法中,在人脸戴口罩的情况下,人脸识别模型未做特别处理,导致人脸识别模型对戴口罩的人脸进行识别的准确度不高。因为本申请采用了在每相邻两个基本单元之间设置一个特正加强模块的技术手段,克服了现有技术中人脸识别模型对戴口罩的人脸进行识别的准确度不高的技术问题,本申请提供的技术方案,可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图4是本申请实施例二提供的人脸识别模型的训练方法的流程示意图。如图4所示,人脸识别模型的训练方法可以包括以下步骤:
S401、当待训练的人脸识别模型不满足收敛条件时,将待训练的人脸识别模型的第一个基本单元作为当前基本单元,将人脸图像输入至当前基本单元中;其中,人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像。
S402、将当前基本单元输出的图像特征转换为N个通道对应的图像特征;其中,N为大于等于1的自然数。
在本申请的具体实施例中,电子设备可以将当前基本单元输出的图像特征转换为N个通道对应的图像特征;其中,N为大于等于1的自然数。例如,电子设备可以先将当前基本单元输出的图像特征转换为R通道对应的图像特征、G通道对应的图像特征和B通道对应的图像特征。
S403、通过当前特征加强模块的各个通道对与其对应的图像特征进行加强处理,得到当前特征加强模块的各个通道输出的图像特征。
在本申请的具体实施例中,电子设备可以通过当前特征加强模块的各个通道对与其对应的图像特征进行加强处理,得到当前特征加强模块的各个通道输出的图像特征。具体地,电子设备可以先将各个通道对应的图像特征输入至各个通道的逻辑回归模块(Softmax),得到各个逻辑回归模块输出的图像特征;然后将各个通道对应的图像特征输入至各个通道的通道注意力模块,得到各个通道注意力模块输出的通道掩码;再将各个逻辑回归模块输出的图像特征和与其对应的通道注意力模块输出的通道掩码进行逐元素相乘,得到各个逐元素相乘后的图像特征;将各个逐元素相乘后的图像特征作为当前特征加强模块的各个通道输出的图像特征。
在本申请的具体实施例中,当前基本单元输出的图像特征所在的通道可以包括:通道1-通道N;其中,N为大于等于1的自然数;因此,通道注意力模块输出的通道掩码可以包括:通道权重值1-通道权重值N。在本步骤中,电子设备可以在通道1对应的图像特征乘以通道权重值1,得到通道1对应的图像特征经修正后的图像特征;将通道2对应的图像特征乘以通道权重值2,得到通道2对应的图像特征经修正后的图像特征;以此类推,直到将通道N对应的图像特征乘以通道权重值M,得到通道N对应的特征经修改后的图像特征。例如,假设当前基本单元输出的图像特征所在的通道可以包括:通道1-通道3;因此,通道注意力模块输出的通道掩码可以包括:通道权重值1-通道权重值3。在本步骤中,将通道1对应的图像特征乘以通道权重值1,得到通道1对应的图像特征经修正后的图像特征;将通道2对应的图像特征乘以通道权重值2,得到通道2对应的图像特征修正后的图像特征;将通道3对应的图像特征乘以通道权重值3,得到通道3对应的图像特征修正后的图像特征。
进一步的,在本申请的具体实施例中,电子设备在将各个通道对应的图像特征输入至各个通道的通道注意力模块,得到各个通道注意力模块输出的通道掩码的过程中,可以先将各个通道对应的图像特征输入分别输入至通道注意力模块中的最大全局池(MaxGlobal Pool)和平均全局池(AvgGlobal Pool),得到最大全局池输出的图像特征和平均全局池输出的图像特征;然后将最大全局池输出的图像特征与平均全局池输出的图像特征分别输入至多层感知机中,得到多层感知机输出的图像特征;再根据多层感知机输出的图像特征计算得到通道注意力模块输出的通道掩码。具体地,通道注意力模块输出的通道掩码可以是由图像特征所在的每一个通道对应的权重值所构成的矩阵。具体地,当前基本单元输出的图像特征所在的通道可以包括:通道1-通道N;其中,N为大于等于1的自然数;因此,通道注意力模块输出的通道掩码可以包括:通道权重1-通道权重N。
图5是本申请实施例二提供的通道注意力模块的结构示意图。如图5所示,通道注意力模块可以包括:通道输入模块、最大全局池、平均全局池、多层感知机(MLP)和通道掩码计算模块(Channel Mask)。具体地,电子设备可以先通过通道输入模块将各个通道对应的图像特征分别输入至最大全局池和平均全局池,得到最大全局池输出的图像特征和平均全局池输出的图像特征;然后将最大全局池输出的图像特征与平均全局池输出的图像特征分别输入至多层感知机中,得到多层感知机输出的图像特征;再将多层感知机输出的图像特征输入至通道掩码计算模块,得到通道掩码计算模块输出的通道掩码;将通道掩码计算模块输出的通道掩码作为通道注意力模块输出的通道掩码。
