[發明專利]人臉識別模型的訓練方法及裝置有效
| 申請號： | 201910983553.6 | 申請日： | 2015-01-19 |
| 公開（公告）號： | CN110874571B | 公開（公告）日： | 2023-05-05 |
| 發明（設計）人： | 李亮 | 申請（專利權）人： | 創新先進技術有限公司 |
| 主分類號： | G06V40/16 | 分類號： | G06V40/16;G06V10/774;G06V10/82;G06N3/0464 |
| 代理公司： | 北京博思佳知識產權代理有限公司 11415 | 代理人： | 林祥 |
| 地址： | 開曼群島大開曼島*** | 國省代碼： | 暫無信息 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 識別 模型 訓練 方法 裝置 | ||
1.一種人臉識別模型的訓練方法，其特征在于，該方法包括：
將第一人臉數據集輸入多層神經網絡進行訓練，獲得所述多層神經網絡的至少一個基層；
從所述至少一個基層中提取圖像變換參數；
將所述圖像變換參數與第二人臉數據集進行卷積計算；
將卷積計算后的所述第二人臉數據集上傳至服務端，由所述服務端將卷積計算后的所述第二人臉數據集繼續輸入多層神經網絡進行訓練，以得到人臉識別模型。
2.根據權利要求1所述的方法，其特征在于，所述多層神經網絡包括卷積神經網絡；
所述從所述至少一個基層中提取圖像變換參數包括：
提取所述至少一個基層中的特征映射圖；
將提取出的特征映射圖作為圖像變換參數進行輸出。
3.根據權利要求1所述的方法，其特征在于，所述服務端包括云計算平臺。
4.根據權利要求1所述的方法，其特征在于，所述將卷積計算后的所述第二人臉數據集輸入多層神經網絡進行訓練，以得到人臉識別模型，包括：
將卷積計算后的所述第二人臉數據集繼續輸入所述多層神經網絡進行訓練，獲得所述多層神經網絡的剩余基層，以得到人臉識別模型。
5.根據權利要求1所述的方法，其特征在于，所述將卷積計算后的所述第二人臉數據集輸入多層神經網絡進行訓練，以得到人臉識別模型，包括：
將卷積計算后的所述第二人臉數據集輸入多層神經網絡進行訓練，獲得所述多層神經網絡的多個基層，以得到人臉識別模型。
6.一種人臉識別模型的訓練裝置，其特征在于，該裝置包括：
訓練模塊，用于將第一人臉數據集輸入多層神經網絡進行訓練，獲得所述多層神經網絡的至少一個基層；
提取模塊，用于從所述至少一個基層中提取圖像變換參數；
處理模塊，將所述圖像變換參數與第二人臉數據集進行卷積計算；
上傳模塊，用于將卷積計算后的所述第二人臉數據集上傳至服務端，由所述服務端將卷積計算后的所述第二人臉數據集繼續輸入多層神經網絡進行訓練，以得到人臉識別模型。
7.根據權利要求6所述的裝置，其特征在于，所述多層神經網絡包括卷積神經網絡；
所述提取模塊具體用于：
提取所述至少一個基層中的特征映射圖；
將提取出的特征映射圖作為圖像變換參數進行輸出。
8.根據權利要求6所述的裝置，其特征在于，所述訓練模塊進一步：
將卷積計算后的所述第二人臉數據集繼續輸入所述多層神經網絡進行訓練，獲得所述多層神經網絡的剩余基層，以得到人臉識別模型。
9.一種人臉識別模型的訓練裝置，其特征在于，包括：
處理器；用于存儲所述處理器可執行指令的存儲器；
其中，所述處理器被配置為：
將第一人臉數據集輸入多層神經網絡進行訓練，獲得所述多層神經網絡的至少一個基層；
從所述至少一個基層中提取圖像變換參數；
將所述圖像變換參數與第二人臉數據集進行卷積計算；
將卷積計算后的所述第二人臉數據集上傳至服務端，由所述服務端將卷積計算后的所述第二人臉數據集繼續輸入多層神經網絡進行訓練，以得到人臉識別模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于創新先進技術有限公司，未經創新先進技術有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910983553.6/1.html，轉載請聲明來源鉆瓜專利網。
