CN113947140A - 人脸特征提取模型的训练方法和人脸特征提取方法 - Google Patents
人脸特征提取模型的训练方法和人脸特征提取方法 Download PDFInfo
- Publication number
- CN113947140A CN113947140A CN202111193958.3A CN202111193958A CN113947140A CN 113947140 A CN113947140 A CN 113947140A CN 202111193958 A CN202111193958 A CN 202111193958A CN 113947140 A CN113947140 A CN 113947140A
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- face feature
- loss function
- extraction model
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 193
- 238000012549 training Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000006870 function Effects 0.000 claims abstract description 127
- 239000011159 matrix material Substances 0.000 claims abstract description 81
- 230000001815 facial effect Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了人脸特征提取模型的训练方法、装置、电子设备和存储介质,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于人脸图像处理和人脸识别等场景。具体实现方案为:获取包括人脸的样本图像,将样本图像输入至人脸特征提取模型中,获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数,根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数,根据第一损失函数和第二损失函数调整人脸特征提取模型的模型参数,避免了因采用不同场景下采集到不同样本图像进行模型训练时导致的欠拟合风险和过拟合风险,提升了人脸特征提取模型的训练效果。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,尤其涉及一种人脸特征提取模型的训练方法、装置、电子设备和存储介质。
背景技术
近年来,人工智能技术已在机器视觉、生物特征识别、自动规划、智能控制、机器人学和语言图像理解等场景中得到了广泛的应用,提高了用户的信息化及智能化体验水平。
目前在人工智能这一领域,也面临着一些需要不断改进完善的问题,比如如何提高生物特征识别的精确度,特别是人脸识别的精确度,以及对随之而来的模型训练过程或者识别方案进行优化。
但是目前针对生物特征识别等应用场景,相关的模型训练或者识别方法等效果并不理想。
发明内容
本公开提供了一种人脸特征提取模型的训练方法和人脸特征提取方法。
根据第一方面,提供了一种人脸特征提取模型的训练方法,包括:获取包括人脸的样本图像,将所述样本图像输入至人脸特征提取模型中,并由所述人脸特征提取模型中的主干网络提取所述样本图像的人脸特征,获取所述人脸特征对应的协方差矩阵,并根据所述协方差矩阵获取第一损失函数,根据所述人脸特征进行分类识别,并根据分类识别结果获取第二损失函数,根据所述第一损失函数和所述第二损失函数调整所述人脸特征提取模型的模型参数,直至满足训练结束条件得到目标人脸特征提取模型。
根据第二方面,提供了一种人脸特征提取方法,包括:获取待提取图像,将所述待提取图像输入至目标人脸特征提取模型,由所述目标人脸特征提取模型输出所述待提取图像的目标人脸特征,其中,所述目标人脸特征提取模型为采用如本公开第一方面所述的训练方法训练出的模型。
根据第三方面,提供了一种人脸特征提取模型的训练装置,包括:第一获取模块,用于获取包括人脸的样本图像;提取模块,用于将样本图像输入至人脸特征提取模型中,并由人脸特征提取模型中的主干网络提取样本图像的人脸特征;第二获取模块,用于获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数;第三获取模块,用于根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数;生成模块,用于根据第一损失函数和第二损失函数调整人脸特征提取模型的模型参数,直至满足训练结束条件得到目标人脸特征提取模型。
根据第四方面,提供了一种人脸特征提取装置,包括:获取模块,用于获取待提取图像;输出模块,用于将待提取图像输入至目标人脸特征提取模型,由目标人脸特征提取模型输出待提取图像的目标人脸特征,其中,目标人脸特征提取模型为采用如本公开第三方面所述的训练装置训练出的模型。
根据第五方面,提供了一种电子设备,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本公开第一方面所述的人脸特征提取模型的训练方法或者本公开第二方面所述的人脸特征提取方法。