较佳地,在本申请的具体实施例中,最大全局池输出的图像特征的维度为:(2,C,1,1);平均全局池输出的图像特征的维度为:(2,C,1,1);多层感知机为两层全连接网络,包括:第一层全连接网络和第二层全连接网络;其中,第一层全连接网络输出的图像特征的维度为:(1,C/4,1,1);第二层全连接网络输出的图像特征的维度为:(1,C,1,1);其中,C表示人脸图像的通道数。上述图像特征的维度可以更加有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。
S404、将当前特征加强模块的各个通道输出的图像特征进行合并,得到合并后的图像特征;将合并后的图像特征作为加强处理后的图像特征。
在本申请的具体实施例中,电子设备可以将当前特征加强模块的各个通道输出的图像特征进行合并,得到合并后的图像特征;将合并后的图像特征作为加强处理后的图像特征。具体地,电子设备可以将通道1输出的图像特征、通道2输出的图像特征、…、通道N输出的图像特征进行合并,得到合并后的图像特征;将合并后的图像特征作为加强处理后的图像特征。
S405、将加强处理后的图像特征输入至当前基本单元的后面一个基本单元;将后面一个基本单元作为当前基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至待训练的人脸识别模型的最后一个基本单元。
S406、使用最后一个基本单元输出的图像特征对待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为当前用户的人脸图像,重复执行上述操作,直到待训练的人脸识别模型满足收敛条件。
本申请实施例提出的人脸识别模型的训练方法,当待训练的人脸识别模型不满足收敛条件时,先将待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至当前基本单元;然后将当前基本单元输出的图像特征输入至当前特征加强模块,通过当前特征加强模块对当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;接着将加强处理后的图像特征输入至当前基本单元的后面一个基本单元;将后面一个基本单元作为当前基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至待训练的人脸识别模型的最后一个基本单元;再使用最后一个基本单元输出的图像特征对待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为当前用户的人脸图像,重复执行上述操作,直到待训练的人脸识别模型满足收敛条件。也就是说,本申请在当前基本单元和当前基本单元的后面一个基本单元之间设置一个当前特征加强模块,通过当前特征加强模块可以对当前基本单元输出的图像特征进行侧重和抑制,从而可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。而在现有的人脸识别模型的训练方法中,在人脸戴口罩的情况下,人脸识别模型未做特别处理,导致人脸识别模型对戴口罩的人脸进行识别的准确度不高。因为本申请采用了在每相邻两个基本单元之间设置一个特征加强模块的技术手段,克服了现有技术中人脸识别模型对戴口罩的人脸进行识别的准确度不高的技术问题,本申请提供的技术方案,可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图6是本申请实施例三提供的人脸识别模型的训练装置的结构示意图。如图6所示,所述装置600包括:输入模块601、特征加强模块602和训练模块603;其中,
所述输入模块601,用于当待训练的人脸识别模型不满足收敛条件时,将所述待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至所述当前基本单元;其中,所述人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像;
所述特征加强模块602,用于将所述当前基本单元输出的图像特征输入至当前特征加强模块,通过所述当前特征加强模块对所述当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;
所述输入模块601,还用于将所述加强处理后的图像特征输入至所述当前基本单元的后面一个基本单元;将所述后面一个基本单元作为所述当前基本单元;重复执行上述操作,直到将所述当前基本单元输出的图像特征输入至所述待训练的人脸识别模型的最后一个基本单元;
所述训练模块603,用于使用所述最后一个基本单元输出的图像特征对所述待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为所述当前用户的人脸图像,重复执行上述操作,直到所述待训练的人脸识别模型满足所述收敛条件。
图7是本申请实施例三提供的特征加强模块的结构示意图。如图7所示,所述特征加强模块602包括:转换子模块6021、处理子模块6022和合并子模块6023;其中,
所述转换子模块6021,用于将所述当前基本单元输出的图像特征转换为N个通道对应的图像特征;其中,N为大于等于1的自然数;
