[發明專利]目標識別模型訓練方法、裝置、設備以及存儲介質

有效

• 申請號: 202010327799.0
• 申請日: 2020-04-23
• 公開（公告）號: CN111523596B
• 公開（公告）日: 2023-07-04
• 發明（設計）人: 余席宇;張剛;韓鈞宇
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/762;G06V40/16;G06N3/0464;G06V10/82;G06N3/08
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種人臉識別模型訓練方法，包括：

獲取訓練樣本集，其中，所述訓練樣本集中的訓練樣本是已標注人臉樣本圖像；

構建不同的第一深度卷積神經網絡和第二深度卷積神經網絡；

利用所述第一深度卷積神經網絡和所述第二深度卷積神經網絡分別對所述訓練樣本集進行正負樣本采樣，得到正樣本集和負樣本集；

基于所述正樣本集和所述負樣本集對所述第一深度卷積神經網絡和所述第二深度卷積神經網絡進行交叉訓練，得到人臉識別模型；

其中，所述利用所述第一深度卷積神經網絡和所述第二深度卷積神經網絡分別對所述訓練樣本集進行正負樣本采樣，得到正樣本集和負樣本集，包括：

將所述訓練樣本集輸入至所述第一深度卷積神經網絡，輸出第一概率，將所述第一概率作為置信度與置信度閾值進行比較，確定第一正樣本集和第一負樣本集；以及

將所述訓練樣本集輸入至所述第二深度卷積神經網絡，輸出第二概率，將所述第二概率作為置信度與所述置信度閾值進行比較，確定第二正樣本集和第二負樣本集。

2.根據權利要求1所述的方法，其中，所述第一深度卷積神經網絡和所述第二深度卷積神經網絡的網絡結構相同，但初始參數不同，或者所述第一深度卷積神經網絡和所述第二深度卷積神經網絡的網絡結構不同。

3.根據權利要求1所述的方法，其中，所述置信度閾值包括正置信度閾值和負置信度閾值，所述正置信度閾值隨訓練迭代次數的增加而增大，所述負置信度閾值隨訓練迭代次數的增加而減小。

4.根據權利要求1所述的方法，其中，所述基于所述正樣本集和所述負樣本集對所述第一深度卷積神經網絡和所述第二深度卷積神經網絡進行交叉訓練，得到人臉識別模型，包括：

將所述第二正樣本集和所述第二負樣本集輸入至所述第一深度卷積神經網絡進行訓練；以及

將所述第一正樣本集和所述第一負樣本集輸入至所述第二深度卷積神經網絡進行訓練。

5.根據權利要求4所述的方法，其中，所述將所述第二正樣本集和所述第二負樣本集輸入至所述第一深度卷積神經網絡進行訓練，包括：

將所述第二正樣本集和所述第二負樣本集分別輸入至所述第一深度卷積神經網絡，計算第一分類損失和第一補償損失，結合所述第一分類損失和所述第一補償損失更新所述第一深度卷積神經網絡的參數；以及

所述將所述第一正樣本集和所述第一負樣本集輸入至所述第二深度卷積神經網絡進行訓練，包括：

將所述第一正樣本集和所述第一負樣本集分別輸入至所述第二深度卷積神經網絡，計算第二分類損失和第二補償損失，結合所述第二分類損失和所述第二補償損失更新所述第二深度卷積神經網絡的參數。

6.根據權利要求5所述的方法，其中，所述將所述第二正樣本集和所述第二負樣本集分別輸入至所述第一深度卷積神經網絡，計算第一分類損失和第一補償損失，包括：

將所述第二正樣本集輸入至所述第一深度卷積神經網絡，輸出所述第二正樣本集對應的預測人臉類別；

將所述第二正樣本集對應的預測人臉類別和標注人臉類別輸入至第一分類損失函數，得到所述第一分類損失；

將所述第二負樣本集輸入至所述第一深度卷積神經網絡，輸出所述第二負樣本集對應的預測人臉類別；

將所述第二負樣本集對應的預測人臉類別和標注人臉類別輸入至第一補償損失函數，得到所述第一補償損失；以及

所述將所述第一正樣本集和所述第一負樣本集分別輸入至所述第二深度卷積神經網絡，計算第二分類損失和第二補償損失，包括：

將所述第一正樣本集輸入至所述第二深度卷積神經網絡，輸出所述第一正樣本集對應的預測人臉類別；

將所述第一正樣本集對應的預測人臉類別和標注人臉類別輸入至第二分類損失函數，得到所述第二分類損失；

將所述第一負樣本集輸入至所述第二深度卷積神經網絡，輸出所述第一負樣本集對應的預測人臉類別；

將所述第一負樣本集對應的預測人臉類別和標注人臉類別輸入至第二補償損失函數，得到所述第二補償損失。