根据第六方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开第一方面所述的人脸特征提取模型的训练方法或者本公开第二方面所述的人脸特征提取方法。
根据第七方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开第一方面所述的人脸特征提取模型的训练方法或者本公开第二方面所述的人脸特征提取方法。
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,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的人脸特征提取模型的训练方法的流程示意图;
图2是根据本公开第二实施例的人脸特征提取模型的训练方法的流程示意图;
图3是协方差矩阵以及对应的单位矩阵的示意图;
图4是根据本公开第三实施例的人脸特征提取模型的训练方法的流程示意图;
图5是人脸特征提取模型的训练方法的示意图;
图6是根据本公开第四实施例的人脸特征提取方法的流程示意图;
图7是根据本公开第五实施例的人脸特征提取方法的流程示意图;
图8是是用来实现本公开实施例的人脸特征提取方法的人脸特征提取模型的训练装置的框图;
图9是是用来实现本公开实施例的人脸特征提取方法的人脸特征提取装置的框图;
图10是用来实现本公开实施例的人脸特征提取模型的训练方法或者人脸特征提取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
人工智能(Artificial Intelligence,简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门技术科学。目前,AI技术具有自动化程度高、精确度高、成本低的优点,得到了广泛的应用。
计算机视觉(Computer Vision,简称CV)是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能***。
深度学习(Deep Learning,简称DL),是机器学习(Machine Learning,简称ML)领域中一个新的研究方向,学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。就具体研究内容而言,主要包括基于卷积运算的神经网络***,即卷积神经网络;基于多层神经元的自编码神经网络;以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。
下面结合附图描述本公开实施例的一种人脸特征提取模型的训练方法及人脸特征提取方法。
图1是根据本公开第一实施例的人脸特征提取模型的训练方法的流程示意图。
如图1所示,本公开实施例的人脸特征提取模型的训练方法具体可包括以下步骤:
S101,获取包括人脸的样本图像。
具体的,本公开实施例的人脸特征提取模型的训练方法的执行主体可为本公开实施例提供的人脸特征提取模型的训练装置,该人脸特征提取模型的训练装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的,执行主体可包括工作站、服务器,计算机、用户终端及其他设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
需要说明的是,人脸识别技术在很多场景下均得到了广泛的应用,这样一来,即可积累来自不同场景的大量不同的数据,进而将数据用于多种模型的训练,特别地,针对人脸特征提取模型的训练。例如,在机场、火车站等场景下,能够产生大量人证对比过程中采集的训练数据;又例如,在私域管理(如别墅区)等场景下,能够产生大量通过人脸识别进行门禁检查过程中采集的训练数据;再例如,在金融场所、资格测试等场景下,能够产生大量真人核验过程中采集的训练数据。
通常情况下,不同落地场景下采集到的数据具备不同的分布特点,且不同场景的数据之间往往在多个维度下均具有较大差异,例如数据的数据数量、人种、年龄、环境光线、摄像头视角和图片分辨率等维度等。
这样一来,如果直接使用于不同场景下采集到的数据对人脸特征提取模型等模型进行训练,则极可能导致模型最终学到数据数量较多的场景采集到的场景数据信息,并损害数据数量较少的场景的人脸识别精度。也就是说,此种情况下训练得到的人脸特征提取模型无法在所有场景下都能获得人脸识别精度的增益。
相关技术中,通常采用以下两种方式进行人脸特征提取模型的提取效果进行优化,其中一个方案为采用均衡方案处理获取样本图像,并基于样本图像进行模型训练,另一个方案为采用均衡权重的方式获取样本图像,并基于样本图像进行模型训练。
针对采用均衡方案处理获取样本图像,指的是在训练过程中,采用对于数据数量较多的场景,以较小的概率采样,且对于数据数量较少的场景,则以较大的概率采样的方式进行样本图像的采样。
针对采用均衡权重的方式获取样本图像,指的是在训练过程中,采用对于数据数量较多的场景,在计算损失时乘以一个较小的权重因子,且对于数据数量较少的场景,乘以一个较大的权重因子的方式进行样本图像的采样。
上述两种方案,旨在通过平衡训练阶段各场景的数据(样本图像)分布,在一定程度上均衡了训练得到的人脸特征提取模型在各场景下的提取准确性。然而,基于上述两种方案进行样本图像的采集进而训练得到的人脸特征提取模型,往往仍存在欠拟合风险和过拟合风险,其中,对于数据数量较多的场景,往往存在导致欠拟合的风险,对于数据数量较少的场景,往往存在导致过拟合的风险。