所述处理子模块6022,用于通过所述当前特征加强模块的各个通道对与其对应的图像特征进行加强处理,得到所述当前特征加强模块的各个通道输出的图像特征;
所述合并子模块6023,用于将所述当前特征加强模块的各个通道输出的图像特征进行合并,得到合并后的图像特征;将所述合并后的图像特征作为所述加强处理后的图像特征。
进一步的,所述处理子模块6022,具体用于将各个通道对应的图像特征输入至各个通道的逻辑回归模块,得到各个逻辑回归模块输出的图像特征;将各个通道对应的图像特征输入至各个通道的通道注意力模块,得到各个通道注意力模块输出的通道掩码;将各个逻辑回归模块输出的图像特征和与其对应的通道注意力模块输出的通道掩码进行逐元素相乘,得到各个逐元素相乘后的图像特征;将各个逐元素相乘后的图像特征作为所述当前特征加强模块的各个通道输出的图像特征。
进一步的,所述处理子模块6022,具体用于将各个通道对应的图像特征输入分别输入至所述通道注意力模块中的最大全局池和平均全局池,得到所述最大全局池输出的图像特征和所述平均全局池输出的图像特征;将所述最大全局池输出的图像特征与所述平均全局池输出的图像特征分别输入至多层感知机中,得到所述多层感知机输出的图像特征;根据所述多层感知机输出的图像特征计算得到所述通道注意力模块输出的通道掩码。
进一步的,所述最大全局池输出的图像特征的维度为:(2,C,1,1);所述平均全局池输出的图像特征的维度为:(2,C,1,1);所述多层感知机为两层全连接网络,包括:第一层全连接网络和第二层全连接网络;其中,所述第一层全连接网络输出的图像特征的维度为:(1,C/4,1,1);所述第二层全连接网络输出的图像特征的维度为:(1,C,1,1);其中,C表示所述人脸图像的通道数。
上述人脸识别模型的训练装置可执行本申请任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的人脸识别模型的训练方法。
实施例四
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的人脸识别模型的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器***)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的人脸识别模型的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的人脸识别模型的训练方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的人脸识别模型的训练方法对应的程序指令/模块(例如,附图6所示的输入模块601、特征加强模块602和训练模块603)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的人脸识别模型的训练方法。
存储器802可以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***、至少一个功能所需要的应用程序;存储数据区可存储根据人脸识别模型的训练方法的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至人脸识别模型的训练方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
人脸识别模型的训练方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与人脸识别模型的训练方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,当待训练的人脸识别模型不满足收敛条件时,先将待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至当前基本单元;然后将当前基本单元输出的图像特征输入至当前特征加强模块,通过当前特征加强模块对当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;接着将加强处理后的图像特征输入至当前基本单元的后面一个基本单元;将后面一个基本单元作为当前基本单元;重复执行上述操作,直到将当前基本单元输出的图像特征输入至待训练的人脸识别模型的最后一个基本单元;再使用最后一个基本单元输出的图像特征对待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为当前用户的人脸图像,重复执行上述操作,直到待训练的人脸识别模型满足收敛条件。也就是说,本申请在当前基本单元和当前基本单元的后面一个基本单元之间设置一个当前特征加强模块,通过当前特征加强模块可以对当前基本单元输出的图像特征进行侧重和抑制,从而可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度。而在现有的人脸识别模型的训练方法中,在人脸戴口罩的情况下,人脸识别模型未做特别处理,导致人脸识别模型对戴口罩的人脸进行识别的准确度不高。因为本申请采用了在每相邻两个基本单元之间设置一个特征加强模块的技术手段,克服了现有技术中人脸识别模型对戴口罩的人脸进行识别的准确度不高的技术问题,本申请提供的技术方案,可以有效地提高人脸识别模型对戴口罩的人脸进行识别的准确度;并且,本申请实施例的技术方案实现简单方便、便于普及,适用范围更广。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种人脸识别模型的训练方法,其特征在于,所述方法包括:
当待训练的人脸识别模型不满足收敛条件时,将所述待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至所述当前基本单元;其中,所述人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像;
将所述当前基本单元输出的图像特征输入至当前特征加强模块,通过所述当前特征加强模块对所述当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;
将所述加强处理后的图像特征输入至所述当前基本单元的后面一个基本单元;将所述后面一个基本单元作为所述当前基本单元;重复执行上述操作,直到将所述当前基本单元输出的图像特征输入至所述待训练的人脸识别模型的最后一个基本单元;
使用所述最后一个基本单元输出的图像特征对所述待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为所述当前用户的人脸图像,重复执行上述操作,直到所述待训练的人脸识别模型满足所述收敛条件。
2.根据权利要求1所述的方法,其特征在于,所述将所述当前基本单元输出的图像特征输入至当前特征加强模块,通过所述当前特征加强模块对所述当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征,包括:
将所述当前基本单元输出的图像特征转换为N个通道对应的图像特征;其中,N为大于等于1的自然数;
通过所述当前特征加强模块的各个通道对与其对应的图像特征进行加强处理,得到所述当前特征加强模块的各个通道输出的图像特征;
将所述当前特征加强模块的各个通道输出的图像特征进行合并,得到合并后的图像特征;将所述合并后的图像特征作为所述加强处理后的图像特征。
3.根据权利要求2所述的方法,其特征在于,所述通过所述当前特征加强模块的各个通道对与其对应的图像特征进行加强处理,得到所述当前特征加强模块的各个通道输出的图像特征,包括:
将各个通道对应的图像特征输入至各个通道的逻辑回归模块,得到各个逻辑回归模块输出的图像特征;
将各个通道对应的图像特征输入至各个通道的通道注意力模块,得到各个通道注意力模块输出的通道掩码;
将各个逻辑回归模块输出的图像特征和与其对应的通道注意力模块输出的通道掩码进行逐元素相乘,得到各个逐元素相乘后的图像特征;将各个逐元素相乘后的图像特征作为所述当前特征加强模块的各个通道输出的图像特征。
4.根据权利要求3所述的方法,其特征在于,所述将各个通道对应的图像特征输入至各个通道的通道注意力模块,得到各个通道注意力模块输出的通道掩码,包括:
将各个通道对应的图像特征输入分别输入至所述通道注意力模块中的最大全局池和平均全局池,得到所述最大全局池输出的图像特征和所述平均全局池输出的图像特征;
将所述最大全局池输出的图像特征与所述平均全局池输出的图像特征分别输入至多层感知机中,得到所述多层感知机输出的图像特征;
根据所述多层感知机输出的图像特征计算得到所述通道注意力模块输出的通道掩码。
5.根据权利要求4所述的方法,其特征在于,所述最大全局池输出的图像特征的维度为:(2,C,1,1);所述平均全局池输出的图像特征的维度为:(2,C,1,1);所述多层感知机为两层全连接网络,包括:第一层全连接网络和第二层全连接网络;其中,所述第一层全连接网络输出的图像特征的维度为:(1,C/4,1,1);所述第二层全连接网络输出的图像特征的维度为:(1,C,1,1);其中,C表示所述人脸图像的通道数。
6.一种人脸识别模型的训练装置,其特征在于,所述装置包括:输入模块、特征加强模块和训练模块;其中,
所述输入模块,用于当待训练的人脸识别模型不满足收敛条件时,将所述待训练的人脸识别模型的第一个基本单元作为当前基本单元,将当前用户的人脸图像输入至所述当前基本单元;其中,所述人脸图像包括:戴口罩的人脸图像和不戴口罩的人脸图像;
所述特征加强模块,用于将所述当前基本单元输出的图像特征输入至当前特征加强模块,通过所述当前特征加强模块对所述当前基本单元输出的图像特征进行加强处理,得到加强处理后的图像特征;
所述输入模块,还用于将所述加强处理后的图像特征输入至所述当前基本单元的后面一个基本单元;将所述后面一个基本单元作为所述当前基本单元;重复执行上述操作,直到将所述当前基本单元输出的图像特征输入至所述待训练的人脸识别模型的最后一个基本单元;
