[發(fā)明專利]基于權(quán)重嫁接的模型融合的人臉識別方法及相關(guān)設(shè)備

有效

• 申請?zhí)枺?/td>: 202010937265.X
• 申請日: 2020-09-08
• 公開（公告）號: CN112101172B
• 公開（公告）日: 2023-09-08
• 發(fā)明（設(shè)計）人: 胡魁;戴磊;張國輝;宋晨
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/80;G06V10/82;G06N3/0464;G06N3/084;G06N3/0985
• 代理公司: 深圳市世聯(lián)合知識產(chǎn)權(quán)代理有限公司 44385
• 代理人: 汪琳琳

1.一種基于權(quán)重嫁接的模型融合的人臉識別方法，其特征在于，包括下述步驟：

分別訓(xùn)練N個相同結(jié)構(gòu)的人臉識別模型，其中，N為正整數(shù)；

選擇其中一個人臉識別模型作為待融合模型并進(jìn)行微調(diào)，微調(diào)后對所有的人臉識別模型進(jìn)行一個訓(xùn)練周期的訓(xùn)練；

計算訓(xùn)練后各人臉識別模型中的每個參數(shù)的融合系數(shù)；及

根據(jù)所述融合系數(shù)確定每個參數(shù)的融合權(quán)重，基于所有參數(shù)的所述融合權(quán)重更新所述待融合模型的參數(shù)，以得到融合模型；

通過所述融合模型對接收到的人臉圖像進(jìn)行人臉識別；

所述計算訓(xùn)練后各人臉識別模型中的每個參數(shù)的融合系數(shù)的步驟具體包括：

計算出訓(xùn)練后的所述各人臉識別模型中每個參數(shù)的權(quán)重熵；

根據(jù)所述權(quán)重熵計算出對應(yīng)參數(shù)的融合系數(shù)；

所述計算出訓(xùn)練后的所述各人臉識別模型中每個參數(shù)的權(quán)重熵的步驟具體包括：

將訓(xùn)練后的各人臉識別模型中每個參數(shù)對應(yīng)的權(quán)重值，按照大小等分為不同的值域；

計算每個值域?qū)?yīng)的權(quán)重值概率；

根據(jù)所述概率計算出每個人臉識別模型中每個參數(shù)對應(yīng)的權(quán)重熵；

所述根據(jù)所述融合系數(shù)確定每個參數(shù)的融合權(quán)重的步驟具體包括：

將所有模型中同一個目標(biāo)參數(shù)的權(quán)重熵通過融合系數(shù)進(jìn)行加權(quán)合并，得到所述目標(biāo)參數(shù)在所述融合模型中的融合權(quán)重。

2.根據(jù)權(quán)利要求1所述的基于權(quán)重嫁接的模型融合的人臉識別方法，其特征在于，在所述基于所有參數(shù)的所述融合權(quán)重更新所述待融合模型的參數(shù)，以得到融合模型的步驟之后還包括：

使用預(yù)設(shè)學(xué)習(xí)率對所述融合模型進(jìn)行微調(diào)。

3.根據(jù)權(quán)利要求1所述的基于權(quán)重嫁接的模型融合的人臉識別方法，其特征在于，在所述基于所有參數(shù)的所述融合權(quán)重更新所述待融合模型的參數(shù)，以得到融合模型的步驟之后還包括：

判斷所述融合模型是否收斂；

若是，將更新的模型參數(shù)作為所述融合模型的最終參數(shù)；

若否，則繼續(xù)下一個訓(xùn)練周期的訓(xùn)練，直至所述融合模型收斂。

4.根據(jù)權(quán)利要求1所述的基于權(quán)重嫁接的模型融合的人臉識別方法，其特征在于，在所述分別訓(xùn)練N個相同結(jié)構(gòu)的人臉識別模型的步驟之前還包括：

構(gòu)建N個相同結(jié)構(gòu)人臉識別模型，所述人臉識別模型包括特征提取層、全連接層以及損失函數(shù)層；

所述分別訓(xùn)練N個相同結(jié)構(gòu)的人臉識別模型的步驟包括：

針對每一個人臉識別模型，采用所述特征提取層提取輸入人臉樣本數(shù)據(jù)的人臉特征；

通過所述全連接層將所述人臉特征進(jìn)行綜合以及屬性分析，并輸出特征表示以及分類結(jié)果；

基于損失函數(shù)計算所述損失函數(shù)層的特征提取損失值和屬性損失值，將所述特征提取損失值和屬性損失值進(jìn)行加權(quán)求和得到目標(biāo)損失值；

根據(jù)所述目標(biāo)損失值判斷所述人臉識別模型是否訓(xùn)練結(jié)束。

5.一種基于權(quán)重嫁接的模型融合的人臉識別裝置，其特征在于，包括：

訓(xùn)練模塊，用于分別訓(xùn)練N個相同結(jié)構(gòu)的人臉識別模型，其中，N為正整數(shù)；

微調(diào)模塊，用于選擇其中一個人臉識別模型作為待融合模型并進(jìn)行微調(diào)；

訓(xùn)練模塊，還用于微調(diào)后對所有的人臉識別模型進(jìn)行一個訓(xùn)練周期的訓(xùn)練；

計算模塊，用于計算訓(xùn)練后各模型中的每個參數(shù)的融合系數(shù)；及

更新模塊，用于根據(jù)所述融合系數(shù)確定每個參數(shù)的融合權(quán)重，基于所有參數(shù)的所述融合權(quán)重更新所述待融合模型的參數(shù)，以得到融合模型；

識別模塊，用于通過所述融合模型對接收到的人臉圖像進(jìn)行人臉識別；

所述計算模塊包括：

權(quán)重熵計算子模塊，用于計算出訓(xùn)練后的所述各人臉識別模型中每個參數(shù)的權(quán)重熵；

融合系數(shù)計算子模塊，用于根據(jù)所述權(quán)重熵計算出對應(yīng)參數(shù)的融合系數(shù)；

權(quán)重熵計算子模塊包括：

劃分單元，用于將訓(xùn)練后的各人臉識別模型中每個參數(shù)對應(yīng)的權(quán)重值，按照大小等分為不同的值域；

計算單元，用于計算每個值域?qū)?yīng)的權(quán)重值概率，根據(jù)所述概率計算出每個人臉識別模型中每個參數(shù)對應(yīng)的權(quán)重熵；

融合系數(shù)計算子模塊進(jìn)一步用于將所有模型中同一個目標(biāo)參數(shù)的權(quán)重熵通過融合系數(shù)進(jìn)行加權(quán)合并，得到所述目標(biāo)參數(shù)在所述融合模型中的融合權(quán)重。