基于此,本公开实施例提供了一种人脸特征提取模型的训练方法,在训练过程中对特征维度的协方差矩阵施加单位矩阵的监督,使得模型提取的人脸特征解耦了采集到的场景数据信息,以解决所有场景下的人脸识别精度和不同数据数量下的过拟合或者欠拟合的问题。
在本公开实施例中,获取包括人脸的样本图像,样本图像即任一用来训练的人脸图片,可以在多种场景下通过多种方式获取,本公开实施例对此不做过多限定。例如,可以获取在机场、火车站场景下,进行人证对比过程中采集的图像;又例如,在私域管理场景下,进行门禁检查过程中采集的图像;再例如,在金融场所、资格测试场景下,进行真人核验过程中采集的图像。
S102,将样本图像输入至人脸特征提取模型中,并由人脸特征提取模型中的主干网络提取样本图像的人脸特征。
具体的,将步骤S101获取的包括人脸的样本图像输入至人脸特征提取模型中,样本图像的人脸特征通过人脸特征提取模型中的主干网络进行提取。比如,人脸样本图像作为主干网络(Backbone)的输入,输出为相应的人脸特征fi,其中,人脸特征,指的是一个d维向量(d为人脸特征维度)。
S103,获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数。
具体的,根据步骤S102获取的样本图像的人脸特征,得到对应的协方差矩阵,并根据协方差矩阵获取到第一损失函数。
其中,协方差矩阵,指的是人脸特征的任一特征维度与其他特征维度之间的协方差构成的矩阵。
举例而言,人脸特征fi可以作为n维度的随机向量,同时,每个维度可以作为一个随机变量,那么n个随机变量之间的协方差构成的n×n的矩阵即为协方差矩阵。
需要说明的是,本公开中,对于获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数的具体方式不作限定,可以根据实际情况进行获取。
作为一种可能的实现方式,可以将主干网络输出的人脸特征输入人脸特征提取模型中的第一网络,以获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数。
S104,根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数。
具体的,对步骤S102获取的样本图像的人脸特征进行分类识别,得到分类识别结果,通过分类识别结果得到第二损失函数。
需要说明的是,本公开中,对于根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数的具体方式不作限定,可以根据实际情况进行获取。
作为一种可能的实现方式,可以将主干网络输出的人脸特征输入人脸特征提取模型中的第二网络,以根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数。
作为另一种可能的实现方式,可以将主干网络输出的人脸特征输入人脸特征提取模型中的第三网络(如分类器),以根据人脸特征进行分类识别并得到分类结果。进一步地,可以将第三网络输出的分类结果输入人脸特征提取模型中的第四网络,并根据分类识别结果获取第二损失函数。
S105,根据第一损失函数和第二损失函数调整人脸特征提取模型的模型参数,直至满足训练结束条件得到目标人脸特征提取模型。
具体的,对人脸特征提取模型的模型参数根据步骤S103获取的第一损失函数和步骤S104获取的第二损失函数进行调整,直至满足训练结束条件,得到目标人脸特征提取模型。
需要说明的是,本公开中,对于根据第一损失函数和第二损失函数调整人脸特征提取模型的模型参数的具体方式不作限定,可以根据实际情况进行获取。
作为一种可能的实现方式,可以将第一损失函数和第二损失函数相加,并通过查询预先设定的两者之和与模型参数之间的映射关系,确定当前训练轮次对应的模型参数调整策略,并根据调整策略对模型参数进行调整。
作为另一种可能的实现方式,可以对第一损失函数和第二损失函数进行加权处理,并通过查询预先设定的加权结果与模型参数之间的映射关系,确定当前训练轮次对应的模型参数调整策略,并根据调整策略对模型参数进行调整。
需要说明的是,本公开中,对于训练结束条件的具体设定不作限定,可以根据实际情况进行选取。
作为一种可能的实现方式,可以设定训练结束条件为确定模型输出结果与已标注的样本图像的特征提结果之间的相似度达到预设相似度阈值;又例如可以设定训练结束条件为确定人脸特征提取模型的参数的调整次数达到预设次数阈值。
综上,本公开实施例的人脸特征提取模型的训练方法,通过对提取的人脸特征进行协方差矩阵计算获取第一损失函数,并通过对提取的人脸特征进行分类识别获取第二损失函数,进而根据第一损失函数和第二损失函数调整模型参数,直至模型收敛,从而避免了因采用不同场景下采集到不同样本图像进行模型训练时导致的欠拟合风险和过拟合风险,使得采用不同场景下采集到不同样本图像进行模型训练时,均能获得人脸识别精度的增益,提升了人脸特征提取模型的训练效果。
图2是根据本公开第二实施例的人脸特征提取模型的训练方法的流程示意图。
如图2所示,在图1所示实施例的基础上,本公开实施例的人脸特征提取模型的训练方法具体可包括以下步骤:
S201,获取包括人脸的样本图像。
S202,将样本图像输入至人脸特征提取模型中,并由人脸特征提取模型中的主干网络提取样本图像的人脸特征。
具体的,本实施例中的步骤S201-S202与上述实施例中的步骤S101-S102相同,此处不再赘述。
上述实施例中的步骤S203“获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数”具体可包括以下步骤S203和S204。