所述训练模块,用于使用所述最后一个基本单元输出的图像特征对所述待训练的人脸识别模型进行训练,将下一个用户的人脸图像作为所述当前用户的人脸图像,重复执行上述操作,直到所述待训练的人脸识别模型满足所述收敛条件。
7.根据权利要求6所述的装置,其特征在于,所述特征加强模块包括:转换子模块、处理子模块和合并子模块;其中,
所述转换子模块,用于将所述当前基本单元输出的图像特征转换为N个通道对应的图像特征;其中,N为大于等于1的自然数;
所述处理子模块,用于通过所述当前特征加强模块的各个通道对与其对应的图像特征进行加强处理,得到所述当前特征加强模块的各个通道输出的图像特征;
所述合并子模块,用于将所述当前特征加强模块的各个通道输出的图像特征进行合并,得到合并后的图像特征;将所述合并后的图像特征作为所述加强处理后的图像特征。
8.根据权利要求7所述的装置,其特征在于:
所述处理子模块,具体用于将各个通道对应的图像特征输入至各个通道的逻辑回归模块,得到各个逻辑回归模块输出的图像特征;将各个通道对应的图像特征输入至各个通道的通道注意力模块,得到各个通道注意力模块输出的通道掩码;将各个逻辑回归模块输出的图像特征和与其对应的通道注意力模块输出的通道掩码进行逐元素相乘,得到各个逐元素相乘后的图像特征;将各个逐元素相乘后的图像特征作为所述当前特征加强模块的各个通道输出的图像特征。
9.根据权利要求8所述的装置,其特征在于:
所述处理子模块,具体用于将各个通道对应的图像特征输入分别输入至所述通道注意力模块中的最大全局池和平均全局池,得到所述最大全局池输出的图像特征和所述平均全局池输出的图像特征;将所述最大全局池输出的图像特征与所述平均全局池输出的图像特征分别输入至多层感知机中,得到所述多层感知机输出的图像特征;根据所述多层感知机输出的图像特征计算得到所述通道注意力模块输出的通道掩码。
10.根据权利要求9所述的装置,其特征在于,所述最大全局池输出的图像特征的维度为:(2,C,1,1);所述平均全局池输出的图像特征的维度为:(2,C,1,1);所述多层感知机为两层全连接网络,包括:第一层全连接网络和第二层全连接网络;其中,所述第一层全连接网络输出的图像特征的维度为:(1,C/4,1,1);所述第二层全连接网络输出的图像特征的维度为:(1,C,1,1);其中,C表示所述人脸图像的通道数。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592670.2A CN111783607B (zh) | 2020-06-24 | 2020-06-24 | 人脸识别模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592670.2A CN111783607B (zh) | 2020-06-24 | 2020-06-24 | 人脸识别模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783607A CN111783607A (zh) | 2020-10-16 |
CN111783607B true CN111783607B (zh) | 2023-06-27 |
Family
ID=72759848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010592670.2A Active CN111783607B (zh) | 2020-06-24 | 2020-06-24 | 人脸识别模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783607B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783596B (zh) * | 2020-06-24 | 2021-08-13 | 北京百度网讯科技有限公司 | 人脸识别模型的训练方法、装置、电子设备及存储介质 |
CN116092166B (zh) * | 2023-03-06 | 2023-06-20 | 深圳市慧为智能科技股份有限公司 | 口罩人脸识别方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018054283A1 (zh) * | 2016-09-23 | 2018-03-29 | 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 |
CN109934197A (zh) * | 2019-03-21 | 2019-06-25 | 深圳力维智联技术有限公司 | 人脸识别模型的训练方法、装置和计算机可读存储介质 |
CN110781784A (zh) * | 2019-10-18 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于双路注意力机制的人脸识别方法、装置及设备 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