S203,获取人脸特征的任一特征维度与其他特征维度之间协方差。
具体的,根据步骤201获取的人脸特征,计算人脸特征的任一特征维度与其他特征维度之间的协方差。
举例而言,若人脸特征共有三个特征维度,分别为特征维度1~3,此种情况下,可以分别获取特征维度1和特征维度2、特征维度3之间的协方差,以及特征维度2和特征维度3之间的协方差。
S204,根据所有的协方差,生成协方差矩阵以及协方差矩阵对应的单位矩阵。
具体的,根据步骤S203获取的所有协方差,可生成协方差矩阵。
举例而言,若人脸特征为维度为(b,d)的矩阵F,则可以通过以下公式生成维度为(d,d)的协方差矩阵Xij:
进一步的,可以根据协方差矩阵,生成对应的单位矩阵。
其中,每个协方差矩阵都对应有一个单位矩阵,单位矩阵的维度与协方差矩阵一致,举例而言,针对如图3(a)所示的协方差矩阵,对应的单位矩阵如图3(b)所示。
S205,根据协方差矩阵和单位矩阵,获取第一损失函数。
作为一种可能的实现方式,可以获取协方差矩阵与单位矩阵之间的差值,并获取差值的平方值作为第一损失函数。其中,第一损失函数又称为基于协方差矩阵的损失函数。
举例而言,在获取协方差矩阵Xij和单位矩阵Iij后,可以通过以下公式获取第一损失函数Loss1:
其中,协方差矩阵Xij和单位矩阵Iij的矩阵维度均为(d,d)。
上述实施例中的步骤S104“根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数”具体可包括以下步骤S206和S207。
S206,将人脸特征输入至人脸特征提取模型中的分类网络,由分类网络对人脸特征进行分类识别,以获取所述人脸特征的分类识别结果。
具体的,可以将步骤S202获取的人脸特征输入至人脸特征提取模型中,由人脸特征提取模型中的分类网络对人脸特征进行分类识别,得到对应的分类识别效果。
本公开实施例中,针对分类网络,可以通过分类器对人脸特征进行分类识别,并获得分类识别结果。其中,分类器,指的是是在标记好类别的训练数据的基础上判断一个新的观察样本(人脸特征)所属的类别。
S207,根据分类识别结果和样本图像的人脸特征的标记类别,获取第二损失函数。
作为一种可能的实现方式,如图4所示,在上述实施例的基础上,上述步骤S207中根据分类识别结果和样本图像的人脸特征的标记类别,获取第二损失函数的具体过程,包括以下步骤:
S401、获取人脸特征类别与每个候选人脸特征类别之间的相似度。
举例而言,针对以下三个候选人脸特征类别1~3,可以获取到人脸特征类别与每个候选人脸特征类别1~3之间的相似度1~3分别为95%、35%和51%。
S402、根据相似度,获取人脸特征的分类识别结果。
作为一种可能的实现方式,可以基于softmax函数获取人脸特征属于每个候选人脸特征类别的概率,可选地,通过以下公式获取人脸特征fi属于j类的概率pij:
其中,sij为人脸特征fi和j类候选人脸特征中心fj的相似度。
S403、根据标记类别和分类识别结果,获取交叉熵损失函数作为第二损失函数。
其中,第二损失函数又称为交叉熵损失函数。
作为一种可能的实现方式,可以通过以下公式获取第二损失函数li:
其中,人脸特征fi是否属于类别j的判定结果为yij,其中,若人脸特征fi属于类别j,则yij取值为1;若人脸特征fi不属于类别j,则yij取值为0。
上述实施例中的步骤S105“根据第一损失函数和第二损失函数调整人脸特征提取模型的模型参数”具体可包括以下步骤S308和S309。
S208,获取第一损失函数和第二损失函数之和作为目标损失函数。
本公开实施例中,可以直接将第一损失函数和第二损失函数相加,并将两者之和作为目标损失函数。
进一步地,为了进一步提高人脸特征提取模型的训练效果,可以对第一损失函数和第二损失函数进行加权处理,并将加权结果作为目标损失函数。其中,权重可以根据实际情况进行设定及调整。
S209,根据目标损失函数,调整人脸特征提取模型的模型参数。
本公开实施例中,在获取目标损失函数后,可以根据目标损失函数查询预先设定的目标损失函数与模型参数调整策略之间的映射关系,以获取模型参数调整策略。进一步地,可以根据匹配的模型参数调整策略,调整人脸特征提取模型的模型参数。
下面以人脸特征提取模型的训练方法的整体过程为例进行解释说明。
如图5所示,本公开提供的人脸特征提取模型的训练方法,通过将获取到的多域人脸图片(样本图像)输入至待训练的人脸特征提取模型中,并由人脸特征提取模型中的主干网络提取样本图像的人脸特征fi。进一步地,分别根据提取的人脸特征fi进行协方差矩阵计算获取基于协方差矩阵的损失(第一损失函数),并通过对提取的人脸特征fi进行分类识别获取交叉熵损失(第二损失函数),进而根据第一损失函数和第二损失函数调整模型参数,直至模型收敛。
综上,本公开实施例的人脸特征提取模型的训练方法,以矩阵为基础,根据人脸特征分别获取基于协方差矩阵的第一损失函数,以及基于交叉熵的第二损失函数,来训练人脸特征提取模型,进一步提升了人脸特征提取模型的训练效果。
图6是根据本公开第四实施例的人脸特征提取方法的流程示意图。
如图6所示,本公开实施例的人脸特征提取方法具体可包括以下步骤:
S601,获取待提取图像。
具体的,本公开实施例的人脸特征提取方法的执行主体可为本公开实施例提供的人脸特征提取装置,该人脸特征提取装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的,执行主体可包括工作站、服务器,计算机、用户终端及其他设备。其中,用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
其中,待提取图像,可以为用于人脸识别的任一图像。可选地,可以直接获取包括人脸的待提取图像;可选地,可以获取任一图像并对图像进行筛选,以获取包括人脸的待提取图像。
S602,将待提取图像输入至目标人脸特征提取模型,由目标人脸特征提取模型输出待提取图像的目标人脸特征。
作为一种可能的实现方式,可以基于训练好的目标人脸特征提取模型对待提取图像进行人脸特征提取。可选地,可以将待提取图像输入至已经训练好的目标人脸特征提取模型中,输出待提取图像的目标人脸特征。
综上,本公开实施例的人脸特征提取方法,可以基于训练好的目标人脸特征提取模型对待提取图像进行人脸特征提取。可选地,可以通过获取待提取图像,将待提取图像输入至目标人脸特征提取模型,由目标人脸特征提取模型输出待提取图像的目标人脸特征,由于目标人脸特征提取模型为尽可能避免了样本图像导致的欠拟合或者过拟合现象的提取效果良好的模型,使得提高了人脸特征提取过程中的准确性和可靠性。
图7是根据本公开第五实施例的人脸特征提取方法的流程示意图。
如图7所示,在图6所示实施例的基础上,本公开实施例的人脸特征提取方法具体可包括以下步骤:
S701,获取待提取图像。
具体的,本实施例中的步骤S701与上述实施例中的步骤S61相同,此处不再赘述。
上述实施例中的步骤S602“将待提取图像输入至目标人脸特征提取模型,由目标人脸特征提取模型输出待提取图像的目标人脸特征”具体可包括步骤S702。
S702,由目标人脸特征提取模型中的主干网络提取待提取图像的目标人脸特征。
具体的,将待提取图像输入至目标人脸特征提取模型中,并由目标人脸特征提取模型中的主干网络对待提取图像进行人脸特征提取,以输出待提取图像的目标人脸特征。
进一步地,在获取目标人脸特征之后,可以根据目标人脸特征对待提取图像中的人脸进行人脸识别。作为一种可能的实现方式,具体包括以下步骤S703~S705。
S703,获取至少一个候选图像以及每个候选图像的候选人脸特征。
其中,候选图像以及候选图像的候选人脸特征,可以通过多种方式获取,例如,可以从人脸识别数据库中的存储区域中选取对应的候选图像以及候选图像的候选人脸特征。
S704,获取目标人脸特征与所有的候选人脸特征之间的相似度。
需要说明的是,本公开中,对于获取目标人脸特征与所有的候选人脸特征之间的相似度的具体方式不作限定,可以根据实际情况进行选取。例如,可以获取目标人脸特征与所有的候选人脸特征之间的余弦相似度(cosine similarity)。
S705,响应于相似度达到预设相似度阈值,则确定待识别图像对应的人脸与候选图像对应的人脸一致。
其中,预设相似度阈值可以根据实际情况进行设定,例如,可以设定预设相似度阈值为90%、95%、98%等。
本公开实施例中,在获取到相似度之后,可以将相似度与预设相似度阈值进行比较,响应于相似度达到预设相似度阈值,则确定待识别图像对应的人脸与候选图像对应的人脸一致;响应于相似度未达到预设相似度阈值,则确定待识别图像对应的人脸与候选图像对应的人脸不一致。
进一步地,若确定待识别图像对应的人脸与候选图像对应的人脸不一致,则可以生成匹配的提醒信息,例如,警报信息,提示重新进行人脸识别等提示信息。
综上,本公开实施例的人脸特征提取方法,可以在基于训练好的目标人脸特征提取模型对待提取图像进行人脸特征提取后,根据更加准确的人脸特征提取结果进行人脸识别,能够实现高准确性的人脸识别,进而为多种依赖人脸识别进行安全管控的应用场景奠定了安全性基础。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
图8是根据本公开一个实施例的人脸特征提取模型的训练装置的结构示意图。
如图8所示,该人脸特征提取模型的训练装置800,包括:第一获取模块810、提取模块820、第二获取模块830、第三获取模块840和生成模块850。其中:
第一获取模块810,用于获取包括人脸的样本图像;
提取模块820,用于将样本图像输入至人脸特征提取模型中,并由人脸特征提取模型中的主干网络提取样本图像的人脸特征;
第二获取模块830,用于获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数;
第三获取模块840,用于根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数;
生成模块850,用于根据第一损失函数和第二损失函数调整人脸特征提取模型的模型参数,直至满足训练结束条件得到目标人脸特征提取模型。
其中,第二获取模块830,还用于:
获取人脸特征的任一特征维度与其他特征维度之间协方差;
根据所有的协方差,生成协方差矩阵以及协方差矩阵对应的单位矩阵;
根据协方差矩阵和单位矩阵,获取第一损失函数。
其中,第二获取模块830,还用于:
获取协方差矩阵与单位矩阵之间的差值,并获取差值的平方值作为第一损失函数。
其中,第三获取模块840,还用于:
将人脸特征输入至人脸特征提取模型中的分类网络,由分类网络对人脸特征进行分类识别,以获取人脸特征的分类识别结果;
根据分类识别结果和样本图像的人脸特征的标记类别,获取第二损失函数。
其中,第三获取模块840,还用于:
获取人脸特征类别与每个候选人脸特征类别之间的相似度;
根据相似度,获取人脸特征的分类识别结果;
根据标记类别和分类识别结果,获取交叉熵损失函数作为第二损失函数。
其中,生成模块850,还用于:
获取第一损失函数和第二损失函数之和作为目标损失函数;
根据目标损失函数,调整人脸特征提取模型的模型参数。
需要说明的是,上述对人脸特征提取模型的训练方法实施例的解释说明,也适用于本公开实施例的人脸特征提取模型的训练装置,具体过程此处不再赘述。
综上,本公开实施例的人脸特征提取模型的训练装置,通过对提取的人脸特征进行协方差矩阵计算获取第一损失函数,并通过对提取的人脸特征进行分类识别获取第二损失函数,进而根据第一损失函数和第二损失函数调整模型参数,直至模型收敛,从而避免了因采用不同场景下采集到不同样本图像进行模型训练时导致的欠拟合风险和过拟合风险,使得采用不同场景下采集到不同样本图像进行模型训练时,均能获得人脸识别精度的增益,提升了人脸特征提取模型的训练效果。
图9是根据本公开一个实施例的人脸特征提取装置的结构示意图。
如图9所示,该人脸特征提取模型的训练装置900,包括:获取模块910和输出模块920。其中:
获取模块910,用于获取待提取图像;
输出模块920,用于将待提取图像输入至目标人脸特征提取模型,由目标人脸特征提取模型输出待提取图像的目标人脸特征,其中,目标人脸特征提取模型为采用如本公开第一方面所述的训练装置训练出的模型。
其中,输出模块920,还用于:
由目标人脸特征提取模型中的主干网络提取待提取图像的目标人脸特征。
其中,输出模块920,还用于:
获取至少一个候选图像以及每个候选图像的候选人脸特征;
获取目标人脸特征与所有的候选人脸特征之间的相似度;
响应于相似度达到预设相似度阈值,则确定待识别图像对应的人脸与候选图像对应的人脸一致。
需要说明的是,上述对人脸特征提取方法实施例的解释说明,也适用于本公开实施例的人脸特征提取装置,具体过程此处不再赘述。
综上,本公开实施例的人脸特征提取装置,可以基于训练好的目标人脸特征提取模型对待提取图像进行人脸特征提取。可选地,可以通过获取待提取图像,将待提取图像输入至目标人脸特征提取模型,由目标人脸特征提取模型输出待提取图像的目标人脸特征,由于目标人脸特征提取模型为尽可能避免了样本图像导致的欠拟合或者过拟合现象的提取效果良好的模型,使得提高了人脸特征提取过程中的准确性和可靠性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。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/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如人脸特征提取模型的训练方法或者人脸特征提取方法。例如,在一些实施例中,人脸特征提取模型的训练方法或者人脸特征提取方法。可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的模型训练或者图像处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人脸特征提取模型的训练方法或者人脸特征提取方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、互联网以及区块链网络。
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。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
本公开还提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时,实现如上所述的人脸特征提取模型的训练方法或者人脸特征提取方法。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种人脸特征提取模型的训练方法,包括:
获取包括人脸的样本图像;
将所述样本图像输入至人脸特征提取模型中,并由所述人脸特征提取模型中的主干网络提取所述样本图像的人脸特征;
获取所述人脸特征对应的协方差矩阵,并根据所述协方差矩阵获取第一损失函数;
根据所述人脸特征进行分类识别,并根据分类识别结果获取第二损失函数;
根据所述第一损失函数和所述第二损失函数调整所述人脸特征提取模型的模型参数,直至满足训练结束条件得到目标人脸特征提取模型。
2.根据权利要求1所述的训练方法,其中,所述根据所述人脸特征,获取所述人脸特征对应的协方差矩阵,并根据所述协方差矩阵获取第一损失函数,包括:
获取所述人脸特征的任一特征维度与其他特征维度之间协方差;
根据所有的所述协方差,生成所述协方差矩阵以及所述协方差矩阵对应的单位矩阵;
根据所述协方差矩阵和所述单位矩阵,获取所述第一损失函数。
3.根据权利要求2所述的训练方法,其中,所述根据所述协方差矩阵和所述单位矩阵,获取所述第一损失函数,包括:
获取所述协方差矩阵与所述单位矩阵之间的差值,并获取所述差值的平方值作为所述第一损失函数。
4.根据权利要求1所述的训练方法,其中,所述根据所述人脸特征进行分类识别,并根据分类识别结果获取第二损失函数,包括:
将所述人脸特征输入至所述人脸特征提取模型中的分类网络,由所述分类网络对所述人脸特征进行分类识别,以获取所述人脸特征的所述分类识别结果;
根据所述分类识别结果和所述样本图像的人脸特征的标记类别,获取所述第二损失函数。
5.根据权利要求4所述的训练方法,其中,所述根据所述人脸特征类别,获取所述第二损失函数,包括:
获取所述人脸特征类别与每个候选人脸特征类别之间的相似度;
根据所述相似度,获取所述人脸特征的所述分类识别结果;
根据所述标记类别和所述分类识别结果,获取交叉熵损失函数作为所述第二损失函数。
6.根据权利要求1-5中任一项所述的训练方法,其中,所述根据所述第一损失函数和所述第二损失函数调整所述人脸特征提取模型的模型参数,包括:
获取所述第一损失函数和所述第二损失函数之和作为目标损失函数;
根据所述目标损失函数,调整所述人脸特征提取模型的所述模型参数。
7.一种人脸特征提取方法,包括:
获取待提取图像;
将所述待提取图像输入至目标人脸特征提取模型,由所述目标人脸特征提取模型输出所述待提取图像的目标人脸特征,其中,所述目标人脸特征提取模型为采用如权利要求1-6任一项所述的训练方法训练出的模型。
8.根据权利要求7所述的提取方法,其中,所述由所述目标人脸特征提取模型输出所述待提取图像的目标人脸特征,包括:
由所述目标人脸特征提取模型中的主干网络提取所述待提取图像的所述目标人脸特征。
9.根据权利要求7或8所述的提取方法,其中,所述获取到所述目标人脸特征之后,还包括:
获取至少一个候选图像以及每个所述候选图像的候选人脸特征;
获取所述目标人脸特征与所有的所述候选人脸特征之间的相似度;
响应于所述相似度达到预设相似度阈值,则确定所述待识别图像对应的人脸与所述候选图像对应的人脸一致。
10.一种人脸特征提取模型的训练装置,包括:
第一获取模块,用于获取包括人脸的样本图像;
提取模块,用于将样本图像输入至人脸特征提取模型中,并由人脸特征提取模型中的主干网络提取样本图像的人脸特征;
第二获取模块,用于获取人脸特征对应的协方差矩阵,并根据协方差矩阵获取第一损失函数;
第三获取模块,用于根据人脸特征进行分类识别,并根据分类识别结果获取第二损失函数;
生成模块,用于根据第一损失函数和第二损失函数调整人脸特征提取模型的模型参数,直至满足训练结束条件得到目标人脸特征提取模型。
11.根据权利要求10所述的人脸特征提取模型的训练装置,其中,所述第二获取模块,还用于:
获取人脸特征的任一特征维度与其他特征维度之间协方差;
根据所有的协方差,生成协方差矩阵以及协方差矩阵对应的单位矩阵;
根据协方差矩阵和单位矩阵,获取第一损失函数。
12.根据权利要求11所述的人脸特征提取模型的训练装置,其中,所述第二获取模块,还用于:
获取协方差矩阵与单位矩阵之间的差值,并获取差值的平方值作为第一损失函数。
13.根据权利要求10所述的人脸特征提取模型的训练装置,其中,所述第三获取模块,还用于:
将人脸特征输入至人脸特征提取模型中的分类网络,由分类网络对人脸特征进行分类识别,以获取人脸特征的分类识别结果;
根据分类识别结果和样本图像的人脸特征的标记类别,获取第二损失函数。
14.根据权利要求13所述的人脸特征提取模型的训练装置,其中,所述第三获取模块,还用于:
获取人脸特征类别与每个候选人脸特征类别之间的相似度;
根据相似度,获取人脸特征的分类识别结果;
根据标记类别和分类识别结果,获取交叉熵损失函数作为第二损失函数。
15.根据权利要求10-14所述的人脸特征提取模型的训练装置,其中,所述生成模块,还用于:
获取第一损失函数和第二损失函数之和作为目标损失函数;
根据目标损失函数,调整人脸特征提取模型的模型参数。
16.一种人脸特征提取装置,包括:
获取模块,用于获取待提取图像;
输出模块,用于将待提取图像输入至目标人脸特征提取模型,由目标人脸特征提取模型输出待提取图像的目标人脸特征,其中,目标人脸特征提取模型为采用如权利要求10-15任一项所述的训练装置训练出的模型。
17.根据权利要求16所述的人脸特征提取装置,其中,所述输出模块,还用于:
由目标人脸特征提取模型中的主干网络提取待提取图像的目标人脸特征。
18.根据权利要求16或17所述的人脸特征提取装置,其中,所述输出模块,还用于:
获取至少一个候选图像以及每个候选图像的候选人脸特征;
获取目标人脸特征与所有的候选人脸特征之间的相似度;
响应于相似度达到预设相似度阈值,则确定待识别图像对应的人脸与候选图像对应的人脸一致。
19.一种电子设备,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1-6或者权利要求7-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6或者权利要求7-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6或者权利要求7-9中任一项所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111193958.3A CN113947140A (zh) | 2021-10-13 | 2021-10-13 | 人脸特征提取模型的训练方法和人脸特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111193958.3A CN113947140A (zh) | 2021-10-13 | 2021-10-13 | 人脸特征提取模型的训练方法和人脸特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947140A true CN113947140A (zh) | 2022-01-18 |
Family
ID=79329569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111193958.3A Pending CN113947140A (zh) | 2021-10-13 | 2021-10-13 | 人脸特征提取模型的训练方法和人脸特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947140A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549947A (zh) * | 2022-01-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备和存储介质 |
CN114693995A (zh) * | 2022-04-14 | 2022-07-01 | 北京百度网讯科技有限公司 | 应用于图像处理的模型训练方法、图像处理方法和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815801A (zh) * | 2018-12-18 | 2019-05-28 | 北京英索科技发展有限公司 | 基于深度学习的人脸识别方法及装置 |
WO2020215697A1 (zh) * | 2019-08-09 | 2020-10-29 | 平安科技(深圳)有限公司 | 舌头图像提取方法、装置及计算机可读存储介质 |
-
2021
- 2021-10-13 CN CN202111193958.3A patent/CN113947140A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815801A (zh) * | 2018-12-18 | 2019-05-28 | 北京英索科技发展有限公司 | 基于深度学习的人脸识别方法及装置 |
WO2020215697A1 (zh) * | 2019-08-09 | 2020-10-29 | 平安科技(深圳)有限公司 | 舌头图像提取方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
BARBU, T: "Eigenimage-based facial recognition technique using gradient covariance", 《NUMERICAL FUNCTIONAL ANALYSIS AND OPTIMIZATION》, 31 December 2007 (2007-12-31) * |
胡正平;何薇;王蒙;孙哲;: "多层次深度网络融合人脸识别算法", 模式识别与人工智能, no. 05, 15 May 2017 (2017-05-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549947A (zh) * | 2022-01-24 | 2022-05-27 | 北京百度网讯科技有限公司 | 模型训练方法、装置、设备和存储介质 |
CN114693995A (zh) * | 2022-04-14 | 2022-07-01 | 北京百度网讯科技有限公司 | 应用于图像处理的模型训练方法、图像处理方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
CN113657465A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN112906502A (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
KR20220107120A (ko) | 생체 검측 모델의 트레이닝 방법 및 장치, 생체 검측 모델을 이용한 생체 검측 방법 및 장치, 전자장비, 저장매체 및 컴퓨터 프로그램 | |
CN113656582A (zh) | 神经网络模型的训练方法、图像检索方法、设备和介质 | |
CN113947140A (zh) | 人脸特征提取模型的训练方法和人脸特征提取方法 | |
CN115063875A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113361363A (zh) | 人脸图像识别模型的训练方法、装置、设备及存储介质 | |
CN113869449A (zh) | 一种模型训练、图像处理方法、装置、设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113705361A (zh) | 活体检测模型的方法、装置及电子设备 | |
CN113837308A (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN113177449A (zh) | 人脸识别的方法、装置、计算机设备及存储介质 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN113191261B (zh) | 图像类别的识别方法、装置和电子设备 | |
CN114495113A (zh) | 文本分类方法和文本分类模型的训练方法、装置 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113887630A (zh) | 图像分类方法、装置、电子设备和存储介质 | |
CN109101984B (zh) | 一种基于卷积神经网络的图像识别方法及装置 | |
CN113657248A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 |
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 |