-
2020
- 2020-06-24 CN CN202010592670.2A patent/CN111783607B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018054283A1 (zh) * | 2016-09-23 | 2018-03-29 | 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 |
WO2020037937A1 (zh) * | 2018-08-20 | 2020-02-27 | 深圳壹账通智能科技有限公司 | 人脸识别的方法、装置、终端及计算机可读存储介质 |
CN109934197A (zh) * | 2019-03-21 | 2019-06-25 | 深圳力维智联技术有限公司 | 人脸识别模型的训练方法、装置和计算机可读存储介质 |
CN110781784A (zh) * | 2019-10-18 | 2020-02-11 | 高新兴科技集团股份有限公司 | 基于双路注意力机制的人脸识别方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
一种基于SAE和BP网络相结合的人脸识别模型;李森林;石元泉;黄隆华;;怀化学院学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111783607A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783596B (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
CN111461290B (zh) | 模型参数更新方法及装置 | |
CN111523596B (zh) | 目标识别模型训练方法、装置、设备以及存储介质 | |
CN111144115B (zh) | 预训练语言模型获取方法、装置、电子设备和存储介质 | |
CN111832701B (zh) | 模型的蒸馏方法、装置、电子设备及存储介质 | |
CN111783601B (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
CN111275190B (zh) | 神经网络模型的压缩方法及装置、图像处理方法及处理器 | |
CN111967256B (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
CN111144108B (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
CN111507355B (zh) | 一种字符识别方法、装置、设备和存储介质 | |
CN111783607B (zh) | 人脸识别模型的训练方法、装置、电子设备及存储介质 | |
CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN113723278B (zh) | 表格信息提取模型的训练方法及装置 | |
CN111507111B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
CN111860769A (zh) | 预训练图神经网络的方法以及装置 | |
CN111241234B (zh) | 文本分类方法及装置 | |
US11469975B2 (en) | Filter debugging method, device, electronic apparatus and readable storage medium | |
CN111027704B (zh) | 量子资源估计方法、装置和电子设备 | |
CN111783949A (zh) | 基于迁移学习的深度神经网络的训练方法和装置 | |
EP3958173A1 (en) | Method and apparatus for training facial recognition model, electronic device, and storage medium | |
CN112016524B (zh) | 模型训练方法、人脸识别方法、装置、设备和介质 | |
CN112016523B (zh) | 跨模态人脸识别的方法、装置、设备和存储介质 | |
CN111767946B (zh) | 医学影像分级模型训练及预测方法、装置、设备及介质 | |
CN112508964B (zh) | 图像分割方法、装置、电子设备和存储介质 | |
CN111738325B (zh) | 图像识别方法、装置、设备以及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |